Pergunta central
Processado por IA · Aprovado pelo autor
Como a inteligência artificial pode restaurar identificadores de casos ausentes em logs de processos para melhorar a precisão da análise?
Carrega o reprodutor do Spotify; o Spotify pode definir cookies. Este dispositivo memoriza a sua escolha.
Principais conclusões
- O método híbrido restaura com precisão os identificadores de casos ausentes em diversos contextos de processos de negócios, sem alterar dados já corretos.
- A incorporação de regras de domínio como verificação prévia (ex-ante) e posterior (ex-post) melhora significativamente o desempenho como mecanismo de contingência, particularmente em cenários com poucos dados e alto índice de erros.
- A abordagem baseada em Transformer supera referências consolidadas de aprendizado de máquina quando aplicada a grandes conjuntos de dados com níveis baixos a moderados de identificadores de casos ausentes.
- As avaliações de especialistas confirmam a alta utilidade percebida e a praticidade do método para automatizar tarefas de preparação de dados em fluxos corporativos de mineração de processos.
O que isso significa para você
CIO / Executivo de TI
Authorize a pilot project to integrate the HERE method into the enterprise process mining data pipeline, focusing on event logs suffering from missing case identifiers.
Gerente de TI
Audit your team's current event logs to identify datasets with elusive cases lacking identifiers, and schedule a workshop to define specific domain-expert rules for ex-ante and ex-post fallback checks.
Estrategista de Negócios
Evaluate the financial and operational impact of inaccurate process insights caused by current data quality issues, and align the adoption of Transformer-driven data repair with corporate process improvement goals.
Pesquisador
Investigate the scalability of combining Transformer-based event log enhancement with domain-expert rule fallback mechanisms in low-data and high-error industrial environments.
Formulador de Políticas
Draft guidelines for data governance frameworks in automated process mining that encourage the adoption of human-in-the-loop generative AI methodologies to ensure data integrity and auditability.
Resumo
Este estudo desenvolve o Método Híbrido de Reparação de Casos Elusivos (HERE), que combina inteligência artificial generativa por meio da arquitetura Transformer com regras de especialistas de domínio em uma estrutura com humanos no circuito (human-in-the-loop). Seguindo a Design Science Research, o método aprimora logs de eventos de processos nos quais faltam identificadores de casos e avalia o desempenho usando logs de eventos sintéticos e reais, juntamente com 21 entrevistas com especialistas.
Problema
As iniciativas de mineração de processos frequentemente sofrem com a baixa qualidade dos dados quando os logs de eventos contêm casos elusivos sem os identificadores de caso necessários para conectar eventos a instâncias de processo. As técnicas tradicionais de reparação reagrupam todos os eventos de forma indiscriminada, exigem esforço manual excessivo ou dependem de amplos conjuntos de dados suplementares, levando a insights de negócios imprecisos.
Transcrição
Expert: Olá, Anna! É um prazer estar aqui. Esse estudo aborda um desafio crítico para qualquer organização moderna: como recuperar e enriquecer dados operacionais incompletos para transformar análises corporativas em resultados reais de negócio.
Host: Exatamente. Para começarmos, Alex, muitas empresas hoje investem pesado em mineração de processos para entender como seus fluxos de trabalho realmente funcionam e onde estão os gargalos. Mas qual é o grande problema prático que esse estudo busca resolver?
Expert: O problema central reside na qualidade dos dados. Para que uma ferramenta de mineração de processos desenhe o mapa exato das operações de uma empresa, cada evento no sistema precisa de um identificador de caso, o chamado Case ID. Esse identificador funciona como o número de rastreamento de um pedido ou o protocolo de atendimento de um cliente. O problema é que, na prática, muitos registros chegam com esse identificador ausente ou corrompido, criando o que o estudo classifica como "casos elusivos".
Host: E por que as soluções que as empresas usavam até agora não eram suficientes?
Expert: Historicamente, tínhamos dois extremos ruins. De um lado, analistas gastando centenas de horas tentando associar dados manualmente. Do outro, algoritmos tradicionais que tentavam reorganizar tudo às cegas, muitas vezes sobrescrevendo dados que já estavam corretos ou exigindo dados complementares que a empresa nem sequer possuía. O resultado disso eram diagnósticos falhos e decisões estratégicas tomadas com base em premissas erradas.
Host: Uma dor de cabeça enorme para qualquer equipe de dados. E qual foi a abordagem proposta pelos pesquisadores nesse estudo para resolver esse impasse?
Expert: O estudo desenvolveu o método HERE, uma sigla para Hybrid Elusive Case Repair. Estruturado a partir da metodologia Design Science Research, esse método combina modelos de IA baseados na arquitetura Transformer com regras de especialistas de negócio em uma abordagem de humano no circuito, ou human-in-the-loop. Em termos simples, os Transformers aprendem a dinâmica temporal e as relações lógicas entre as etapas do processo para sugerir o identificador correto, enquanto as regras de negócio atuam antes e depois como diretrizes seguras para evitar erros lógicos.
Host: É o poder da IA generativa somado à experiência prática dos profissionais. E quando o método foi colocado à prova, quais foram as principais conclusões do estudo?
Expert: Os resultados foram muito consistentes. Primeiro, o método conseguiu restaurar os identificadores perdidos com altíssima precisão em diversos cenários, e o mais crucial: sem desorganizar os dados que já estavam perfeitos. Segundo, a aplicação de regras de domínio como verificação prévia e posterior funcionou como uma rede de segurança indispensável, sobretudo em situações com alta taxa de erro ou poucos dados disponíveis.
Host: E em comparação com os modelos convencionais de machine learning, como a abordagem se saiu?
Expert: Em grandes volumes de dados e com níveis moderados de perda, a arquitetura baseada em Transformers superou com folga as abordagens tradicionais. Além disso, o estudo validou a solução por meio de 21 entrevistas com especialistas do setor, que confirmaram a alta utilidade prática do método para automatizar a preparação de dados no ambiente corporativo.
Host: Isso nos leva ao ponto fundamental para os nossos ouvintes: qual é o impacto direto dessa inovação para os negócios?
Expert: O impacto é expressivo, Anna. Hoje, a preparação e limpeza de dados consome a maior parte do tempo e do orçamento das iniciativas de inteligência de processos. Ao automatizar a reparação desses casos com precisão, as empresas liberam seus analistas para focar em inovação e resolução de gargalos, e não em faxina de planilhas. Mais do que isso, a liderança ganha confiança absoluta nos seus painéis de controle, eliminando pontos cegos na jornada do cliente e reduzindo custos operacionais.
Host: Em resumo, transformar dados incompletos em inteligência acionável e confiável para tomadas de decisão estratégicas. Uma contribuição brilhante do estudo. Muito obrigada pela análise detalhada, Alex!
Expert: Eu que agradeço, Anna. Foi uma excelente discussão!
Host: Agradecemos também a você que nos acompanhou em mais esta edição do A.I.S. Insights — powered by Living Knowledge. Não deixe de acompanhar os nossos próximos episódios para mais análises estratégicas sobre tecnologia e negócios. Até a próxima!
Process mining, Event log repair, Generative artificial intelligence, Transformers, Data quality, Business process management