Universität Bamberg
Suche öffnen
Sie befinden sich hier:

Fakultät Wirtschaftsinformatik und Angewandte Informatik

Lehrstuhl für Kognitive Systeme

  1.  Otto-Friedrich-Universität Bamberg
  2. Fakultäten
  3. Wirtschaftsinformatik und Angewandte Informatik
  4. Professuren und Lehrstühle
  5. Angewandte Informatik
  6. Lehrstuhl für Kognitive Systeme
  7. Forschung
  8. Projekte
  9. BayVFP-Projekt KIGA

BayVFP-Projekt KIGA

Projektbeschreibung

Ziel des Projekts ist es, semantische Methoden im Process Mining zu entwickeln, um Geschäftsprozesse ganzheitlich, transparent und nachvollziehbar zu analysieren. Im Mittelpunkt steht dabei die semantische Anreicherung von Ereignisdaten, durch die Prozesskontexte und Zusammenhänge explizit modelliert werden können. Dazu wurde ein sogenanntes Semantic Event Log entwickelt, das domänenspezifisches Wissen strukturiert erfasst und mit ontologiebasierten und deklarativen Methoden anreichert. Dieses bildet die Grundlage für neuartige Verfahren der erklärbaren Künstlichen Intelligenz (XAI) im Process Mining. Auf dieser Basis wurden unter anderem folgende technische Ergebnisse erzielt:

  • Erklärbare Clusteringverfahren, die Prozessinstanzen transparent gruppieren und deren Unterschiede regelbasiert beschreiben

  • Ein LLM-gestütztes Erklärungsmodul, das Prozessmuster und Kennzahlen automatisch in verständlicher Sprache erklärt

  • Die Integration aller Komponenten in ein interaktives Dashboard, das eine intuitive Analyse durch Fachanwender:innen ermöglicht

  • Ein modularer Demonstrator zur Anwendung der entwickelten Methoden auf reale Unternehmensprozesse

Durch diese Ansätze werden Prozessanalysen nicht nur datengetrieben, sondern auch nachvollziehbar und anschlussfähig für Unternehmen.

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.

Video: ClustXRAI: Interactive Cluster Exploration and Explanation for Process Mining with Generative AI

Links to a video on youtube

Projektposter

J. Amling, C. Dormagen, S. Scheele (2025): Erklärbares Process Mining - KMU-KI-Erfahrungszentrum

C. Werner, J. Amling, C. Dormagen & S. Scheele (2025): ClustXRAI: Interactive Cluster Exploration and Explanation for Process Mining with Generative AI.

C. Dormagen, J. Amling, S. Scheele & U. Schmid (2025): Explaining Process Behavior: A Declarative Framework for Interpretable Event Data.

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.
  • Jonas Amling, Stephan Scheele, Emanuel Slany, Moritz Lang, and Ute Schmid. Explainable AI for Mixed Data Clustering. In: Longo, L., Lapuschkin, S., Seifert, C. (eds.) Explainable Artificial Intelligence - 2nd World Conference, xAI 2024, Proc., Part II. Commun. Comput. Inf. Sci., vol. 2154, pp. 42–62. Springer (2024). https://doi.org/10.1007/978-3-031-63797-1_3
  • Anjali Singh, Zineddine Bettouche, and Andreas Fischer. Synthetic Training-Data Generation for ML-based Process Mining Tools. In: Proceedings of the 14th International Conference on Advanced Computer Information Technologies (ACIT 2024). IEEE, 2024. https://doi.org/10.1109/ACIT62333.2024.10712516
  • 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.