在基于人工智能代理时代重新思考过程挖掘
该研究主要探讨了大型语言模型在过程挖掘中的应用，以增强对话代理的能力，并改进了现有解决方案的许多问题，提高了可访问性和代理性能。通过实验验证了该框架在公共问题和数据集上的效果，为进一步探索大型语言模型在过程挖掘中的作用奠定了基础，并提出了改进大型语言模型记忆、实时用户测试和研究多样化数据集的建议。
Jul, 2023
研究文献中广泛探讨了对AI代理的信任问题，随着大型语言模型和基于此模型的AI代理框架的快速发展，面临着新的挑战和研究机会。本文研究了新一代基于AI的代理在流程自动化领域崛起的新挑战和机遇，分析了现有文献中讨论的AI代理信任的主要方面，并确定了与这一新代理代际相关的具体考虑和挑战。同时，我们评估了该类别中新产品如何解决这些考虑因素，并强调研究界应在这一不断演变的领域中解决的几个挑战。
Aug, 2023
该研究通过将ChatGPT等Large Language Models（LLMs）集成到过程挖掘工具中，引入了一种新颖的方法，使过程分析对更广泛的受众更易于访问，以便将复杂数据转化为可行的见解。研究旨在调查ChatGPT如何增强分析能力，改进用户体验，提高可访问性以及优化过程挖掘工具的架构框架。该研究的关键创新在于为每个过程挖掘子模块开发了一个定制的提示工程策略，确保人工智能生成的输出准确且与上下文相关。
May, 2024
通过对大型语言模型（LLMs）进行理解和监督微调，本研究详细探讨了LLMs在过程挖掘任务中的实用性和应用价值，包括语义异常检测和下一活动预测等领域，并提供了大量基准数据集进行评估实验。结果表明，在给定少量示例和上下文环境的情况下，LLMs在处理复杂过程挖掘任务时表现不佳，但经过微调后，在性能上明显优于较小的编码器模型。
Jul, 2024
自然语言工作流自动化生成框架AutoFlow可通过基于微调和基于上下文的方法，为大型语言模型和基于语言模型的人工智能代理生成可靠且鲁棒的工作流，为解决复杂任务提供了一种有前景的方法。
Jul, 2024
提出了PM-LLM-Benchmark作为第一个全面的过程挖掘领域知识和不同实现策略的PM综合基准。我们观察到大多数所考虑的大语言模型可以以令人满意的水平执行一些过程挖掘任务，但面向边缘设备的小型模型仍然不足。我们得出结论，虽然提出的基准对于找到适合过程挖掘任务的大语言模型很有用，但需要进一步研究以克服评估偏差，并对竞争性大语言模型进行更全面的排名。
Jul, 2024
本研究解决了传统过程建模方法需要大量专家参与的问题，探索了一种高效和具有成本效益的自动建模方法。提出的MAO框架利用大语言模型和创新的提示策略，实现多代理之间的高效协作。实验结果显示，该框架生成的过程模型在四个数据集上优于现有方法，并在效率上超过手动建模。
Aug, 2024
本研究针对传统流程建模方法需大量专家参与的高成本和时间问题，提出了一种高效、自动化的流程模型生成框架MAO。该框架利用大型语言模型与多智能体协作，通过创新的提示策略提高合作效率，实验结果表明其生成的流程模型在多个数据集上显著优于现有方法，并且比人工建模更具优势。
Aug, 2024
本研究的核心问题是现有数据集缺乏足够的复杂性，无法有效评估大型语言模型（LLMs）在复杂工具使用场景下的表现。我们提出的ProcessTBench数据集，扩展自TaskBench，专门设计用于在过程挖掘框架中评估LLMs，显著提升了模型在多语言、同义句查询和并行动作管理方面的评测能力。此数据集的发布将推动LLMs在真实应用中的发展与研究。
Sep, 2024
本文解决了现有数据集中缺乏复杂场景的问题，尤其是在处理改述查询、多语言支持和并行执行的情况下。研究提出了ProcessTBench合成数据集，旨在评估大型语言模型在流程挖掘框架中的能力，为研究LLM在不同条件下执行同一过程的典型行为和挑战提供了重要工具。
Sep, 2024