Autor:
Vidal, Juan C.

Cargando...
Foto de perfil

E-mails conocidos

juan.vidal@usc.es

Fecha de nacimiento

Proyectos de investigación

Unidades organizativas

Puesto de trabajo

Apellidos

Vidal

Nombre de pila

Juan C.

Nombre

Nombres alternativos

Vidal, Juan
Vidal Aguiar, Juan Carlos

Afiliaciones conocidas

University of Santiago de Compostela, Spain
Universidad de Santiago de Compostela, Spain
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS), Universidade de Santiago de Compostela, Spain

Páginas web conocidas

Página completa del ítem
Notificar un error en este autor

Resultados de la búsqueda

Mostrando 1 - 7 de 7
  • Artículo
    Detección de concept drift en minería de procesos basado en agrupamiento de trazas
    Gallego Fontenla, Víctor José; Vidal, Juan C.; Lama Penin, Manuel. Actas de las XIV Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.
    En este artículo se presenta un método para la detección y localización de concept drift en minería de procesos, que, a diferencia del resto de propuestas del estado del arte, combina técnicas de agrupamien- to de trazas y descubrimiento de modelos para realizar una clasificación de las trazas de ejecución contra una serie de modelos que constituyen el ground truth de nuestro sistema. Esta aproximación permite detectar, localizar y caracterizar los cambios y evaluar la evolución sufrida por el proceso. El algoritmo ha sido validado con un registro de eventos sintético que presenta puntos de concept drift, demostrando que la aproximación tomada es válida a la hora de detectar cuándo tiene lugar un cambio en la estructura del modelo de proceso.
  • Artículo
    Hacia una Mejor Monitorización Predictiva: Combinando Redes Neuronales de Grafos con Redes Neuronales Recurrentes en Minería de Procesos
    Rama Maneiro, Efrén; Vidal, Juan C.; Lama Penin, Manuel. Actas de las XVIII Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2023), 2023-09-12.
    La monitorización predictiva de procesos de negocio, un subcampo clave de la minería de procesos, se centra en predecir características del próximo evento o secuencia de eventos futuros, entre otros aspectos relevantes. A pesar de que se han propuesto numerosas aproximaciones basadas en aprendizaje profundo, como redes neuronales recurrentes y convolucionales, estas no aprovechan de manera óptima la información estructural presente en los modelos de procesos. Este artículo presenta una propuesta innovadora que combina redes neuronales recurrentes con redes convolucionales de grafos, logrando un aprendizaje simultáneo de la información espaciotemporal tanto del registro de eventos como del modelo de proceso. Esta integración permite la identificación de patrones comunes en modelos de procesos, como bucles o paralelos, evitando la pérdida de información durante el aprendizaje del modelo. Un análisis experimental utilizando registros de eventos reales demuestra que nuestra aproximación presenta una mayor consistencia y supera a las técnicas actuales del estado del arte en el ámbito de la monitorización predictiva.
  • Artículo
    Recomendación de actividades gamificadas basada en minería de procesos
    Lama Penin, Manuel; Vidal, Juan C.; Gallego Fontenla, Víctor José; Porto Ares, Álvaro. Actas de las XV Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2019), 2019-09-02.
    En la actualidad existe una enorme explosión en el conjunto de aplicaciones móviles cuyo fin es promover hábitos de vida saludables, y el ámbito de la salud cardiovascular no ha sido la excepción. Aunque un buen número de estas aplicaciones hacen uso de técnicas de gamificación, no hay actualmente ninguna propuesta que incluya varios juegos relacionados con los aspectos clave de la salud cardiovasular y, por lo tanto, tampoco hay ni en el ámbito académico ni el comercial ningún sistema de recomendación de actividades gamificadas para la promoción de los hábitos cardiosaludables. En este artículo, se presenta un sistema de recomendación basado en técnicas de minería de procesos que describen de forma muy precisa lo que está realizando el usuario, lo cual lleva a generar, a su vez, recomendaciones también muy precisas.
  • Artículo
    Mecanismos de atención en redes neuronales recurrentes para monitorización predictiva
    Monteagudo Lago, Pablo; Vidal, Juan C.; Lama Penin, Manuel. Actas de las XVII Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2022), 2022-09-05.
    La monitorización predictiva en minería de procesos tiene como objetivo predecir cómo se va a desarrollar en el futuro una ejecución en curso de un proceso. Uno de los principales retos en este ámbito es la predicción de la secuencia de actividades que tendrán lugar a partir de un cierto instante hasta la finalización de la instancia en ejecución. En este artículo se propone una arquitectura basada en un modelo secuencia-a-secuencia dotado de un mecanismo de atención y de un algoritmo de búsqueda heurística para predecir la secuencia de actividades de un caso en ejecución. Esta arquitectura ha sido validada sobre 12 conjuntos de datos ampliamente usados en la comunidad científica, comparándola, además, con las principales propuestas del estado del arte. Los resultados de la experimentación demuestran que nuestra aproximación obtiene los mejores resultados.
  • Artículo
    Estudio del contexto de ejecución en monitorización predictiva de procesos
    Gamallo Fernández, Pedro; Vidal, Juan C.; Lama Penin, Manuel. Actas de las XVIII Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2023), 2023-09-12.
    El contexto de ejecución en un proceso, entendido como las actividades que rodean un evento y sus relaciones, es una información especialmente útil para las técnicas de minería de procesos en diferentes problemas como la monitorización predictiva o la detección de anomalías y la reconstrucción de eventos. No obstante, la representación de este contexto de ejecución apenas ha sido estudiada en la comunidad de la minería de procesos y las propuestas existentes se basan principalmente en la aplicación directa de los word embeddings, específicos del ámbito del procesamiento del lenguaje natural. En este artículo presentamos dos técnicas basadas en modelos de aprendizaje profundo para generar embeddings capaces de capturar información contextual sobre las actividades de un proceso. Estas técnicas han sido integradas en una arquitectura de referencia y evaluadas sobre 8 registros de eventos de procesos reales en el ámbito de la monitorización predictiva. Los resultados muestran una mejora significativa en la predicción de la siguiente actividad, lo que indica que nuestros embeddings son capaces de capturar información contextual útil para mejorar las predicciónes.
  • Artículo
    INCEPTION: Gestión inteligente del cambio en minería de procesos sustentada por la nube
    Gallego Fontenla, Víctor José; García de Quirós, Jorge; Bugarín-Diz, Alberto; Alvarez, Pedro; Vidal, Juan C.; Fabra, Javier; Lama Penin, Manuel. Actas de las XVIII Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2023), 2023-09-12.
    En este artículo se presenta el proyecto INCEPTION, cuyo objetivo es la transferencia de la tecnología de detección y descripción del cambio de los modelos de proceso, desarrollada en un proyecto previo de I+D+i, para que opere de forma eficiente en entornos masivos de datos para procesos reales, complejos y no estructurados. En el artículo se describirá el contexto en el que nace el proyecto, así como los objetivos y las actividades que se reali-zarán para llevar a cabo la transferencia a las plataformas comerciales de mi-nería de procesos, en especial, a la plataforma InVerbis Analytics.
  • Artículo
    Predicción de tiempos en minería de procesos basada en transformadores
    Súarez Barro, Noel; Vidal, Juan C.; Lama Penin, Manuel. Actas de las XIX Jornadas de Ciencia e Ingeniería de Servicios (JCIS 2024), 2024-06-17.
    En este trabajo, se adapta una arquitectura basada en transformadores al problema de predicción de tiempos en minería de procesos, dotando de mayor semántica a los embeddings de las trazas que se utilizan para entrenar el modelo predictivo. Esta mejora llegará a través de dos contribuciones. En la primera se propone una nueva interpretación de las trazas como series temporales de eventos, tomando prestado un nuevo esquema de codificación para modelar la información temporal de los eventos. En la segunda se adapta el enmascaramiento para restringir la auto-atención a las actividades de la secuencia de entrada que contribuyen a la predicción de tiempos. Esta arquitectura se ha validado en 11 registros de eventos, obteniendo los mejores resultados de forma global y, en particular, en aquellos registros que en los cuales la duración de la traza se distribuye de manera más uniforme a través de distintas actividades.