Künstliche Intelligenz zur Erschließung von Potentialen zur Semi-Prozessautomatisierung

(Drittmittelfinanzierte Einzelförderung)

Projektleitung: Sven Weinzierl
Projektstart: 1. Januar 2019
Projektende: 31. Dezember 2020
Akronym: AISA
Mittelgeber: Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR)

Abstract:

Während der Prozessausführung werden durch nahezu alle Anwendungssysteme für stattfindende Ereignisse Daten – so genannte Ereignislogdaten – erfasst. Ein Teilbereich des Process Mining, Predictive Business Process Monitoring, beschäftigt sich mit der Vorhersage zur Evolution von Prozessinstanzen basierend auf diesen historischen Eventlogdaten. Aufgrund der begrenzten prädiktiven Güte derartiger Verfahren, oftmals bedingt dadurch, dass Geschäftsprozess immer komplexer werden, findet bislang kaum ein Einsatz in der Praxis statt. Vor diesem Hintergrund ist das wesentliche Ziel des Projektes AISA nächste Prozessschritte (Ereignisse) für laufende Prozessinstanzen mit Techniken des Deep Learning mit einer möglichst hohen Güte vorherzusagen, um die Etablierung solch einer Lösung bei DATEV zu erreichen. Durch eine vorgelagerte Anomalieerkennung und eine (Standard-)Ablauferkennug soll die Güte des Ergebnisses weiterhin verbessert werden. Zudem sollen über die üblicherweise genutzten Eventlogdaten (insb. Prozessinstanz Id, Ereignis und Zeitstempel) hinaus auch prozessbegleitende Kontextinformationen, welche die Prozessausführung charakterisieren, extrahiert und für die Vorhersage miteinbezogen werden. Solche Kontextinformation können z.B. Informationen aus prozessbegleitenden Belegen oder Informationen zum Anwendungssystem selbst sein.

Externe Partner:

DATEV eG

Publikationen:

Weinzierl S., Revoredo K., Matzner M.:
Predictive business process monitoring with context information from documents
European Conference on Information Systems (Stockholm, 8. Juni 2019 - 14. Juni 2019)
In: Proceedings of the 27th European Conference on Information Systems 2019
URL: https://www.researchgate.net/publication/333245929_PREDICTIVE_BUSINESS_PROCESS_MONITORING_WITH_CONTEXT_INFORMATION_FROM_DOCUMENTS
BibTeX: Download
Stierle M., Weinzierl S., Harl M., Matzner M.:
A technique for determining relevance scores of process activities using graph-based neural networks
In: Decision Support Systems 144 (2021), Art.Nr.: 113511
ISSN: 0167-9236
DOI: 10.1016/j.dss.2021.113511
URL: http://www.sciencedirect.com/science/article/pii/S016792362100021X
BibTeX: Download
Weinzierl S., Wolf V., Pauli T., Beverungen D., Matzner M.:
Detecting temporal workarounds in business processes – A deep-learning-based method for analysing event log data
In: Journal of Business Analytics 5 (2022), S. 76-100
ISSN: 2573-234X
DOI: 10.1080/2573234X.2021.1978337
URL: https://www.tandfonline.com/doi/full/10.1080/2573234X.2021.1978337
BibTeX: Download
Weinzierl S., Dunzer S., Tenschert J., Zilker S., Matzner M.:
Predictive business process deviation monitoring
European Conference on Information Systems (Marrakesch)
In: Proceedings of the 29th European Conference on Information Systems 2021
BibTeX: Download
Weinzierl S., Stierle M., Zilker S., Matzner M.:
A next click recommender system for web-based service analytics with context-aware LSTMs
Hawaii International Conference on System Sciences (Grand Wailea, Maui, Hawaii, 7. Januar 2020 - 10. Januar 2020)
In: Proceedings of the 53rd Hawaii International Conference on System Sciences 2020
DOI: 10.24251/HICSS.2020.190
URL: http://hdl.handle.net/10125/63929
BibTeX: Download