PhD Defense: 'Deep Learning Models for Predictive Monitoring of Business Processes'

A minería de procesos é unha disciplina que tende unha ponte entre as técnicas tradicionais de análises baseadas en modelos e os enfoques centrados nos datos. Esta disciplina utiliza os rexistros de eventos para extraer coñecementos sobre o rendemento real dos procesos empresariais. A minería de procesos evolucionou rapidamente, ofrecendo potentes ferramentas de análise, descubrimento, optimización e mellora de procesos empresariais complexos. Un reto neste ámbito é a monitorización preditiva, que se centra en predicir, desde distintos puntos de vista, como se desenvolverá un caso en execución.

Algunhas predicións relevantes son a predición da seguinte actividade ou a secuencia das seguintes actividades. Os métodos tradicionais de monitorización preditiva adoitan atopar moitas dificultades debido á natureza dinámica e complexa dos procesos empresariais do mundo real, o que conduce a predicións menos precisas e robustas. Nesta tese, a monitorización preditiva na minería de procesos mellórase mediante o uso de técnicas avanzadas de aprendizaxe profunda. Mediante a integración de redes neuronais de grafos con redes neuronais recorrentes, posibilítase a aprendizaxe directa sobre o modelo do proceso á vez que se permite ter en conta a información contida na secuencia de eventos. Así, introdúcense dous modelos neuronais: o primeiro predí a seguinte actividade nun proceso de negocio mentres que o segundo predí a secuencia de actividades restante ata o final do caso en execución. Para o segundo problema, tamén se propón un modelo novidoso baseado na aprendizaxe profunda por reforzo, de forma que a estratexia óptima de selección de actividades apréndese durante o adestramento da rede. Todos os modelos foron rigorosamente validados utilizando rexistros de eventos reais mediante unha metodoloxía de avaliación novidosa no campo que facilita a comparación robusta e xusta entre diferentes enfoques de monitorización preditiva.

Directores: Manuel Lama Penín and Juan Carlos Vidal Aguiar