- 多模式基础模型理解企业工作流程吗?业务流程管理任务的基准测试
为了解决现有机器学习基准缺乏用于评估企业流程管理(BPM)任务的深度和多样性的问题,研究人员提出了 WONDERBREAD,这是评估多模态基础模型在超出自动化的 BPM 任务上的第一个基准。他们的研究发现,目前最先进的基础模型可以自动生成文 - 数据驱动的业务流程管理的最新进展
基于数据的业务流程管理(Data-driven BPM)已成为一个相关研究领域,该论文呈现了关于数据驱动的 BPM 的研究见解。
- 改革过程挖掘: ChatGPT 集成和优化提示工程增强用户体验的新型架构
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 - 从物联网数据到业务流程:挑战与框架
该研究提出了一个框架,通过一系列结构化步骤将低级 IoT 传感器数据转换为适用于过程挖掘的高级过程事件,以引导事件提取、抽象和关联,为特定分析技术和算法插入变化点。
- SNAP:用于下一次活动预测的语义故事
借助语言基础模型,构建语义上下文故事从而准确预测下一步活动的 SNAP 算法在业务流程管理和人工智能模型方面具有显著优势。
- PELP: 利用序列到序列神经网络预测先驱事件日志
使用序列到序列深度学习方法解决事件日志预测问题,可以在合成日志和真实日志中生成完美的预测,并为事件日志预测提供实际建议。
- 大型语言模型在业务流程文本草图自动生成中的应用
提出了一种使用大型语言模型将条件流程树 (CPT) 转换为业务流程文本概述 (BPTS) 的方法,通过拆分困难的 CPT 并逐个解决,实现了 93.42% 的正确率,比传统提示方法提高了 45.17%,解决了在无数据集情况下进行业务流程文档 - 大型语言模型可完成商业流程管理任务
大规模语言模型(LLMs)在文本相关的业务流程管理任务中表现出与现有解决方案相当甚至更好的性能,这为未来的 BPM 研究和实际应用带来了重要的启示。
- ProcessGPT:用生成人工智能改变商业流程管理
使用 GPT 技术提出了 ProcessGPT 作为增强数据中心和知识密集型流程决策的新技术,它可以通过使用深度学习和 NLP 来开发训练模型和生成流程来帮助提高流程管理效率,降低成本并支持业务运营的质量提升。
- 学习在业务流程中的资源分配策略
本文针对大型企业流程中的资源分配问题,提出了两种基于深度强化学习和基于分数的价值函数逼近方法,实验结果表明这两种学习方法在多数情况下优于传统启发式算法解决资源分配问题。
- 业务过程管理中的提示工程
使用 GPT-3 等自然语言处理模型在业务流程管理(BPM)领域中取得了成功,但需要 fine-tuning 以及大量适当的训练数据。为此,本文提出可以借助 prompt engineering 将这些语言模型能力引入 BPM 研究,并提出 - 朝向以知识为中心的过程挖掘
本文提出了一种基于知识图谱的方法,用于缓解事件日志中的噪声 / 不完整信息对流程分析技术的影响,并帮助流程分析师理解与事件日志相关的可变性。
- 企业流程中的人工智能信任:对过程感知解释的需求
这篇研究论文讨论了如何将人工智能技术,如机器学习和深度学习,应用于企业业务流程管理,以提高效率和客户体验,并呼吁 BPM 社区构建能够向商业用户解释 AI 模型结果的解释性方法。
- 使用深度学习预测流程行为
本文探讨了利用深度学习与循环神经网络来解决企业业务流程中下一步事件的预测问题,该方法在过去的基本上是依赖于显式流程模型的基础上进行的。本文的方法在两个真实数据集上进行了评估,结果表明了预测精度达到了最新技术的水平。