Pierre Cry
Les systèmes d’information modernes génèrent en continu de vastes volumes de données d’événements, qui offrent un enregistrement détaillé de la manière dont les processus sont exécutés en pratique. Le “Process Mining” s’appuie sur cette idée en dérivant des modèles de processus à partir de journaux d’événements, c’est-à-dire des collections structurées d’événements où chacun consigne l’exécution d’une activité au sein d’une instance de processus. Alors que les techniques classiques de découverte se concentrent sur la perspective du flux de contrôle, soit les relations d’ordre et de branchement entre activités, elles négligent généralement la dimension stochastique des processus, à savoir la probabilité avec laquelle différents comportements se produisent. Cet aspect probabiliste est pourtant crucial pour l’analyse de performance, le suivi prédictif et l’aide à la décision. Ce séminaire aborde le problème de la découverte de processus stochastiques, qui vise à construire des modèles capables de reproduire à la fois les relations structurelles entre les activités et la distribution de probabilité des comportements observés. Dans cette perspective, je présenterai deux approches complémentaires, fondées respectivement sur l’optimisation et sur l’inférence statistique. Ces méthodes sont intégrées au sein d’une mécanique de découverte automatique permettant de construire des modèles stochastiques à partir de journaux d’événements et de reproduire ainsi les dynamiques probabilistes des systèmes étudiés.
— ENGLISH VERSION —
From Event Logs to Probabilistic Models: Methods for Stochastic Process Discovery
Modern information systems continuously generate vast amounts of event data, which provide a detailed record of how processes are executed in practice. Process mining builds on this idea by deriving process models from event logs, that is, structured collections of events where each event records the execution of an activity within a process instance. While traditional discovery techniques focus on the control-flow perspective, the ordering and branching relations between activities, they usually neglect the stochastic dimension of processes, which concerns the likelihood with which different behaviours occur. This probabilistic aspect is, however, crucial for performance analysis, predictive monitoring, and decision support. This seminar addresses the problem of stochastic process discovery, which aims to construct models capable of reproducing both the structural relationships between activities and the probability distribution of the observed behaviours. In this context, I will present two complementary approaches, based respectively on optimisation and statistical inference. These methods are integrated into an automated discovery framework that enables the construction of stochastic models from event logs and, ultimately, the reproduction of the probabilistic dynamics of the systems under study.