Резюме исследования

Сегодня мы рассматриваем исследование Венского университета экономики и бизнеса, Гумбольдтовского университета в Берлине и Вайценбаумского института. Авторы затрагивают возможности и вызовы использования больших языковых моделей в управлении бизнес-процессами

Статья посвящена возможностям применения больших языковых моделей (LLM) в управлении бизнес-процессами (BPM). Их возможности также открывают перспективы для управления бизнес-процессами, однако эти возможности до сих пор не были систематически исследованы.

В данной статье авторы решают исследовательскую задачу, акцентируя внимание на различных задачах управления жизненным циклом BPM. Авторы исследуют, как LLM могут поддерживать различные задачи на этапах жизненного цикла BPM: идентификация, открытие, анализ, перепроектирование, внедрение и мониторинг. Выделяются проблемы, которые необходимо решить при использовании больших языковых моделей, включая рекомендации по применению для практиков.

Основные выводы:

    • LLM могут быстро анализировать большие объемы текстов и извлекать релевантную информацию о процессах компании.
    • LLM позволяют частично или полностью автоматизировать открытие процессов из документации, коммуникаций и интервью.
    • LLM могут помочь аналитикам в поиске проблем в процессах и предложить варианты оптимизации.
    • Перспективно использование LLM для генерации описаний и визуализаций процессов, создания чат-ботов и оркестровки.
    • Требуются дополнительные исследования в области применения LLM в BPM.

Методология исследования

Исследование носит по большей части теоретический и обзорный характер. Авторы опираются на свой опыт в области BPM и анализируют возможности интеграции технологий LLM.

Авторы статьи использовали следующую методологию исследования:

  • 1. Формирование теоретической базы. Были проанализированы основные концепции областей ИИ, нейросетей, больших языковых моделей (LLM). Изучены последние достижения в этих областях, включая модели GPT.

  • 2. Изучение BPM. Систематический обзор задач на этапах жизненного цикла BPM. Подробно рассмотрен жизненный цикл BPM, его этапы и связанные с ними задачи. Проанализированы способы применения ИИ и NLP в BPM на сегодняшний день.

  • 3. Выделение возможных сценариев применения LLM. Авторы систематически рассмотрели, как LLM могут быть задействованы на каждом этапе жизненного цикла BPM. Были предложены конкретные идеи использования по данным этапам.

  • 4. Формулировка направлений исследований. Формулирование концепций применения LLM для поддержки этих задач. На основе выявленных возможных сценариев были сформулированы 6 ключевых направлений исследования применения LLM в BPM.

  • 5. Детальный анализ направлений. Выделение перспективных направлений будущих исследований. Каждое направление было подробно рассмотрено, указаны исследовательские задачи и ожидаемые результаты.

  • 6. Обсуждение вызовов. Были выделены основные технические и организационные вызовы использования LLM, которые требуют дальнейшего изучения.

  • 7. Заключение и дальнейшая работа. Сделаны выводы о перспективах LLM для бизнеса и BPM. Определены направления последующих исследований.

Подпишитесь на нашу рассылку.

Для получения уведомлений о появлении новых статей

Основные результаты исследования:

Авторы предложили множество сценариев использования LLM в BPM:

Идентификация процессов

Поиск в документации, определение важности. В стадии идентификации (Identification) LLM могут помочь извлечь информацию о процессах из разного рода внутренней документации организации. Предоставив LLM весь имеющийся набор документов (юридические документы, описания должностей, внутренние базы знаний и руководства), модель может выявить осуществляемые в организации процессы и классифицировать документы по процессам. LLM может оценить стратегическую значимость процессов, исходя из количества и типов документов, ссылающихся на них, а также извлечь метрики процессов из их описаний. При наличии информации об информационных системах, поддерживающих процессы, или других KPI, модель сможет также оценить состояние процессов и отобрать наиболее приоритетные для улучшения. Например:

  • LLM могут сканировать и суммировать большие объемы текста, такие как внутреннюю документацию, чтобы идентифицировать процессы (Это могут быть юридические документы, должностные инструкции, рекламные объявления, внутренние базы знаний и справочники).
  • Они могут классифицировать документы в соответствии с описываемыми ими процессами.
  • LLM могут оценить стратегическую важность процессов и определить приоритеты для их дальнейшего улучшения.

Обнаружение

Извлечение моделей из текстов, логов, интервью. LLM позволяют получить детальное понимание внутренних механизмов организации.

  • Извлечение из документов: LLM могут извлекать модели процессов из гетерогенных источников, таких как документация и описания должностей, представляя их в текстовом, списочном или графическом (BPMN) формате с разным уровнем детализации.
  • Анализ логов коммуникаций: LLM анализируют электронную переписку и чаты участников процессов, выделяя из них шаблоны, которые можно интерпретировать как этапы процесса.
  • Чат-бот для интервью: LLM предоставляют интерфейс в виде чат-бота, позволяя экспертам делиться информацией асинхронно. Эта информация затем используется для построения и валидации моделей процессов.
  • Автоматизация обнаружения: LLM могут автоматически обнаруживать процессы и закономерности из документации, журналов событий или коммуникаций, таких как электронная почта и чаты сотрудников.
  • Генерация моделей: На основе анализа источников данных, LLM способны генерировать описания или модели процессов.
  • Валидация и коррекция: LLM также могут проверять качество созданных моделей процессов и предлагать необходимые исправления.

Анализ

LLM предоставляют инструменты для глубокого анализа процессов, выявления и устранения проблем на основе текстового контента различных источников. Возможности LLM в анализе:

  • Выявление проблем: LLM анализируют текст из различных источников (соцсети, сервисы поддержки и др.) для определения жалоб и проблем в процессах.
  • Локализация причин: Получив информацию о проблемах и моделях процессов, LLM могут предполагать задачи, которые потенциально вызывают проблемы.
  • Поиск закономерностей: LLM способны находить закономерности в больших объемах неструктурированного текста, помогая выявить проблемные места в процессах.
  • Определение проблемных зон: LLM могут указать на часть процесса, вызывающую проблему, и предложить потенциальные решения.
    Анализ – поиск проблем по отзывам, определение проблемных задач.

Реинжиниринг

LLM предоставляет ряд ключевых возможностей для улучшения и оптимизации бизнес-процессов.

  • Усовершенствование процессов: LLM анализирует детальные описания процессов и методы реинжиниринга, предлагая эффективные варианты улучшений и устраняя ранее выявленные проблемы.
  • Применение различных методов: LLM может применять разные методы реинжиниринга, предоставляя аналитику наборы предложений по каждому методу для выбора наиболее подходящих решений.
  • Адаптивная переработка: LLM корректирует процессы на основе выявленных проблем и общих методов улучшения процесса.
  • Зависимость от данных: Качество оптимизации процесса LLM зависит от качества предоставленных данных.

Внедрение

Создание описаний и чат-ботов по моделям процессов. Внедрение LLM в процесс позволяет обеспечить глубокое понимание и интерактивное взаимодействие с моделями BPMN. Эти возможности трансформируются в удобные инструменты для разработчиков и конечных пользователей.

  • Текстовые объяснения: LLM предоставляет текстовые описания моделей BPMN с разной степенью детализации в зависимости от целевой аудитории.
  • Трансформация требований: Текстовые объяснения могут быть преобразованы в требования для разработчиков программного обеспечения.
  • Чат-бот для взаимодействия: LLM может взаимодействовать с пользователями через чат-бот, предоставляя специфические описания моделей процессов, руководства и отвечая на вопросы.
  • Оркестратор процесса: LLM может выполнять процесс, вызывая другие API и назначая задачи, действуя как оркестратор процесса.

Мониторинг

Отслеживание показателей и оповещение о проблемах. Это инновационный подход к мониторингу процессов через чат-бота, позволяя пользователям легко и быстро получать информацию о ключевых показателях эффективности.

  • Диалоговый доступ к KPI: LLM обеспечивает прямой диалоговый доступ к основным KPI процессов, исключая необходимость в дополнительной визуализации.
  • Мониторинг реализованных процессов: На этапе мониторинга отслеживается эффективность реализованных процессов, обеспечивая оперативное управление и сбор данных для будущих итераций.
  • Чат-бот для панелей мониторинга: LLM может функционировать как чат-бот для панели мониторинга, предоставляя пользователям актуальную информацию о статусе процессов.

  • – Показатели риска на основе GPT лучше объясняли волатильность цен акций по сравнению с существующими словарными методами подсчета биграмм.

  • – Оценки рисков на основе общих знаний модели GPT оказались более информативными, чем простые резюме рисков. Это подтверждает ценность использования общих знаний ИИ.
  • – Показатели риска хорошо объясняли такие решения компаний, как снижение инвестиций в ответ на политические и климатические риски.
  • – Компании также корректировали свое поведение в ответ на конкретные риски: увеличивали лоббистскую деятельность в ответ на политический риск, патентовали “зеленые” технологии в ответ на климатический риск и патентовали технологии ИИ в ответ на риск, связанный с ИИ.
  • – Риск, связанный с ИИ, становился все более важным с течением времени, что отражает возросшее значение технологий ИИ.
  • – Экологические и технологические риски, измеренные с помощью GPT, командовали значительными риск-премиями на рынке акций.

Основной вывод

LLM открывают новые перспективы автоматизации задач BPM. Но есть проблемы надежности моделей и нехватки специализированных данных.

Необходимы дополнительные исследования практического применения LLM в BPM проектах, разработка руководств по использованию моделей, создание специализированных наборов данных и эталонных тестов.

Перспективно сочетание LLM с существующими инструментами BPM для повышения эффективности. Требуются модели, ориентированные конкретно на задачи BPM.

Подпишитесь на нашу рассылку.

Для получения уведомлений о появлении новых статей