딥러닝 아키텍처는 방대한 데이터셋에서 통찰을 추출함으로써 인간의 의사결정을 보다 합리적이고 민첩하며 정확한 예측으로 향상시킨다. 최근 비즈니스 프로세스 관리 분야에서는 예측 프로세스 모니터링을 지원하기 위해 딥러닝을 점점 더 활용하고 있으며, 여기에는 다음 활동 예측, 잔여 시간 추정, 작업량(워클로드) 예측과 같은 작업이 포함된다. 본 논문에서는 개별 프로세스 인스턴스의 시간적 순차열에서 후속 활동을 예측하기 위한 새로운 프레임워크를 제안한다. 우리의 방법은 전문가 혼합(mixture-of-experts) 메커니즘을 Switch-Transformer 신경망 아키텍처와 통합하며, 모델은 과거의 프로세스 수행 로그를 사용하여 처음부터(end-to-end) 학습되어 다가올 활동의 확률을 추정한다. 또한 예측된 활동은 실행 중인 각 프로세스 인스턴스에 대해 그 순차적 순서를 보존하는 시간 그래프로 시각화한다. 이러한 시각화는 예측 프로세스 모니터링 패러다임과 그에 기반한 의사결정 워크플로를 명확히 할 뿐 아니라, 비즈니스 프로세스 모니터링 운영에서의 위험 평가 및 분석을 간소화한다. 제안한 접근법의 운영 효율성을 검증하기 위해, 선행 연구에서 흔히 사용되는 합성 및 실제 프로세스 이벤트 로그 데이터셋 모두에 대해 광범위한 실험을 수행하였다. 그 결과, 본 방법은 예측 정확도 측면에서 기존 기법을 능가할 뿐 아니라 실제 환경에서의 사용성 및 실용적 적용 가능성 또한 더 우수함을 보여준다.

프로세스의 라이프사이클을 관리하는 과정에서 프로세스 모델의 리엔지니어링을 효과적으로 수행하기 위해서는, 프로세스 마이닝 시점에 발견된 프로세스 모델의 제어 흐름 게이트웨이-활동 형성(control-flow gateway-activity formations)에 대한 질적 수준을 가능한 한 높게 유지하는 것이 중요하다. 그러나 거의 모든 기존 프로세스 마이닝 시스템은 더 높은 수준의 질적 형성을 발견하는 데 있어 일관된 기능을 거의 보장하지 못한다. 품질 문제를 제쳐 두더라도, 그들 중 일부는 부정확한 형성을 발견하는 문제까지 겪는다. 따라서 본 논문은 프로세스 마이닝 시점에 구조적 형성(structural formations)이 형성되는 과정에 부정적인 영향을 미쳐, 발견된 프로세스 모델의 제어 흐름 게이트웨이-활동 형성의 질적 수준을 저하시키는 강력한 효과를 발휘할 수 있는, 프로세스 로그 데이터셋 내의 소규모 트레이스 집합을 탐지하기 위한 알고리즘적 접근을 고안하고자 한다. 구체적으로, 본 논문은 프로세스 로그 데이터셋 내에 ‘구조적 이상-트레이스(structural anomaly-trace) 유형’으로 명명되는 새로운 유형의 예외 트레이스를 정식으로 제시하고, 이에 연관된 일련의 개념적 정의를 형식적으로 정의한다. 다음으로, 구조적 이상-트레이스를 자동으로 탐지하기 위한 알고리즘적 접근을 설명하고, 4TU Center for Research Data에서 제공되는 Customer Summary 프로세스 로그의 예시 데이터셋으로 동작하는 구현된 프로세스 마이닝 시스템을 통해 그 기능적 정확성을 검증한다. 마지막으로, 본 논문은 프로세스 마이닝 시점뿐만 아니라 프로세스 라이프사이클 관리 체계(process lifecycle management scheme)의 프로세스 리엔지니어링 시점에서, 제안된 접근의 실행 가능성과 효과를 검증하고 논의한다. 프로세스 인지 기업 및 조직에서의 적용 가능성을 포함한다.