RAI4P: IA Responsable para Minería de Procesos 2.0

RAI4P é un avance cara á minaría de procesos 2.0, unha minaría de procesos centrada na intelixencia de procesos máis que na análise descritiva. En particular, centrarémonos na monitorización preditiva, é dicir, na predición dalgunhas características do proceso, como a seguinte actividade, o tempo restante, os recursos, os resultados, etc. Ademais, esta predición podería realizarse para un instante concreto, ou considerar todo o ciclo de vida do proceso a fin de inferir información a máis longo prazo, como as porcentaxes de execución dos diferentes camiños, a demanda de recursos, etc.

Ademais, aplicaremos as técnicas de minaría de procesos a procesos para os cales os eventos non están inicialmente dispoñibles e almacenados nunha plataforma de xestión de procesos empresariais (BPM), senón que deben ser identificados e extraídos de vídeos. Isto abre a porta á aplicación da monitorización preditiva aos procesos que non están (totalmente) automatizados, xa que os ficheiros de rexistros xeraranse mediante técnicas de análises de vídeo. Trátase dun dobre desafío: para a analítica de vídeo, será preciso xerar eventos de alta calidade para permitir predicións precisas; para a minaría de procesos, os algoritmos deben facer fronte aos datos ruidosos e/ou faltantes debido á dificultade de detectar todos os eventos nos vídeos.

Esta proposta seguirá as Ethics Guidelines for Trustworthy Artificial Intelligence, recentemente presentadas polo EU High-Level Expert Group on AI, posto que aplicaremos os principios da Intelixencia Artificial Responsable a todos os modelos que desenvolvamos no proxecto, para garantir que tanto os datos como os algoritmos sexan responsables, transparentes, xustos, fiables e explicables. Tamén investigaremos nos modelos de xeración de linguaxe natural adaptados para a minaría de procesos 2.0, incluíndo a xeración de descricións textuais tanto para os modelos de procesos como para a analítica baseada na Intelixencia Artificial. O uso da linguaxe natural neste campo será unha forma nova de integrar explicacións post-hoc sobre os procesos e sobre a información analítica extraída deles.

Obxectivos

O obxectivo de RAI4P é deseñar modelos de monitorización predictiva de procesos con conciencia de responsabilidade da IA. Ademais, buscamos dar soporte a escenarios do mundo real nos que os procesos non son explícitos e deben ser inferidos da contorna, neste proxecto a través da analítica de vídeo. Este enfoque suporá un reto importante tanto dende a perspectiva da identificación e xeración de eventos a partir de fluxos de vídeo como desde a perspectiva da minaría de procesos, xa que os algoritmos aprenderán a partir de rexistros que poderían ter unha distribución de trazas desequilibrada e, ademais, terán datos perdidos debido á dificultade de capturar todos os eventos dos vídeos. Ademais, utilizaremos descricións en linguaxe natural para explicar como e por que se xeraron os modelos predictivos de monitorización. Este obxectivo xeral pode dividirse nos seguintes obxectivos específicos:

Desenvolver novos modelos de DL baseados en redes neuronais gráficas que: (i) melloren as predicións intra e inter-trazados aproveitando a información que se pode inferir dos trazados, incluíndo os modelos de procesos, os patróns de comportamento frecuentes e infrecuentes, os datos de comprobación de conformidade e derívalas repentinas e graduais; (ii) melloren as predicións axustando a distribución dos trazados sempre que os rexistros estean desequilibrados, e engadindo tolerancia ao ruído.
Desenvolver detectores e rastrexadores baseados en CNN que xeren rexistros de alta calidade para a minaría de procesos mediante (i) mellorando a precisión da detección de obxectivos pequenos, traballando con mapas de características de alta resolución nas capas máis profundas; (ii) explotando a información temporal dos vídeos mediante a vinculación de obxectos a curto e longo prazo; (iii) deseñando arquitecturas CNN siamesas para o seguimento de múltiples obxectos.
Considerar todas as dimensións relevantes da IA responsable na minaría de procesos. Así mesmo, integrar as descricións en linguaxe natural con outras modalidades de explicación, para lograr explicacións multimodales que transmitan a información relevante adaptada ás necesidades e expectativas reais dos usuarios.

RAI4P é un avance cara á minaría de procesos 2.0, unha minaría de procesos centrada na intelixencia de procesos máis que na análise descritiva. En particular, centrarémonos na monitorización preditiva, é dicir, na predición dalgunhas características do proceso, como a seguinte actividade, o tempo restante, os recursos, os resultados, etc. Ademais, esta predición podería realizarse para un instante concreto, ou considerar todo o ciclo de vida do proceso a fin de inferir información a máis longo prazo, como as porcentaxes de execución dos diferentes camiños, a demanda de recursos, etc.Ademais, aplicaremos as técnicas de minaría de procesos a procesos para os cales os eventos non están inicialmente dispoñibles e almacenados nunha plataforma de xestión de procesos empresariais (BPM), senón que deben ser identificados e extraídos de vídeos. Isto abre a porta á aplicación da monitorización preditiva aos procesos que non están (totalmente) automatizados, xa que os ficheiros de rexistros xeraranse mediante técnicas de análises de vídeo. Trátase dun dobre desafío: para a analítica de vídeo, será preciso xerar eventos de alta calidade para permitir predicións precisas; para a minaría de procesos, os algoritmos deben facer fronte aos datos ruidosos e/ou faltantes debido á dificultade de detectar todos os eventos nos vídeos.Esta proposta seguirá as Ethics Guidelines for Trustworthy Artificial Intelligence, recentemente presentadas polo EU High-Level Expert Group on AI, posto que aplicaremos os principios da Intelixencia Artificial Responsable a todos os modelos que desenvolvamos no proxecto, para garantir que tanto os datos como os algoritmos sexan responsables, transparentes, xustos, fiables e explicables. Tamén investigaremos nos modelos de xeración de linguaxe natural adaptados para a minaría de procesos 2.0, incluíndo a xeración de descricións textuais tanto para os modelos de procesos como para a analítica baseada na Intelixencia Artificial. O uso da linguaxe natural neste campo será unha forma nova de integrar explicacións post-hoc sobre os procesos e sobre a información analítica extraída deles.O obxectivo de RAI4P é deseñar modelos de monitorización predictiva de procesos con conciencia de responsabilidade da IA. Ademais, buscamos dar soporte a escenarios do mundo real nos que os procesos non son explícitos e deben ser inferidos da contorna, neste proxecto a través da analítica de vídeo. Este enfoque suporá un reto importante tanto dende a perspectiva da identificación e xeración de eventos a partir de fluxos de vídeo como desde a perspectiva da minaría de procesos, xa que os algoritmos aprenderán a partir de rexistros que poderían ter unha distribución de trazas desequilibrada e, ademais, terán datos perdidos debido á dificultade de capturar todos os eventos dos vídeos. Ademais, utilizaremos descricións en linguaxe natural para explicar como e por que se xeraron os modelos predictivos de monitorización. Este obxectivo xeral pode dividirse nos seguintes obxectivos específicos:<ul><li>Desenvolver novos modelos de DL baseados en redes neuronais gráficas que: (i) melloren as predicións intra e inter-trazados aproveitando a información que se pode inferir dos trazados, incluíndo os modelos de procesos, os patróns de comportamento frecuentes e infrecuentes, os datos de comprobación de conformidade e derívalas repentinas e graduais; (ii) melloren as predicións axustando a distribución dos trazados sempre que os rexistros estean desequilibrados, e engadindo tolerancia ao ruído.</li><li>Desenvolver detectores e rastrexadores baseados en CNN que xeren rexistros de alta calidade para a minaría de procesos mediante (i) mellorando a precisión da detección de obxectivos pequenos, traballando con mapas de características de alta resolución nas capas máis profundas; (ii) explotando a información temporal dos vídeos mediante a vinculación de obxectos a curto e longo prazo; (iii) deseñando arquitecturas CNN siamesas para o seguimento de múltiples obxectos.</li><li>Considerar todas as dimensións relevantes da IA responsable na minaría de procesos. Así mesmo, integrar as descricións en linguaxe natural con outras modalidades de explicación, para lograr explicacións multimodales que transmitan a información relevante adaptada ás necesidades e expectativas reais dos usuarios.</li></ul> - Manuel Mucientes Molina, Juan Carlos Vidal Aguiar - Alberto José Bugarín Diz, Manuel Lama Penín