Navegación

Búsqueda

Búsqueda avanzada

El autor Manuel Mucientes ha publicado 9 artículo(s):

1 - ProDiGen: minando modelos completos, precisos y simples con un algoritmo genético

Un proceso se puede entender como una secuencia de tareas que se llevan a cabo para alcanzar un determinado objetivo. Por ejemplo, en educación, el dise˜no de aprendizaje es un proceso en el que los alumnos deben realizar una secuencia de actividades —escribir en el foro, hacer un examen, etc.— para poder lograr los objetivos pedagógicos del curso. En general, estos procesos están perfectamente detallados, sin embargo, incluso en estas situaciones, pueden existir diferencias entre lo que está sucediendo en el proceso, y lo que se cree que está a suceder en realidad. Por ejemplo, siguiengo el ejemplo del dominio educativo, los alumnos pueden realizar trabajos adicionales, como puede ser revisar la bibliografía o interactuar entre ellos. Es así como el descubrimiento de procesos es necesario para obtener información de qué es lo que está sucediendo en realidad durante la ejecución del proceso, y no lo que creemos que está a suceder. Típicamente, estas técnicas trabajan sobre registros que contienen la información sobre los eventos detectados y almacenados por el sistema de información donde tuvo lugar el proceso. El descubrimiento de procesos tiene como objetivo obtener el flujo de trabajo que mejor representa el comportamiento almacenado en dicho registro. En la última década se han desarrollado decenas de algoritmos que abordan esta problemática de descubrimiento, sin embargo, las técnicas actuales o bien generan modelos difíciles de leer, modelos que no son capaces de representar todo el comportamiento del registro, o bien modelos que no permiten hacer frente a todas las estructuras de control al mismo tiempo. Este artículo describe ProDiGen (Process Discovery through a Genetic algorithm), un algoritmo de descubrimiento de flujos de trabajo que guía su búsqueda en torno a modelos completos, precisos y simples. ProDiGen se basa en una función de fitness jerárquica que tiene en cuenta la completitud, la precisión y la simpicidad, utilizando dos métricas nuevas para los dos últimos criterios. Además, utiliza heurísticas para optimizar tanto el cruce —teniendo en cuenta los errores del modelo minado— como la mutación —guianda por las dependencias causales del log. ProDiGen se ha validado con 111 registros y se ha comparado con cuatro algoritmos del estado del arte, validándo los resultados con test estadísticos no paramétricos. Los resultados muestran una mejora significativa de ProDiGen respecto al resto de algoritmos utilizados en la comparativa.

Autores: Borja Vázquez-Barreiros / Manuel Mucientes / Manuel Lama / 
Palabras Clave:

2 - Algoritmo Híbrido de Composición Automática de Servicios con QoS

En este trabajo se presenta una aproximación híbrida para la composición automática de servicios mediante el emparejamiento semántico de entradas y salidas, optimizando el número de servicios y la calidad de servicio (QoS) de las composiciones. La aproximación propuesta está dividida en 4 fases: 1) generación del grafo de composición para un problema concreto de composición definido mediante entradas y salidas; 2) cálculo de la calidad de servicio óptima en el grafo; 3) optimización secuencial del grafo de composición identificando servicios equivalentes y dominados; 4) búsqueda híbrida para extraer la solución con calidad de servicio óptima y menor número de servicios. Los resultados experimentales con conjuntos de datos del Web Service Challenge 2009-2010 demuestran la efectividad de esta técnica.

Autores: Pablo Rodriguez-Mier / Manuel Mucientes / Manuel Lama / 
Palabras Clave:

4 - Análisis inteligente de flujos de trabajo sociales

Los flujos de trabajo sociales (SOW) coordinan las actividades realizadas por un conjunto de usuarios que bien de forma individual o en cooperación tratan de alcanzar un determinado objetivo. Los SOW son flujos no estructurados en los que participan un gran número de usuarios que llevan a cabo actividades de muy diversa naturaleza que se extienden a lo largo del tiempo y que típicamente consumen pocos recursos de computación. Un ejemplo de procesos que se modelan a través de este tipo de flujos de trabajo son las campañas de marketing que tienen como objetivo motivar a los potenciales clientes en el consumo de un determinado producto o servicio. En este trabajo, se presenta el proyecto Inteligencia (Artificial) de Negocio para Flujos de Trabajo Sociales, en el que se combinan técnicas de minería de procesos, estrategias de paralelización de algoritmos, y técnicas de localización y seguimiento de usuarios, con el fin de extraer información relevante sobre SOW, como los que modelan, entre otros, el comportamiento de los usuarios en campañas de marketing desarrolladas en escenarios abiertos.

Autores: Manuel Lama / Pedro Álvarez / Manuel Ocaña / Manuel Mucientes / Joaquín Ezpeleta / Miguel Ángel Garrido / Alberto Bugarín / 
Palabras Clave:

5 - Towards the Extraction of Frequent Patterns in Complex Process Models

In this paper, we present WoMine, an algorithm to retrieve frequent behavioural patterns from the model. Our approach searches in process models extracting structures with sequences, selections, parallels and loops, which are frequently executed in the logs. This proposal has been validated with a set of process models, and compared with the state of the art techniques. Experiments have validated that WoMine can find all types of patterns, extracting information that cannot be mined with the state of the art techniques.

Autores: David Chapela-Campa / Manuel Mucientes / Manuel Lama / 
Palabras Clave: frequent pattern mining - process discovery - Process Mining

6 -

7 - Discovering Infrequent Behavioral Patterns in Process Models (Summary)

In this paper we present WoMine-i, a novel algorithm to detect infrequent behavioural patterns from a process model, measuring their frequency with the instances of the log. A behavioural pattern is a subgraph of the process model, com- posed by all type of structures —sequences, selections, parallels and/or loops—, which represents the behaviour of a part of the process. And it is considered infrequent when its complete execution happens in a number of cases from the log below a predefined threshold. To find the infrequent patterns, WoMine-i performs an a priori search starting with the minimal structures of the model. In this search, there is an expansion stage done in two ways: i) adding other minimal structures not contained in the current pattern, and ii) adding arcs. This expansion is followed by a pruning strategy that verifies the upward-closure property of support —also known as monotonicity. This property ensures that if a pattern is infrequent, all patterns containing it will be infrequent and, thus, it is no necessary to continue expanding it —the minimum pattern itself expresses all the infrequent behaviour containing it. This pruning presents an exception in order to simplify the results: If a pattern is infrequent and maintains the value of its frequency with the expansion, it is not removed from the expansion stage —it means it is being expanded with a selection branch with less frequency. In this way, WoMine-i returns the largest patterns expressing the minimum infrequent behaviour. In each step of the iterative process, WoMine-i reduces the search space by pruning some of the generated patterns. For this, an algorithm to check the frequency of a pattern is needed. WoMine-i generates the different paths of a pattern, henceforth simple patterns, and checks the frequency of each one. To measure the frequency of a simple pattern, WoMine-i replays the traces of the log and checks how many of them are compliant with it. At each step of the replay, the algorithm checks if the simple pattern is being correctly executed. Afterwards, WoMine-i assigns to the pattern the higher of its simple patterns frequency, and checks if the pattern is considered frequent w.r.t. the threshold. Thereby, given a log and a corresponding model, WoMine-i is able to return the infrequent patterns of it. Allowing to study them and enhance the process consequently.

Autores: David Chapela-Campa / Manuel Mucientes / Manuel Lama / 
Palabras Clave:

8 - Pattern-based Simplification of Process Models

Several simplification techniques have been proposed to deal with the understanding of complex process models, from the structural simplification of the model to the simplification of the log to discover simpler process models. But obtaining a comprehensible model explaining the behaviour of unstructured large processes is still an open challenge. In this paper, we present a novel algorithm to simplify process models by abstracting the infrequent behaviour in the logs.

Autores: David Chapela-Campa / Manuel Mucientes / Manuel Lama / 
Palabras Clave: event abstraction - model simplification - Process Mining