BayVFP-Projekt KIGA
Projektbeschreibung
Ziel des Projektes ist es mit einem hybriden KI-Ansatz des Maschinellen Lernens komplexe ganzheitliche Geschäftsprozesse mit semantischen Methoden des Process Mining zu analysieren. Durch Verfahren der erklärbaren Künstlichen Intelligenz (EKI) in Form interaktiver Dashboards soll die Nachvollziehbarkeit und Transparenz der Prozessmodelle verbessert werden und deren Verfeinerung und Korrektur durch einen Human-in-the-loop Ansatz realisiert werden. Im Detail soll domänenspezifisches Hintergrundwissen aus ERP-Systemen und von Fachexperten genutzt und explizit als Knowledge Graph repräsentiert werden. Das zugrundeliegende Datenmodell des Ereignislogs soll um semantische Meta-Informationen angereichert werden (semantisches Event Log), um kausale sowie hierarchische Zusammenhänge zwischen Ereignissen und Prozessen explizit darzustellen und in der Prozessrekonstruktion zu nutzen. Basierend auf Ansätzen des Maschinellen Lernens sollen bestehende Process Discovery Verfahren adaptiert werden, als auch als spezialisierte deklarative Lernverfahren auf Basis des semantischen Event Logs entwickelt werden. Abschließend soll eine Ergebnisvalidierung der Verfahren anhand Geschäftsprozessen von Partnerunternehmen mit Echtdaten erfolgen.
Forschungsfokus der Universität Bamberg:
- Untersuchung von semantischen Methoden zur Wissensrepräsentation sowie von Schlussfolgerungsmethoden für Process Discovery Ansätze.
- Semantische Repräsentation von Kausalitätsbeziehungen und Prozesseigenschaften in Knowledge Graphen, insb. semantisches Event Log.
- Entwicklung von Machine Learning Verfahren für Process Discovery (White Box Ansatz) mit Methoden des induktiven logischen Programmierens (ILP).
- Verfahren des erklärbaren interaktiven Machine Learnings für intelligente Dashboards mit einen Human-in-the-loop Ansatz.
- Durchführung von Studien und Experimenten im Rahmen einer Usability-Studie zur Evaluierung der Forschungsergebnisse.
Publikationen
- Christian Dormagen, Jonas Amling, Stephan Scheele, and Ute Schmid. Explaining Process Behavior: A Declarative Framework for Interpretable Event Data. Accepted for publication in: Proceedings of the 3rd World Conference on eXplainable Artificial Intelligence (XAI 2025), Late-Breaking Work Track.
- Jonas Amling, Emanuel Slany, Christian Dormagen, Marco Kretschmann, and Stephan Scheele. Bridging the Interpretability Gap in Process Mining: A Comprehensive Approach Combining Explainable Clustering and Generative AI. Accepted for publication in: Proceedings of the 3rd World Conference on eXplainable Artificial Intelligence (XAI 2025), Main Track.
- Christopher Lorenz Werner, Jonas Amling, Christian Dormagen, and Stephan Scheele. ClustXRAI: Interactive Cluster Exploration and Explanation for Process Mining with Generative AI. Accepted for publication in: Proceedings of the 3rd World Conference on eXplainable Artificial Intelligence (XAI 2025), Demonstrator Track.
- Christian Dormagen. Towards Semantic-driven, Declarative and Interactive Process Mining. In: Proceedings of the ICPM 2023 Doctoral Consortium and Demo Track. CEUR Workshop Proceedings, vol. 3648, CEUR-WS.org, 2023. Available at: https://ceur-ws.org/Vol-3648/paper_6521.pdf.
- Zineddine Bettouche. Transforming Process Mining: A Transformer-Based Approach to Semantic Clustering in Event Log Analysis. In: Proceedings of the ICPM 2023 Doctoral Consortium and Demo Track. CEUR Workshop Proceedings, vol. 3648, CEUR-WS.org, 2023. Available at: https://ceur-ws.org/Vol-3648/paper_7661.pdf.
Studentische Projekte
Wir sind immer auf der Suche nach Studenten, die einen Beitrag zum Projekt KIGA in Form einer Abschlussarbeit, eines Projekts oder als studentische Hilfskraft leisten möchten. Wenn Sie Interesse haben, können Sie sich gerne an uns wenden.