标签
该论文提出了一种由过程挖掘赋能的联邦异常检测流水线,通过计算本地节点与全局节点之间的相似度,在聚合过程中动态调整本地模型的权重,以应对工业物联网中非独立同分布(non-IID)的数据异质性问题。在制造工厂时间序列数据上的实验表明,与独立训练和 FedAvg 相比,该方法的 F1 分数分别提高了 46.52% 和 11.99%,同时误报减少了 51.24%。
一篇论文提出了一种多层人工智能流水线,通过结合微调后的 RoBERTa 实体提取器、基于大语言模型的控制流关系提取和本体填充,将自然语言流程描述转换为 BPMN 图,并报告其关系提取准确率达到 90.7%。
在 MIT Technology Review 的 Business Lab 播客访谈中,Celonis 首席企业 AI 科学家 Devavrat Shah 阐述了为何企业 AI 必须理解业务运营的上下文,才能从试验走向规模化落地。
一支前沿部署工程团队利用流程挖掘 agent 对一家市值 50 亿美元的上市软件公司 CRM 中的真实审批流程进行了审计,发现实际包含 20 个步骤和 7 处循环,而文档记录的仅有 7 个步骤;其中 61% 的请求会回流到起点。该文章主张团队应在部署 AI 之前先梳理并修复破损的流程。
这份指南梳理了「前线部署工程师」(FDE)的打法:他们利用 AI 智能体重构客户公司内部的遗留工作流程——从梳理真实业务流程,到将智能体部署进现有的记录系统。文中还提到 Thrive Holdings 等私募股权机构,通过向旗下投资组合公司派驻 FDE,实现了大幅的效率提升。
本文推导了在添加工作流轨迹时,狄利克雷平滑马尔可夫模型的边际对数似然的精确变化,并使用BPI Challenge 2012数据集评估了预算约束下的轨迹选择方法。
本文提出一种目标驱动的方法,用于分类流程挖掘中的流程变体。该方法利用目标模型和大语言模型(LLMs)解释并分配变体至预定义类别,并在公共日志上进行评估。
本文首次对多任务学习在预测过程监控中的应用进行了全面的实证研究,展示了在下一活动预测和类不平衡缓解方面相较于单任务学习的改进。
介绍了SERUM,一种多遍框架,通过分层VLM标注从原始自我中心视频中提取用户行为和意图的结构化模型,减少幻觉现象,并生成无需人工标注的可解释过程模型。
Trace2Policy 从专家行为痕迹中提取人类可读的决策规则,并通过错误驱动的技能精炼进行迭代优化,在物流领域的合规敏感任务上优于纯LLM基线。
本文介绍了一种基于对齐的全幺模线性规划重构方法,用于一致性检查。该方法通过为具有偏差的长轨迹提供加速,补充了A*搜索。该方法实现了平均38.6%的运行时间节省,选择准确率达到96%。
Flowscope 是一家由 Y Combinator 支持的 AI 原生咨询公司,通过直接集成到现有的企业系统中,部署智能体在几天内完成业务流程的映射、重新设计和自动化。
本文深度解析了 Ramp Labs 研发的 AI 代理电子表格工具 RAMP Sheets,涵盖其从流程挖掘起步的演进路径、基于 Excel 公式优先的透明化智能体架构设计,以及在财务自动化场景中的实际应用。