加载 Spotify 播放器；Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- 该混合方法能够在不改变已有正确数据的前提下，在多种业务流程场景中准确恢复缺失的案例标识符。
- 将领域规则作为事前和事后检查引入，作为一种回退机制显著提升了性能，特别是在低数据量和高错误率的场景下。
- 当应用于案例标识符缺失程度为低至中等的大型数据集时，基于Transformer的方法优于现有的基准机器学习方法。
- 专家评估证实，该方法在企业流程挖掘工作流中自动化数据准备任务方面具有高度的实用性和有效性。
实践启示
CIO / IT 高管
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.
IT 经理
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.
商业战略师
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.
研究人员
Investigate the scalability of combining Transformer-based event log enhancement with domain-expert rule fallback mechanisms in low-data and high-error industrial environments.
政策制定者
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.
摘要
本研究开发了混合型隐蔽案例修复方法（HERE），该方法在人机协同框架下，将基于Transformer架构的生成式人工智能与领域专家规则相结合。本研究遵循设计科学研究范式，对缺失案例标识符的流程事件日志进行优化修复，并通过合成与真实事件日志以及21场专家访谈评估了其性能。
核心问题
当事件日志中包含缺少将事件关联到流程实例所需案例标识符的隐蔽案例时，流程挖掘项目往往受制于低劣的数据质量。传统的修复技术要么不加区分地对所有事件重新分组，要么需要过多的人工干预，要么依赖大量补充数据集，从而导致业务洞察不准确。
文稿
Expert: 谢谢 Anna，大家好，我是 Alex Ian Sutherland。非常高兴能和大家一起剖析这项极具实用价值的研究。
Host: Alex，对于很多企业管理者来说，流程挖掘已经成为优化运营、寻找业务瓶颈的必备工具。但这项研究所聚焦的核心痛点究竟是什么？为什么事件日志里的数据缺失会成为大问题？
Expert: 这是一个非常现实的业务挑战。流程挖掘的前提是高质量的事件日志。你可以把每一次业务操作——比如客户下单、发货、开票——想象成珍珠，而案例标识符，也就是 Case ID，就是把这些珍珠串成一条项链的线。但在现实的企业系统里，很多事件往往丢失了这个 Case ID，变成了这项研究中所说的“隐蔽案例”。传统的修复手段往往非常极端：要么把所有数据不加区分地全部打乱重组，破坏了原本正确的记录；要么极度依赖昂贵耗时的人工核对；或者需要调取大量外部补充数据。最终的结果就是数据质量低下，导致企业管理层基于错误的流程视图做出误判。
Host: 原来如此，这就好比根据一张残缺不全甚至被拼错的地图来做导航。那么，这项研究所提出的 HERE 方法，究竟是如何巧妙解决这个难题的呢？
Expert: HERE 方法的核心逻辑在于“混合协同”。研究人员没有纯粹依赖黑盒算法，而是构建了一个“人机协同”的工作框架。具体来说，它利用了类似现代大语言模型背后的 Transformer 架构，去敏锐捕捉事件之间的上下文时序关联，从而精准预测缺失的事件究竟属于哪一个流程实例。更巧妙的是，该方法遵循最小干预原则，完全保留已有的正确标识，仅针对损坏部分进行修复。同时，系统在模型处理的前后，都引入了业务专家的专业规则作为安全防线。
Host: 这种结合了 AI 预测与专家经验的设计听起来非常稳妥。那么这项研究有哪些关键发现呢？
Expert: 这项研究得出了几个非常关键的成果。首先，针对低至中度缺失的大型数据集，基于 Transformer 的深度学习方案在修复准确性上明显超越了传统基准机器学习算法。其次，也是特别值得关注的一点，当数据量较少或者错误率极高时，领域规则起到了不可替代的托底作用，显著保障了系统的稳健性。最后，这项研究不仅在合成数据和真实业务日志中完成了严格测试，还通过了与21位行业专家的深度访谈验证，证明它在实际企业环境中具备极高的实用价值。
Host: 这确实令人振奋。Alex，从商业价值和企业落地角度来看，这项研究对企业高管和数字化转型团队意味着什么？
Expert: 它的商业意义非常深远。在大多数数字化转型和流程挖掘项目中，数据清洗和准备往往耗费高达70%到80%的项目预算与时间。这项研究证明，生成式 AI 不仅可以用来写文案或做客服，更能深入企业底层架构，将繁琐昂贵的数据治理任务高度自动化。通过人机协同的方式，企业不仅能大幅缩短从数据准备到获得业务洞察的周期，还能显著降低工程成本，确保流程优化决策建立在真实、可信的数据基础之上。
Host: 总结来说，这项研究通过将 Transformer 架构的强大感知力与专家的业务智慧相结合，为破解企业数据质量难题提供了一条既高效又安全的新路径，让原本碎片化的日志真正转化为可靠的生产力。
Host: 非常感谢 Alex 今天的深度拆解。
Expert: 很高兴能与大家分享这项出色的研究成果。
Host: 也感谢大家的收听。这里是 A.I.S. Insights — powered by Living Knowledge。关注我们，带您洞悉前沿科技如何重塑商业未来。我们下期节目再见！
Process mining, Event log repair, Generative artificial intelligence, Transformers, Data quality, Business process management