Mecanismos de atención en aprendizaxe profunda para monitorización preditiva en minaría de procesos

Abstract

A minaría de procesos pon o seu foco en extraer coñecemento a partir dos rexistros de eventos, que conteñen información relativa a diferentes instancias pasadas dun proceso. Non obstante, moitas das metoloxías propostas para isto están fortemente ligadas ao conxunto de datos concreto baixo estudo, o que dificulta a súa xeralización. Fronte a isto, a aprendizaxe profunda proporciona un conxunto de algoritmos de aprendizaxe automático que tratan de atopar abstraccións de alto nivel sobre os datos de entrada. Estas técnicas permitiron acadar melloras significativas no estado de arte en tarefas como a detección de obxectos, recoñecemento de voz ou tradución de textos. Consecuentemente, moitos autores adaptaron diferentes arquitecturas de aprendizaxe profundo para afrontar o problema da monitorización preditiva. Así, mediante o emprego de redes neuronais recurrentes, lograron mellorar significativamente os resultados obtidos mediante técnicas máis tradicionais. Non obstante, no problema da predición do sufixo dunha traza incompleta, isto é, o conxunto de actividades que seguirán, previsiblemente, a unha instancia dun proceso a partir dun punto concreto da súa execución, os resultados acadados ata o momento semellan prometer un importante marxe de mellora. Polo tanto, no presente Traballo de Fin de Grao, estúdanse as limitacións das arquitecturas propostas para afrontar este problema e preséntase unha arquitectura que, mediante a incorporación do mecanismo de atención, afronta as problemáticas identificadas nas aproximacións do estado do arte para a predición do sufixo, avaliando esta sobre un onxunto de rexistros de eventos ampliamente usado pola comunidade científica no contexto da minaría de procesos.