Search

ResumenLa minería de procesos tiene como objetivo el descubrir, monitorear y mejorar los modelos de procesos de una organización a través de la extracción del conocimiento a partir de los datos contenidos en los registros de eventos. En algunos casos, dentro de la tarea de descubrimiento de modelos de procesos, el modelo minado puede ser difícil de comprender e interpretar debido a la diversidad de comportamientos identificados. En este artículo se presenta un enfoque basado en técnicas de aprendizaje no supervisado para la agrupación de trazas para generar modelos más simples y compresibles. Los algoritmos implementados para la agrupación son K-medias, jerárquico aglomerativo y agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN). En nuestra propuesta se realiza la sintonización o selección de los mejores parámetros para cada algoritmo de aprendizaje no supervisado, usando la métrica Silhouette para mejorar el agrupamiento de trazas, con lo cual se pueden descubrir modelos de procesos simples con una aptitud media aceptable. Para la validación de nuestra propuesta, las pruebas realizadas se centraron en un caso de estudio del sistema de facturación del hospital AMC, obteniendo al algoritmo jerárquico con mejor desempeño y obtenido una aptitud media de 0.7876.Palabras Claves: Agrupamiento de trazas, minería de procesos, modelos espagueti, registro de eventos. AbstractProcess mining techniques aim to discover, monitor and improve the processes performed by an organization through the extraction of knowledge from the data contained in the event logs. In some cases, within the task of discovery of business process models discovered can be difficult to understand and interpret because of the large number of behaviors identified. This article presents an approach based on unsupervised learning techniques for clustering trace to generate simpler and more compressible models. The algorithms implemented for clustering are K-means, hierarchical agglome

Las redes neuronales recurrentes de tipo Memoria a Corto y Largo Plazo (LSTM) proporcionan una alta precisión en la predicción del modelado de secuencias en varios dominios de aplicación. En este artículo se introduce el uso de redes LSTM para la predicción de actividades de un proceso de negocio, etapa importante dentro del descubrimiento de procesos de negocio en la minería de procesos. Se propone una metodología para la implementación de la red LSTM en el dominio de minería de procesos. La red neuronal LSTM es entrenada con diferentes registros de eventos para comparar su tasa de exactitud, los registros de eventos presentan diferente cantidad de trazas, número de casos y total de actividades. La tasa de exactitud obtenida en el entrenamiento de la red neuronal es aceptable de acuerdo a la literatura del dominio, así como la validación de la precisión en la predicción de la siguiente actividad.The Long Short-Term Memory (LSTM) Recurrent Neural Networks provide a high precision in the prediction of the modeling of sequences in several application domains. This article introduces the use of LSTM networks for the prediction of activities in a business process, an important step in the discovery of business processes in process mining. A methodology for the implementation of the LSTM network in the process mining domain is proposed. The LSTM neural network is trained with different event logs to compare its accuracy rate, the event logs contain a different number of traces, number of cases and total activities. The accuracy rate obtained in the training of the neural network is acceptable according to the literature of the domain, as well as the validation precision in the prediction of the next activity.