Aprimoramento do algoritmo X-Processes para descobrir modelos de processo mais precisos

• Processo: 20/05248-4
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de agosto de 2020
• Data de Término da vigência: 31 de janeiro de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Marcelo Fantinato
• Beneficiário: Marcelo Fantinato
• Instituição Sede: Escola de Artes, Ciências e Humanidades (EACH). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Município da Instituição Sede: São Paulo
• Pesquisadores associados: Sarajane Marques Peres
• Assunto(s): Sistemas de informação Mineração de dados Algoritmos genéticos Gerenciamento de processos de negócio
• Palavra(s)-Chave do Pesquisador: Bpm | Business Process | data mining | Genetic Algorithms | process discovery | Process mining | Sistemas de Informação

Resumo

A combinação de gestão de processos de negócio (BPM - Business Process Management) e mineração de dados estabeleceu a área de pesquisa conhecida como mineração de processos. A mineração de processos visa extrair conhecimento de dados resultantes da execução de processos de negócio. Os dados a serem extraídos geralmente são formados por logs de eventos produzidos por sistemas de informação que automatizam os processos de negócio das organizações. A descoberta de processos é um dos tipos mais estudados e desafiadores de mineração de processos. Um grande desafio é descobrir modelos de processo acurados, ou seja, aqueles com um equilíbrio adequado entre completude (ou recall) e precisão. O algoritmo X-Process foi desenvolvido recentemente para enfrentar esse desafio por meio de algoritmos genéticos, usando uma abordagem distribuída baseada em ilhas. Embora a computação evolutiva seja uma abordagem computacional apropriada para buscar entre diferentes soluções enquanto otimiza uma função fitness específica, o X-Process ainda precisa de aprimoramentos para fornecer melhor acurácia. Portanto, o principal objetivo deste projeto de pesquisa é aprimorar o algoritmo X-Process para permitir que ele descubra modelos de processo mais acurados, otimizando a medida F-score entre completude e precisão. Além disso, com o objetivo de fornecer resultados mais apropriados, outros recursos desse algoritmo precisam ser aprimorados, como a implementação de operadores adicionais de crossover e mutação, o uso de formatos padrão (IEEE/ISO) para a entrada e a saída do algoritmo e a garantia de que os modelos de processo descobertos sejam sound. Considerando todas as melhorias planejadas para o algoritmo X-Process, esperamos obter a descoberta de modelos de processo mais significativos para o negócio, quando comparados aos algoritmos de descoberta de processos do estado-da-arte. (AU)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

FARIA JUNIOR, ELIO RIBEIRO; NEUBAUER, THAIS RODRIGUES; FANTINATO, MARCELO; PERES, SARAJANE MARQUES; MONTALI, M; SENDEROVICH, A; WEIDLICH, M. Clustering Analysis and Frequent Pattern Mining for Process Profile Analysis: An Exploratory Study for Object-Centric Event Logs. PROCESS MINING WORKSHOPS, ICPM 2022, v. 468, p. 13-pg., 2023-01-01. (20/05248-4)

FANTINATO, MARCELO; PERES, SARAJANE MARQUES; REIJERS, HAJO A.. X-Processes: Process model discovery with the best balance among fitness, precision, simplicity, and generalization through a genetic algorithm. INFORMATION SYSTEMS, v. 119, p. 25-pg., 2023-07-10. (20/05248-4, 17/26491-1)

FANTINATO, MARCELO; PERES, SARAJANE MARQUES; REIJERS, HAJO A.; IEEE COMP SOC. X-Processes: Discovering More Accurate Business Process Models with a Genetic Algorithms Method. 2021 IEEE 25TH INTERNATIONAL ENTERPRISE DISTRIBUTED OBJECT COMPUTING CONFERENCE (EDOC 2021), v. N/A, p. 10-pg., 2021-01-01. (17/26491-1, 20/05248-4)

NEUBAUER, THAIS RODRIGUES; DA SILVA, VALDINEI FREIRE; FANTINATO, MARCELO; PERES, SARAJANE MARQUES; XAVIER-JUNIOR, JC; RIOS, RA. Resource Allocation Optimization in Business Processes Supported by Reinforcement Learning and Process Mining. INTELLIGENT SYSTEMS, PT I, v. 13653, p. 16-pg., 2022-01-01. (20/05248-4)