在数字化转型的浪潮中,AI和ML技术的迅猛发展成为了企业关注的焦点。自2022年11月30日OpenAI震撼发布ChatGPT以来,这一领域的创新变革更是呈指数级增长,激发了企业借助AI和ML实现流程改进的强烈渴望。当下,人工任务的部分自动化已不再是遥不可及的设想,而是真切发生在日常办公中的现实。
以深度集成于Microsoft 365应用程序的Microsoft Copilot为例,它宛如一位智能助手,极大地加速了以往依赖人工完成的任务。在Excel应用场景中,Copilot能够快速分析海量数据,精准创建复杂公式,并提供极具价值的见解,大幅缩短了数据管理的时间成本,降低了对专业知识的依赖程度。在PowerPoint和Word文档的创建过程,以及Outlook的邮件交互中,Copilot同样表现出色,显著提升了工作效率。这些应用案例的共性在于,它们不仅实现了内容的智能生成,还使得人与软件的交互更加自然流畅,趋近于人与人之间的交流模式。
不过,尽管AI在众多领域展现出了强大的赋能作用,但在流程发现和一致性检查等核心流程挖掘算法方面,目前AI(生成和预测)的实际应用效果仍有待提升。虽然传统的流程挖掘技术,如流程发现和一致性检查,难以直接从主流AI和ML方法中获取显著的收益提升,但这并不意味着两者相互排斥。实际上,它们在功能上存在着互补性,共同为流程管理提供支持。
AI/ML技术在事件数据处理环节扮演着关键角色。流程挖掘如同搭建高楼大厦,而结构化的事件数据则是不可或缺的基石,其重要性如同数字之于电子表格。AI/ML技术能够从源系统中高效提取数据,并创造性地生成新形式的事件数据。更为关键的是,它具备将非结构化数据转化为结构化数据的能力。
例如,通过监督学习技术,可以对繁杂的文本消息进行精准分类;利用ML技术,能够准确判断两张扫描发票是否重复,有效避免重复付款的风险;借助LLM(大语言模型),则可以生成SQL代码,从源系统中精确提取所需数据。这些应用实例充分证明,AI/ML技术大大降低了创建事件数据的门槛,为流程挖掘提供了丰富、高质量的数据支撑。
从2005年至2010年,流程挖掘的应用边界不断拓展,逐渐涵盖了一致性检查、决策挖掘、预测等多个重要领域。其中,决策挖掘聚焦于流程中的选择点,通过构建ML模型来预测或解释这些选择。比如,在实际应用中,可以为选择发现决策树,然后将其巧妙转化为活动的逻辑条件,为流程决策提供有力支持。
同时,我们还开发出了利用ML模型预测或解释案件剩余流程时间的技术,这一创新思路同样适用于一致性检查。例如,根据案件的具体特征,运用该技术可以准确预测案件是否会出现偏离,提前做好应对准备。一般而言,创建“情况表”作为ML技术的输入是较为常用的方法,由于简单的表格数据即可满足要求,所以多种ML技术都能在这一过程中得到有效应用,为流程管理提供多元化的分析视角。
生成式人工智能正以前所未有的速度改变着人们与软件的交互方式,流程挖掘软件也不例外。如今,用户期望能够以自然语言与软件进行交互,提出与流程相关的问题。就像ChatGPT能够轻松生成SQL查询一样,现在用户也可以要求流程挖掘工具创建流程相关的查询。比如,“这个生产过程中最大的瓶颈是什么?”“哪些供应商导致了生产延迟?”“这些偏离情况有什么共同点?”等问题,都能通过自然语言输入得到解答。
然而,通用的预训练LLM对流程、组织和特定对象(如客户、供应商等)缺乏深入了解。即便如此,通过两种主要方法,仍能让其有效回答相关问题:一是在不交换特定数据的情况下,LLM依据表等元数据生成查询;二是在提示中添加抽象数据,如将跟踪变体、频率和流动时间,以及直接跟随图(DFG)编码到提示中。此外,还可以采用多种混合方式,例如检索增强生成(RAG)技术,它将提示工程与从外部数据源检索上下文相结合,有效提升了LLM的性能和相关性。GPT - 4更是具备加载和分析CSV、Excel和JSON格式表格数据的能力,不过这需要与OpenAI共享数据。展望未来,利用供应商、客户、产品等信息为组织专门训练LLM,将为挖掘像SAP这样的ERP系统中蕴含的海量组织及其流程信息提供可能。
OCPM提供了一种与系统无关的创新方式,来构造对象和事件信息。源系统以结构化格式存储数据,其中事件类型和对象类型的信息为避免生成式AI常见的“幻觉”问题提供了必要的本体论信息。在处理数据时,我们应充分利用数据结构,而不是将结构化数据与非结构化数据随意混合。
信息系统中的表格包含着结构化信息,可以适当用非结构化数据进行扩充,但绝不能因生成式人工智能而舍弃结构。使用标准化的对象和事件类型统一存储结构化数据是最佳实践,这不仅有助于避免数据处理错误,还能实现联合流程挖掘,让企业之间相互学习先进的流程管理经验。
在某些场景下,LLM可在同一公司不同生产站点间共享数据,在协作网络中,也能更好地协调流程。但如果缺乏某种形式的标准化,LLM的影响力将受到极大限制。因此,以对象为中心的事件数据(OCED)和OCPM是结合结构化和非结构化数据的混合方法的关键推动因素,对于提升流程管理的效率和质量具有重要意义。
以ChatGPT为代表的生成和预测AI无疑将对流程管理产生深远影响,但专用流程挖掘技术依然是成功的关键。正如ChatGPT无法取代计算器等基础工具一样,AI也无法替代流程发现和一致性检查等核心流程挖掘技术。标注有性能和合规性问题的流程模型,对于组织理解和优化流程而言至关重要。
展望未来,企业应先扎实掌握“流程和数据管理基础知识”,再逐步采用更复杂的AI和ML技术。流程管理的未来在于OCPM与AI的平衡融合,以此实现更高效、合规、优化的运营流程,在激烈的市场竞争中脱颖而出。
相关新闻推荐