Abstractions, Scenarios, and Prompt Definitions for Process Mining with LLMs: A Case Study

Abstractions, Scenarios, and Prompt Definitions for Process Mining with LLMs: A Case Study

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は何ですか？
大規模言語モデル（LLMs）は、自然言語での質問に対して様々な用途で回答することができます。最近の進歩により（GPT-4のような）、多数のタスクにおいてLLMsは、多数の熟練したタスクにおいて人間と同等の性能を発揮することができるようになりました。ビジネスプロセスの分析は、LLMsが訓練されているドメイン知識を使用して自然言語のプロセス質問言語を使用することで利益を得ることができます。しかし、完全なデータベースまたはイベントログを入力プロンプトとして提供することは、サイズ上の制約のため不可能です。本研究の学術的「問い」として、LLMsをプロセスマイニングのコンテキストで使用するために必要な手法を探ることが挙げられます。

2. 本研究の目的及び学術的独自性と創造性は何ですか？
本研究の目的は、ビジネスプロセスを分析するために必要なプロセスモデルやイベントログの抽象化を行ったうえで、LLMsをプロセスマイニングのコンテキストで応用することです。提案手法は、教師なし学習によってドメインの特徴を抽出するため、プロセスマイニングにおける大きな問題に対する解決策として期待されます。本研究では、提案手法をpm4pyというオープンソースのプロセスマイニングライブラリーに実装し、実際のイベントログを用いたケーススタディを実施し、その効果を評価しました。

3. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは何ですか？
プロセスマイニングは、ビジネスプロセスを可視化し、効率性を評価する際に広く適用されている手法であり、大規模なログデータを効率的に分析することができます。一方LLMsは、良い入力データが与えられれば、自然言語処理の多くのタスクを効果的に処理することができるモデルです。本研究では、LLMによるプロセスマイニングの可能性に着目し、実用的なクエリの抽出手法を提案しています。

4. 本研究で何をどのように、どこまで明らかにした？
本研究では、プロセスマイニングのコンテキストでのLLMsの応用について、プロセスモデルやイベントログの抽象化手法とその評価方法を提案しました。具体的には、提案手法をオープンソースのプロセスマイニングライブラリpm4pyに実装し、イベントログを用いたケーススタディを行いました。さまざまな抽象化レベルと定式化質問から始め、クエリの正確性を評価しました。

5. 本研究の有効性はどのように検証した？
本研究では、提案手法をpm4pyに実装し、現実世界のイベントログを使用して評価を行いました。評価では、大規模な抽象化レベルとさまざまな分析質問セットから始め、回答の質を評価しました。提案手法は、実用的な問題を解決するために有効であると結論づけており、今後更に発展が期待されます。