AI 기반 프로세스 발견의 혁신: 비 블록 구조적 의사결정의 해법 제시

본 논문은 기존의 블록 구조적 제한을 극복하여 비 블록 구조적 의사결정을 효과적으로 모델링하는 새로운 방법을 제시합니다. POWL 확장 및 선택 그래프 도입을 통해 실제 프로세스를 더욱 정확하게 반영하는 모델을 생성하며, 실험 결과를 통해 그 효율성을 검증했습니다.

오늘날 기업들은 운영 프로세스 분석 및 개선을 위해 프로세스 발견 기술에 주목하고 있습니다. 이 기술의 핵심은 이벤트 로그에서 프로세스 모델을 자동으로 도출하는 것입니다. 하지만 기존의 귀납적 마이닝 알고리즘은 계층적 모델링 언어를 통해 정확성과 효율성을 추구하면서도, 엄격한 블록 구조적 표현 방식에 의존해왔습니다. 이는 실제 세계의 복잡한 프로세스를 정확하게 포착하는 데 한계가 있음을 의미합니다.

Humam Kourani, Gyunam Park, Wil M. P. van der Aalst 가 공동 집필한 논문 "Unlocking Non-Block-Structured Decisions: Inductive Mining with Choice Graphs"는 이러한 한계를 극복하기 위한 획기적인 해결책을 제시합니다. 논문에서 연구진은 부분적으로 정렬된 워크플로 언어(POWL)를 확장하여 선택 그래프(Choice Graphs) 를 도입, 비 블록 구조적 의사결정을 효과적으로 모델링하는 방법을 제안합니다. 선택 그래프는 POWL의 계층적 프레임워크 내에서 복잡한 의사결정 로직을 구조적이면서도 유연하게 모델링할 수 있는 접근 방식을 제공합니다.

연구진은 이 확장된 POWL을 사용하는 새로운 귀납적 마이닝 발견 알고리즘을 제시하고, 기존 귀납적 마이닝 프레임워크의 품질 보장을 유지합니다. 실험 결과는 선택 그래프가 추가된 모델이 실제 프로세스에서 발견되는 복잡한 의사결정 행동을 더 정확하게 나타내며, 동시에 귀납적 마이닝 기법의 높은 확장성을 유지함을 보여줍니다. 이는 프로세스 발견 기술의 정확성과 효율성을 동시에 향상시키는 중요한 진전입니다.

이 연구는 단순히 기술적 개선을 넘어, 실제 세계의 복잡한 프로세스를 더욱 정확하게 이해하고 개선하는 데 기여할 것입니다. 특히, 복잡한 의사결정 과정을 포함하는 다양한 분야에서 효율적인 프로세스 개선 및 자동화에 큰 영향을 미칠 것으로 예상됩니다. 향후 이 기술의 발전과 적용을 통해 기업들은 운영 효율성을 높이고, 더 나아가 혁신적인 비즈니스 모델을 구축하는 데 도움을 받을 수 있을 것입니다.