TU Darmstadt / ULB / TUbiblio

Process Learning for Autonomous Process Anomaly Correction

Nolle, Timo (2020)
Process Learning for Autonomous Process Anomaly Correction.
Technische Universität Darmstadt
doi: 10.25534/tuprints-00014257
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

The automatic detection of divergences from a desired process behavior is a common research topic in the business process management community. An established technique to analyze processes is called conformance checking. Given a definition of a process in form of a process model, conformance checking can be used to test whether the executions of a process contained in a so-called event log data structure are conforming with the process as it was defined. The result is a comparison of the execution traces and their respective correct execution, according to the process model. This technique provides insights into where the divergence has occurred and how the execution must be altered to conform to the process model. However, a problem is that it requires a process model to be available. Process models in the correct format are not always available.

Contrary to conformance checking, process anomaly detection aims to find anomalous executions without relying on a predefined process model. A process anomaly detection algorithm derives the process logic from the event log itself and exploits the patterns found within the event log to distinguish normal from anomalous process executions. Though process anomaly detection provides the benefit of not relying on a process model, it typically does not provide the level of detail that conformance checking does. A process execution can either be normal or it can be anomalous.

This dissertation proposes process anomaly correction, a novel approach that combines the benefits of conformance checking and process anomaly detection. Given only an event log, process anomaly correction detects anomalous executions, clearly indicates where the anomaly has occurred during the execution and suggests possible corrective measures. The solution presented in this work is based on a new concept to the field of process anomaly detection: Process learning. In process learning, the task of understanding the process based on the example data is transformed into a learning problem in which a neural network is trained to predict the very next activity in a running process execution. The resulting machine learning model thus represents an approximation of the real process that created the data.

This cumulative dissertation consists of five contributions to the field of business process management that demonstrate how, starting from a process anomaly detection, process anomaly correction is achieved in a series of four steps. (1) Process learning is employed to generate an approximated model of the process logic. (2) The limitation of only distinguishing between normal and anomalous process executions is overcome by employing the process learning model which processes the process executions on a finer level of detail than existing approaches. (3) The necessity of providing manual threshold settings, as it is typical for process anomaly detection algorithms, is replaced by an automatic parameterization utilizing the process learning model. (4) The predictive capabilities of the process learning model are exploited to generate possible corrections of detected anomalies.

The resulting process anomaly correction approach can be employed in scenarios where classic conformance checking would be infeasible, due to the restriction of relying on a process model. Furthermore, it can be employed alongside classical conformance checking, for it incorporates more information coming from the event log than classical conformance checking (such as employees executing a process step, in which country the process is executed, etc.), and thus provides a new perspective for the process analyst.

Typ des Eintrags: Dissertation
Erschienen: 2020
Autor(en): Nolle, Timo
Art des Eintrags: Erstveröffentlichung
Titel: Process Learning for Autonomous Process Anomaly Correction
Sprache: Englisch
Referenten: Mühlhäuser, Prof. Dr. Max ; Weber, Prof. Dr. Ingo
Publikationsjahr: Dezember 2020
Ort: Darmstadt
Kollation: xiv, 153 Seiten
Datum der mündlichen Prüfung: 29 Oktober 2020
DOI: 10.25534/tuprints-00014257
URL / URN: https://tuprints.ulb.tu-darmstadt.de/14257
Kurzbeschreibung (Abstract):

The automatic detection of divergences from a desired process behavior is a common research topic in the business process management community. An established technique to analyze processes is called conformance checking. Given a definition of a process in form of a process model, conformance checking can be used to test whether the executions of a process contained in a so-called event log data structure are conforming with the process as it was defined. The result is a comparison of the execution traces and their respective correct execution, according to the process model. This technique provides insights into where the divergence has occurred and how the execution must be altered to conform to the process model. However, a problem is that it requires a process model to be available. Process models in the correct format are not always available.

Contrary to conformance checking, process anomaly detection aims to find anomalous executions without relying on a predefined process model. A process anomaly detection algorithm derives the process logic from the event log itself and exploits the patterns found within the event log to distinguish normal from anomalous process executions. Though process anomaly detection provides the benefit of not relying on a process model, it typically does not provide the level of detail that conformance checking does. A process execution can either be normal or it can be anomalous.

This dissertation proposes process anomaly correction, a novel approach that combines the benefits of conformance checking and process anomaly detection. Given only an event log, process anomaly correction detects anomalous executions, clearly indicates where the anomaly has occurred during the execution and suggests possible corrective measures. The solution presented in this work is based on a new concept to the field of process anomaly detection: Process learning. In process learning, the task of understanding the process based on the example data is transformed into a learning problem in which a neural network is trained to predict the very next activity in a running process execution. The resulting machine learning model thus represents an approximation of the real process that created the data.

This cumulative dissertation consists of five contributions to the field of business process management that demonstrate how, starting from a process anomaly detection, process anomaly correction is achieved in a series of four steps. (1) Process learning is employed to generate an approximated model of the process logic. (2) The limitation of only distinguishing between normal and anomalous process executions is overcome by employing the process learning model which processes the process executions on a finer level of detail than existing approaches. (3) The necessity of providing manual threshold settings, as it is typical for process anomaly detection algorithms, is replaced by an automatic parameterization utilizing the process learning model. (4) The predictive capabilities of the process learning model are exploited to generate possible corrections of detected anomalies.

The resulting process anomaly correction approach can be employed in scenarios where classic conformance checking would be infeasible, due to the restriction of relying on a process model. Furthermore, it can be employed alongside classical conformance checking, for it incorporates more information coming from the event log than classical conformance checking (such as employees executing a process step, in which country the process is executed, etc.), and thus provides a new perspective for the process analyst.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Die automatische Erkennung von Abweichungen von einem gewünschten Prozessverhalten ist ein häufiges Forschungsthema auf dem Gebiet des Geschäftsprozessmanagements. Eine gängige Technik zur Analyse von Prozessen wird als Conformance Checking bezeichnet. Ausgehend von der Definition eines Prozesses in Form eines Prozessmodells kann mit Hilfe von Conformance Checking überprüft werden, ob die Ausführungen eines Prozesses, die in einem so genannten Event Log enthalten sind, mit dem definierten Prozess konform sind. Das Ergebnis ist ein Vergleich der tatsächlichen Ausführungen und ihrer jeweils korrekten Ausführung gemäß dem Prozessmodell. Diese Technik gibt Aufschluss darüber, wo die Divergenz aufgetreten ist und wie die Ausführung geändert werden muss, um dem Prozessmodell zu entsprechen. Ein Problem besteht jedoch darin, dass dazu ein Prozessmodell verfügbar sein muss. Prozessmodelle im korrekten Format sind nicht immer verfügbar.

Im Gegensatz zur Konformitätsprüfung zielt Process Anomaly Detection darauf ab, anomale Ausführungen zu finden, ohne sich auf ein vordefiniertes Prozessmodell zu stützen. Ein Algorithmus zur Erkennung von Prozessanomalien leitet die Prozesslogik aus dem Event Log selbst ab und nutzt die im Ereignisprotokoll gefundenen Muster aus, um normale von anomalen Prozessausführungen zu unterscheiden. Obwohl die Erkennung von Prozessanomalien den Vorteil bietet, dass sie sich nicht auf ein Prozessmodell stützt, bietet sie in der Regel nicht den Detaillierungsgrad, den Conformance Checking bietet. Eine Prozessausführung kann entweder normal oder anomal sein.

In dieser Dissertation wird Process Anomaly Correction vorgeschlagen, ein neuartiger Ansatz, der die Vorteile von Conformance Checking und Process Anomaly Detection kombiniert. Nur unter Verwendung des Event Logs, erkennt die Process Anomaly Correction anomale Ausführungen, zeigt deutlich, wo die Anomalie während der Ausführung aufgetreten ist, und schlägt mögliche Korrekturmaßnahmen vor. Die in dieser Arbeit vorgestellte Lösung basiert auf einem neuen Konzept für den Bereich der Erkennung von Prozessanomalien: Process Learning. Beim Process Learning wird die Aufgabe, den Prozess auf der Grundlage der Beispieldaten zu verstehen, in ein Lernproblem umgewandelt, bei dem ein neuronales Netz darauf trainiert wird, die nächste Aktivität in einer laufenden Prozessausführung vorherzusagen. Das resultierende Modell des maschinellen Lernens stellt somit eine Annäherung an den realen Prozess dar, der die Daten erzeugt hat.

Diese kumulative Dissertation besteht aus fünf Beiträgen aus dem Gebiet des Geschäftsprozessmanagements, die zeigen, wie, ausgehend von Process Anomaly Detection, Process Anomaly Correction in einer Reihe von vier Schritten erreicht wird. (1) Process Learning wird eingesetzt, um ein approximiertes Modell der Prozesslogik zu erzeugen. (2) Die Beschränkung, nur zwischen normalen und anomalen Prozessausführungen zu unterscheiden, wird durch die Anwendung des Process Learning Modells überwunden, welches die Prozessausführungen auf einer feineren Detailebene verarbeitet als bestehende Ansätze. (3) Die Notwendigkeit der Bereitstellung manueller Schwellenwerteinstellungen, wie sie für Algorithmen zur Erkennung von Prozessanomalien typisch sind, wird durch eine automatische Parametrisierung unter Verwendung des Process Learning Modells ersetzt. (4) Die prädiktiven Fähigkeiten des Process Learning Modells werden ausgenutzt, um mögliche Korrekturen der erkannten Anomalien zu generieren.

Der sich daraus ergebende Ansatz zur Korrektur von Prozessanomalien kann in Szenarien eingesetzt werden, in denen klassisches Conformance Checking aufgrund der Einschränkung, von einem Prozessmodell abhängig zu sein, nicht durchführbar wäre. Darüber hinaus kann dieser Ansatz zusätzlich zu klassischem Conformance Checking eingesetzt werden, da er mehr Informationen aus dem Event Log einbezieht als klassisches Conformance Checking (z. B. Mitarbeiter, die einen Prozessschritt ausführen, in welchem Land der Prozess ausgeführt wird usw.) und somit eine neue Perspektive für den Prozessanalysten bietet.

Deutsch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-142579
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
Fachbereich(e)/-gebiet(e): 20 Fachbereich Informatik
20 Fachbereich Informatik > Telekooperation
Hinterlegungsdatum: 21 Dez 2020 08:56
Letzte Änderung: 05 Jan 2021 08:23
PPN:
Referenten: Mühlhäuser, Prof. Dr. Max ; Weber, Prof. Dr. Ingo
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 29 Oktober 2020
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen