Süreç madenciliğinde tahmine dayalı süreç izleme tekniklerinin kalitesinin açıklanabilir yapay zeka yöntemleri ile değerlendirilmesi
Evaluation of the quality of predictive process monitoring techniques in process mining with explainable artificial intelligence methods
- Tez No: 900350
- Danışmanlar: DOÇ. DR. AYÇA KOLUKISA, DR. ÖĞR. ÜYESİ TUĞBA ERDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Süreç madenciliğinde kullanılan tahmine dayalı süreç izleme (PPM) teknikleri; sürecin sonucu, yürütülecek bir sonraki etkinlik veya kalan çalışma süresi gibi, bir sürecin gelecekteki özelliklerini tahmin etmeyi amaçlamaktadır. Mevcut birçok PPM yaklaşımı, makine öğrenimi (ML) tabanlı tahmin modellerini benimsemektedir. ML modellerinin artan verimliliği ve doğruluğu genellikle artan karmaşıklıkla birleştiğinde, bu modellerin anlaşılabilirliği tehlikeye girer. Açıklanabilir yapay zeka (XAI) yöntemleri, kullanıcılara bir ML modelinin mantık yürütme sürecine ilişkin açıklamalar sağlamak amacıyla ortaya çıkmıştır. Bununla birlikte, PPM kapsamında yapılan seçimler ve kullanılan teknikler de ortaya çıkan açıklamaları etkilemektedir. Bu çalışma, tahmine dayalı süreç izleme alanında açıklanabilir yapay zekanın temel bir anlayışını oluşturmak için literatürü sentezlemektedir. Kullanılan tahmin modellerinin türleri, uygulanan XAI teknikleri ve XAI tekniklerinin ampirik değerlendirme ve geçerliliği analiz edilmektedir. Çalışma, son kullanıcılar için açıklanabilirliğin önemini, metinsel verilerin tahmine dayalı modelleri zenginleştirme potansiyelini ve hem kavramsal hem de ampirik çerçevelerdeki gelişmeleri göstererek PPM'de XAI'nin gelişen yönlerini vurgulamaktadır. Elde edilen içgörüler, daha yorumlanabilir ve güvenilir yapay zeka sistemlerinin tasarlanması için bilgi sağlayabilir ve bu sistemlerin kritik iş süreci yönetimi uygulamalarında benimsenmelerini kolaylaştırabilir. Bu çalışmada, literatür sentezlendikten sonra elde edilen bilgiler ışığında XAI destekli tahmine dayalı süreç izleme adımları oluşturulmuştur. Vaka çalışması kapsamında bu adımlar kullanılarak seçilen bir olay günlüğüne belirlenen tahmine dayalı süreç izleme teknikleri uygulanarak performans metrikleriyle tahminlerin kalitesi ölçülmüş ve belirlenen açıklanabilir yapay zeka yöntemleriyle açıklamalar yapılmıştır. Daha sonra performans metriklerinin sonuçları ve açıklamalarla birlikte, modeller değerlendirilerek hiperparametre optimizasyonu ile gerekli iyileştirmeler yapılmış ve elde edilen sonuçlar paylaşılmıştır. Bu çalışma, tahmine dayalı süreç izleme modellerinin hazırlanması, eğitilmesi, değerlendirilmesi ve XAI yöntemleriyle açıklamaların oluşturulması konularında kapsamlı bir bilgi sağlamaktadır.
Özet (Çeviri)
Predictive process monitoring (PPM) techniques used in process mining aim to predict future attributes of a process, such as process outcome, next activity to be executed, or remaining work time. Many existing PPM approaches utilize machine learning (ML) based prediction models. The increasing efficiency and accuracy of ML models is often combined with increasing complexity, compromising the understandability of these models. Explainable artificial intelligence (XAI) methods have emerged to provide users with explanations of the reasoning process of an ML model. However, the choices made and the techniques used within the scope of PPM also affect the resulting explanations. This study synthesizes the literature to construct a foundational understanding of explainable artificial intelligence in the field of predictive process monitoring. The types of predictive models used, XAI techniques applied, and the empirical evaluation and validation of XAI techniques are analyzed. The study highlights the evolving aspects of XAI in PPM, demonstrating the importance of explainability to end-users, the potential of textual data to enrich predictive models, and advancements in both conceptual and empirical frameworks. The insights obtained can inform the design of more interpretable and trustworthy artificial intelligence systems and facilitate the adoption of these systems in critical business process management applications. In this study, XAI supported predictive process monitoring steps were derived in the light of the information obtained after the literature was synthesized. Within the scope of the case study, by applying the determined predictive process monitoring techniques to a selected event log using these steps, the quality of the predictions was measured with performance metrics and explanations were made with the determined explainable artificial intelligence methods. Then, together with the results of the performance metrics and explanations, the models were evaluated and necessary improvements were made with hyperparameter optimization and the obtained results were shared. This study provides comprehensive information on the preparation, training, evaluation of predictive process monitoring models and the creation of explanations with XAI methods.
Benzer Tezler
- Burdur ili mermer sektörünün kurumsal ve ekonomik yapısı
İnstitutional and economic structure of marble sector in burdur
AHMET SARITAŞ
- Developing process mining algorithms for finding meaningful patterns
Anlamlı örüntülerin bulunması için süreç madenciliği algoritmalarının geliştirilmesi
İSMAİL YÜREK
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA BİRANT
- Akademik başarının makine öğrenmesi yöntemleri ile tahmin edilmesi
Prediction of academic success by machine learning methods
ZEYNEP BARUT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VOLKAN ALTUNTAŞ
- Veri madenciliği nde regresyon ağaçları ile sınıflandırma ve bir uygulama
Classification with regression trees in data mining, and a appiication
GÜLSER DONDURMACI
Doktora
Türkçe
2011
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. NALAN CİNEMRE
- Programlama performansını etkileyen faktörlerin bilişsel tabanlı bireysel farklılıklar temelinde modellenmesi
Modeling the influence of cognitive based individual differences on programming performance
SACİDE GÜZİN MAZMAN
Doktora
Türkçe
2013
Eğitim ve ÖğretimHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. ARİF ALTUN