본 논문은 프로세스 마이닝 방법론에서 사용 가능한 새로운 발견(discovery) 접근법을 제시하며, 이를 통해 일련의 Structured Information Control Net (SICN) 프로세스 모델을 점진적으로(Incrementally) 도출하는 과정을 용이하게 한다. 각 모델은 대규모이며 분절된(process log) 프로세스 로그 데이터셋에서 시간적 흔적(temporal traces)을 선택적으로 묶어 구성한 세트로부터 발견되며, 그에 대응하는 원래 프로세스 모델의 생애주기(life-cycle) 관리에 효과적이고 효율적으로 적용될 수 있다. 본 논문은 해당 프레임워크를 개념화하고 시스템을 구현함으로써, 선택된 프로세스 이벤트 로그 trace 그룹 전반에 걸쳐 완전한 제어흐름(control-flow) 구조를 보존하면서 점진적 발견이 수행되도록 하는 실용적 기반을 마련한다. SICN 프로세스 모델링 방법론에 기반한 이 접근법은, 원래의 [Formula: see text]-Algorithm을 확장한 새로운 점진적 gradual [Formula: see text]-Algorithm의 개발에 의해 추가로 뒷받침된다. 원래의 [Formula: see text]-Algorithm은 프로세스 수행(event enactment) 이벤트 로그와 이력(histories) 데이터셋으로부터 SICN 프로세스 모델을 추출하기 위해 검증된 프로세스 마이닝 기법이다. 제안된 접근법은 복잡하고 대규모의 비즈니스 프로세스 모델의 생애주기를 관리하는 데 특히 유리하며, 확장성(scalability)과 효율성(efficiency) 모두를 제공하는 문제에 대응한다. 결론적으로, 본 논문의 주요 목적은 일련의 SICN 프로세스 모델을 발견하고 시각화하는 데 있으며, 각 모델은 대규모이면서 분절된 프로세스 로그 데이터셋 내에서 시간적 trace-groups를 선택적으로 고른 뒤 점진적으로 발견되며, 선형(순차)·분기(disjunctive, exclusive-OR)·병렬(conjunctive, parallel-AND)·반복(repetitive, iterative-LOOP)과 같은 네 가지 기본 프로세스 패턴으로부터 도출된 조합적 구성요소(combinational building blocks)로 완전하고 안전하게(매칭 페어링(matched pairing) 및 적절한 중첩(proper nesting) 성질) 구성된다. 제안된 접근법과 시스템의 개념적 견고성 및 기능적 정확성을 검증하기 위해 세 가지 실험을 수행한다. 이 실험들은 합성된 비(非)잡음(non-noisy) 데이터셋과 실제 세계의 데이터셋을 사용하여 접근법을 평가하며, 모든 데이터셋은 4TU.ResearchData 저장소를 통해 공개적으로 이용 가능하다. 사용된 데이터셋은 IEEE가 제정한 표준화된 XES (eXtensible Event Stream) 데이터 포맷을 준수한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.