Procesos y LLMs

URI permanente para esta colección:

Artículos en la categoría Procesos y LLMs publicados en las Actas de las XIX Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2024).
Notificar un error en esta colección

Examinar

Envíos recientes

Mostrando 1 - 3 de 3
  • Artículo
    Aplicaciones de los modelos de lenguaje de gran tamaño (LLMs) en el ciclo de vida de la gestión de los procesos de negocio: Una visión general del panorama actual.
    Estrada-Torres, Bedilia; Del Río Ortega, Adela. Actas de las XIX Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2024), 2024-06-17.
    La facilidad de acceso a recientes versiones de modelos de lenguaje de gran tamaño (LLMs, por sus siglas en inglés) ha propiciado un aumento en el número de usuarios de LLMs y de sus contextos de aplicación. La gestión de los procesos de negocio, que busca la ejecución eficiente de los procesos de una organización, también puede beneficiarse del uso de LLMs. De esta idea ha derivado la necesidad de explorar cómo usar los LLMs para mejorar las tareas de gestión de los procesos, además de motivar propuestas sobre direcciones de investigación para ayudar a guiar la adopción de LLMs en las fases del ciclo de vida de la gestión de los procesos de negocio. Sin embargo, se desconoce cómo se relacionan las propuestas existentes con las fases del ciclo de vida de la gestión de los procesos de negocio y cómo están siendo abordadas las direcciones de investigación propuestas. Con este artículo se pretende reducir esa brecha. Se analizaron propuestas y técnicas existentes para identificar las fases de gestión de procesos más abordadas, los LLMs utilizados y la relación de las propuestas existentes con las direcciones de investigación. Con esto pretendemos dar soporte a futuros esfuerzos de investigación.
  • Artículo
    Generación automática de diálogos orientados a tareas integrando servicios plug, play and talk y ChatGPT
    Rodríguez Sánchez, María Jesús; Callejas Carrión, Zoraida; Ruiz Zafra, Ángel; Benghazi, Kawtar. Actas de las XIX Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2024), 2024-06-17.
    En este artículo, proponemos un enfoque novedoso para la generación automática de diálogos orientados a tareas, basado en un nuevo concepto de servicio plug, play and talk, que evita que los desarrolladores se vean en la necesidad de reescribir el código o reentrenar el modelo cada vez que se quiera escalar el sistema. La gestión de la conversación en sistemas orientados a tareas específicas involucra detectar qué intención tiene el usuario (intent recognition), saber si se tiene toda la información para atender su petición (slot filling) y producir respuestas adecuadas a la intención y la información disponible. Nuestra propuesta aborda todas estas tareas clave aunando el meta-modelado de un nuevo tipo de servicios plug, play and talk con las capacidades de comprensión y generación del lenguaje de ChatGPT. Como prueba de concepto, hemos desarrollado un chatbot web para la reserva de restaurantes que muestra la viabilidad de nuestra propuesta.
  • Resumen
    Learning context-based representations of events in complex processes
    Gamallo Fernández, Pedro; Vidal, Juan C.; Lama Penin, Manuel. Actas de las XIX Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2024), 2024-06-17.
    Process mining techniques enable the understanding and optimisation of business processes through the analysis of event logs. In this area, it is essential to understand the relationships between the executed activities and their attributes, i.e. their execution context, especially in problems such as predictive monitoring when deep learning techniques are applied. However, the lack of robust methods to represent this execution context has been highlighted in the existing literature. This paper presents a new technique for generating event representations that can capture their execution context. Our approach, based on an autoencoder, allows pre-training of embeddings at activity level or any other categorical attribute by reconstructing context windows, providing contextual information about previous and subsequent events. Experiments on 21 datasets of real-world processes show how the embeddings generated by our approach can improve the accuracy of three state-of-the-art prediction models in the task of predicting the next activity. The results, which are particularly remarkable in the case of complex processes, demonstrate the importance of the capture of contextual information for better predictions.