혁신적인 예측 프로세스 모니터링: 그래프 신경망의 활용

본 연구는 기존의 예측 프로세스 모니터링(PPM) 방식의 한계를 극복하고자 직접적으로 따르는 그래프(DFG)를 활용한 그래프 신경망(GNN) 기반의 새로운 PPM 방법을 제시합니다. 다양한 GNN 아키텍처를 실험하여 정보 손실을 최소화하고 복잡한 프로세스에 대한 예측 정확도를 높이는 데 성공했습니다.

예측 프로세스 모니터링(PPM)은 비즈니스 프로세스의 미래 행동을 예측하는 중요한 기술입니다. 지금까지는 순차 데이터 처리에 능한 순환 신경망(RNN)이나 트랜스포머가 주로 사용되어 왔습니다. 하지만, 루프가 많고 복잡한 프로세스에는 한계가 있었습니다.

Attila Lischka, Simon Rauch, Oliver Stritzel 등 연구진은 이러한 한계를 극복하기 위해 획기적인 연구를 발표했습니다. 그들은 직접적으로 따르는 그래프(DFG) 라는 새로운 접근 방식을 제시했습니다. 기존의 순차 데이터 처리 방식 대신, 프로세스를 그래프로 표현하여 그래프 신경망(GNN) 을 적용하는 것입니다.

이 방법의 핵심은 정보 손실을 최소화하는 데 있습니다. 연구진은 다양한 GNN 아키텍처를 실험했습니다. 노드 기반, 에지 기반 아키텍처는 물론, 멀티 그래프를 활용하는 방법까지 고려하여 최적의 그래프 표현 방법을 찾고자 했습니다.

이 연구는 복잡한 비즈니스 프로세스의 예측 정확도를 높이고, 효율적인 모니터링 시스템 구축에 크게 기여할 것으로 기대됩니다. 특히, 긴 프로세스와 반복적인 루프가 많은 상황에서 기존 방식보다 뛰어난 성능을 보일 것으로 예상됩니다. 향후 연구를 통해 더욱 발전된 PPM 기술이 개발될 것으로 기대하며, 이 연구는 그 중요한 첫걸음이 될 것입니다.

주요 내용 요약:

• 기존 PPM의 한계 극복을 위한 새로운 접근 방식 제시: 직접적으로 따르는 그래프(DFG)를 이용한 그래프 신경망(GNN) 적용
• 다양한 GNN 아키텍처(노드 기반, 에지 기반, 멀티 그래프) 실험 및 비교 분석
• 정보 손실 최소화를 위한 최적의 그래프 표현 방법 모색
• 복잡하고 긴 프로세스에 대한 예측 정확도 향상 및 효율적인 모니터링 시스템 구축 기대