ビジネスプロセスのテキストデータを用いた予測監視

プロセス・マイニングはビジネスに関する知識・情報が蓄積された文書（テキストファイル）が活用されます。
例えば、業務を総合的に管理するERP（Enterprise Resource Planning）から得られるイベントログや、物流を統合的に管理するSCM（Supply Chain Management）から得られる物流データなど、多くの業務を記すデータがプロセス・マイニングの対象となります。

データ取得元のシステムによってフォーマットは異なるものの、多くのデータは取引ID・業務ID・タイムスタンプ・処理結果などを含む表として表すことができるテキストデータや、時系列で製造量や取引量などを示す数値をメインとするテキストデータであることが多いです。
そのため、これまでのプロセス・マイニングの手法は上述したような構造化された数値データやカテゴリデータを得意としており、電子メールや文書のような自然言語で作成されたデータが重要な情報を持っている場合に正確な予測を行うことに限界がありました。

つまり作業の各工程を数値や表（テーブルデータ）といった形のイベントログとして残している場合にはプロセス・マイニングが行えましたが、特にそういったログを残しておらず、文章でドキュメント化していた場合にはそのデータを活用することが難しい状況でした。

このような限界を克服するために、プロセス・マイニングの世界で権威のあるドイツのアーヘン工科大学PADS（Process and Data Science）研究グループの『Text-Aware Predictive Monitoring of Business Processes』という論文では、自然言語モデルと時系列データを扱える再帰型のモデルを組み合わせた新しい手法が提案されました。これまで自然言語処理とプロセス・マイニングの分野が交差された手法はめずらしく、かつ有用性が示されています。

実際に、実世界のプロセスデータ（イベントログなど）を使いこの手法を評価したところ、扱えるデータの幅が広がったことで、最先端のプロセス・マイニング手法よりも優れたパフォーマンスを示すことができたそうです。この手法を用いることで、特に日本ではまだプロセス・マイニングが一般化しておらず、企業でも業務のデータを適切な形で十分に取得できていない現状もあるかと思います。そういったケースで、この自然言語もプロセス・マイニングに活用できる手法の活用ができるのではないかと考えます。

出典：Text-Aware Predictive Monitoring of Business Processes
キャプション：Fig. 2: Overview of the text-aware process prediction model. 
https://arxiv.org/pdf/2104.09962.pdf

深層強化学習を活用したAIによるリソース配分

組織の戦略的目標をサポートするために必要なリソース（資産）を割り当てて管理することは、重要なバックエンド業務のひとつです。企業は有形・無形資産を含む限られたリソースを最大限に活用し利益を最大化する必要があります。そのためリソースの分配作業はBPMの観点からも重要なプロセスといえます。BPMの注目や人気にともない、リソース分配の自動化や効率化がここ10年間でより注目されるようになり、その注目度は発表された科学論文の数にも反映されています。

AIの専門学部を持ちポーランドのAI研究の中核を担うワルシャワ工科大学より発表された『Deep Reinforcement Learning for Resource Allocation in Business Processes』では、ビジネスプロセスにおけるリソース配分を目的として、深層強化学習を二重に適用した手法を提案しています。
リソースの配分を目的とした自動化では、これまでルールベースのアルゴリズムやLSTMといった時系列に対応したAIモデル、そして近年は価値を最大化するような行動を学習できる強化学習モデルが活用されてきました。

深層強化学習はディープラーニングを活用し、価値を最大化するような意思決定を行うことが可能なモデルです。
そのため、リソース配分を行いたい特定のビジネスプロセスに関するタスクの一覧など、データを深層強化学習に使用することでその各タスクに対し、ビジネスプロセスの複数の適格性を考慮しながらリソースを割り当てるポリシーを作成することが可能となります。
この論文の手法の新規性は深層強化学習のネットワークを二重で適用したところにあり、これまでの手法と比較しても大幅な精度向上が可能となりました。

出典：Deep Reinforcement Learning for Resource Allocation in Business Processes
キャプション：Fig. 1: Training architecture diagram.
https://arxiv.org/pdf/2104.00541.pdf

自動化のための会話型アシスタントフレームワーク

ビジネスプロセスの自動化（BPA）は数十億ドル規模の急成長を遂げている業界です。おかれた環境に合わせた行動選択が可能なシステムを自律型エージェントと呼びますが、この自律型エージェントの導入により、労働者が危険なタスクをすることを回避でき、より労働者の時間と頭脳の力を創造的で魅力的なタスクに使用することが可能となります。
ただし、このような自律型エージェントの展開を成功させるためには、ユーザーが自律型エージェントのパフォーマンスを監視し、実行を独自カスタマイズできることが不可欠となります。

IBMのAIの研究所が発表した『A Unified Conversational Assistant Framework for Business Process Automation』では、自律型エージェントに構成できるスキルの種類と、これらの自律型エージェントをどのように自動化するかを議論し、さらに自然言語によるデータ検索、ビジネスプロセスにおけるタスクの自律的な実行、アラート通知など、複数の機能をサポートする会話型アシスタントを開発するためのマルチエージェントフレームワークを紹介しています。自律型エージェントの普及が進むことで自動化できない、人の創造性や頭脳が必要なタスクにフォーカスできるようになるため、バックエンド業務でも、よりビジネスプロセスの最適化に繋がります。

BPAのための会話アシスタントのフレームワークは、図に示すように、スキル、エージェント、オーケストレーターの3つの主要コンポーネントで構成されています。

出典：A Unified Conversational Assistant Framework for Business Process Automation
キャプション：Figure 1:Multi-agent Orchestration Overview
https://arxiv.org/pdf/2001.03543.pdf

スキル(Skills)は、定義されたタスクを実行するもので、自律型エージェント(Agents)は、理解スキル、行動スキル、応答スキルの3つの主要なカテゴリに分類されるスキルで構成されたものです。
オーケストレーター(Orchestrator)は、自律型エージェント間の調整を行い、ユーザーにうまく応答するために、どの自律型エージェントが実行されなければならないかを決定します。

自律型エージェントがユーザーに応答する能力は、オーケストレーターの内部で回答のスコアを保持することで、より精度が高くパフォーマンスが高い自律行動を返却することが可能です。
スコアは「どれだけ自信があるか」を示しており、このスコアを元にオーケストレーターは1つまたは複数のエージェントを選択し、その応答を実行し、ユーザーに返します。

この提案を行ったIBMの『A Unified Conversational Assistant Framework for Business Process Automation』では、このようなフレームワークをベースに、出張旅費の事前申請・承認プロセスをSlack内で簡略化するアシスタントの実装例などが紹介されています。
この出張事前申請・承認についてはチャットボットを組み込んだビジネスプロセス管理ソフトウェアとして活用しています。申請者や承認者を判断し、それぞれに対応した申請・承認フェーズのうち今はどのプロセスかも判断し、申請・承認業務がシンプルになるようなサポートを実施しています。

関連記事

＊テックブログAI女子部＊
【教育×AI】教育に関わるさまざまな課題をAIで解決した例３選

＊テックブログAI女子部＊
【交通業界×AI】監視負荷の軽減！さまざまな自動監視AI事例

＊テックブログAI女子部＊
視線データ×AI活用！アイトラッキングが起こした３つの社会変化