От событийных логов к регулируемым действиям: повестка BlueSky для агентного process miningСпасибо: Corresponding author: Qingsong Wen (e-mail: qingsongedu@gmail.com).

Аннотация

Интеллектуальный анализ процессов (process mining) давно превратил журналы событий в знания о процессах: обнаруженные модели, доказательства соответствия, диагностику «узких мест» и прогнозы времени выполнения. Агентный ИИ меняет цель. Агенты, учитывающие процессы, будут не только спрашивать, что произошло. Они будут спрашивать, следует ли предпринять предлагаемое действие, учитывая имеющиеся доказательства, бюджет конфиденциальности, организационные полномочия и последующие риски. В этой статье BlueSky предлагается интеллектуальный анализ процессов от события к действию: повестка дня по интеллектуальному анализу процессов для преобразования гетерогенных операционных данных о событиях в регулируемое действие. Цель состоит не в создании очередной панели мониторинга, общего корпоративного симулятора или языкового интерфейса поверх журналов. Мы утверждаем, что сообществу нужны четыре артефакта, поддающихся интеллектуальному анализу: представления объектов событий, пакеты доказательств действий, контракты управления и эталонные тесты, где «действовать», «отложить», «спросить» и «отказаться» являются допустимыми результатами. Эта повестка дня своевременна, поскольку агентное управление бизнес-процессами (BPM), интеллектуальный анализ процессов с поддержкой LLM, объектно-ориентированные стандарты событий, причинно-следственный мониторинг процессов и обучение с сохранением конфиденциальности развиваются отдельно. Объединение их вместе определяет цель интеллектуального анализа данных внутри интеллектуального анализа процессов: анализ зарегистрированного организационного поведения для подотчетных действий, а не только ретроспективное понимание..

I Идея BlueSky

Интеллектуальный анализ процессов начался с четкого обещания: если работа оставляет цифровые следы, то интеллектуальный анализ процессов может реконструировать реальный процесс, а не тот, что описан в руководстве. Журналы событий сделали это обещание выполнимым. Они фиксируют кейсы, действия, временные метки, ресурсы, объекты, затраты и, все чаще, текстовые или политические атрибуты. На их основе интеллектуальный анализ процессов обнаруживает модели, проверяет соответствие, прогнозирует результаты и анализирует производительность [1]. PM4Py реализует обнаружение, проверку соответствия и анализ производительности [2]. Это делает интеллектуальный анализ процессов дисциплиной интеллектуального анализа данных с особой семантикой: события не являются независимыми выборками, а модель процесса — это не просто предиктор. Это доказательство того, как организации ведут себя на самом деле, где выявленная закономерность может стать управленческим решением, а не только статистическим описанием..

Заявление BlueSky. Следующий рубеж — это не доступ к информационным панелям процессов на естественном языке. Это process mining с переходом от событий к действиям: интеллектуальный анализ данных операционных событий, позволяющий агентам рекомендовать, откладывать или отклонять действия с использованием причинно-следственного вывода, защиты конфиденциальности и проверяемых полномочий..

Причина, по которой это является проблемой ⟦BROKEN_K0⟧, заключается в том, что сам вопрос меняется. Классический process mining задается вопросом о том, что произошло, соответствует ли наблюдаемое поведение модели и где могут скрываться возможности для улучшений. Agentic workflows ставят более острый вопрос: должен ли программный или человеческий агент перенаправить этот кейс, смягчить это правило, связаться с этим поставщиком, одобрить эту заявку, перевести этого пациента на следующий уровень оказания помощи или подождать получения более веских доказательств? Обнаруженная сеть Петри, граф непосредственного следования или объектно-ориентированная модель могут описать прошлое. Сами по себе они не обосновывают действие в условиях неопределенности, ограничений конфиденциальности, организационных полномочий и последующих рисков..

Таким образом, в данной статье определяется более четкая цель для process mining как задачи data mining: переход от анализа «журнал-к-модели» к доказательствам «журнал-к-действию». Мы не предлагаем полноценный enterprise simulator. Журналы событий представляют собой частичные, сформированные политиками следы, генерируемые людьми, программными системами, стимулами и отсутствующими наблюдениями. Достижимая цель состоит в том, чтобы извлекать из операционных данных доказательства относительно конкретного действия, которые выявляют неопределенность и причинно-следственную поддержку (causal inference), соблюдают конфиденциальность и полномочия, а также допускают отказ, когда журнал не может обосновать вмешательство..

Данное предложение ставит под сомнение три допущения, которые незаметно ограничивают текущие исследования. Во-первых, предписывающий process mining служит отправной точкой для получения доказательств о решениях, влияющих на будущие состояния процессов. Во-вторых, agentic workflows нельзя сделать безопасными только с помощью промптинга. Им необходимы проверяемые локальные вычисления, калиброванная неопределенность и четкие границы полномочий. В-третьих, межорганизационный process mining — это не просто проблема конфиденциальности. Это ситуация, в которой действия одного участника могут переложить затраты, задержки или риски на другого. Повестка дня конкретна для аудитории, занимающейся data mining: мы определяем четыре артефакта, подлежащих анализу: R1 representation, R2 evidence, R3 governance и R4 evaluation, которые превращают agentic process mining из широкого стремления в проверяемую исследовательскую программу..

II Почему именно сейчас: разрыв в действиях в process mining

Выбор времени необычен, поскольку пять исследовательских потоков сейчас достигают одной и той же границы: agents могут действовать, process mining может обосновывать их, но область еще не определила, какие mined event evidence должны санкционировать action.

Агентный BPM становится явным. В недавних концептуальных документах утверждается, что генеративный и агентный искусственный интеллект может перевести управление бизнес-процессами от автоматизации к автономности и от управления на основе проектирования к управлению на основе данных, опираясь на process mining [3]. В манифесте 2026 года описываются агенты, учитывающие процессы, которые действуют в рамках явных ограничений, объясняют решения, взаимодействуют посредством диалога и адаптируют свое поведение [4]. Работы по цифровым двойникам бизнес-процессов аналогичным образом подчеркивают реплики в реальном времени и возможности симуляции, но также отмечают неразрешенную двусмысленность в отношении того, как должны интегрироваться бизнес-процессы и цифровые двойники [5]. Формальные исследования дополнительно подчеркивают, что агентам необходимы четкие цели и защитные механизмы, когда автономные лица, принимающие решения, выполняют процессы [6]. В этих работах определяется организационная потребность, но они оставляют пробел в области process mining: каких зарегистрированных данных достаточно для того, чтобы процессный агент начал действовать?

Process mining на базе LLM обнажает разрыв заземления. Интерфейсы LLM предоставляют доступ к задачам process-mining на естественном языке и на основе кода [7, 8]. PMAx разделяет локальные вычисления процессов и интерпретацию на основе языка; использование метаданных вместо сырых логов направлено на смягчение галлюцинаций метрик и ограничение утечки данных [9]. Доменная адаптация LLM для данных процессов также предполагает, что последовательности событий могут стать основой для обучения, а не только текстовыми промптами [10]. Следующий вопрос заключается не в том, могут ли агенты объяснить артефакт процесса. Вопрос в том, могут ли артефакт процесса, обученная модель и трассировка инструментов совместно поддерживать governed action.

Журналы на основе объектов делают операционное состояние доступным для process mining. Традиционные журналы событий сводят работу к следам кейсов, но реальные процессы представляют собой сети заказов, счетов-фактур, пациентов, отправок, машин, документов, сотрудников и нормативных актов. Журналы на основе объектов представляют отношения «многие-к-многим» между событиями и объектами [11]. OCEL 2.0 дополнительно поддерживает изменяющиеся атрибуты объектов и форматы обмена [12]. Это важно для action: вмешательство в один объект может повлиять на другой объект, другую организацию или очередь ресурсов. Временное прогнозирование с учетом экзогенных факторов показывает, как внешние ковариаты могут улучшать прогнозы в сочетании с историческим контекстом [13]. Mining от событий к действиям добавляет процессную семантику, объектные отношения и ограничения полномочий к более широкой проблеме работы с временными данными.

Прескриптивный и причинный process mining выявляют проблему оценки. Прескриптивный мониторинг процессов уже изучает, когда вмешиваться в выполняющиеся кейсы в условиях неопределенности и ресурсных ограничений [14]. SimBank предлагает контролируемую оценку с известными симулятору контрфактическими исходами [15]; ProCause изучает обученные генераторы для оценки политик вмешательства [16]. Оба подхода решают проблему отсутствия исходов для невыбранных действий в записанных логах. Причинный process mining также показывает, что отношения непосредственного следования могут быть вводящими в заблуждение, если игнорируются реляционные данные событий и предметные знания [17]. Event-to-action process mining опирается на эти методы, связывая свидетельства вмешательства с явными условиями конфиденциальности и полномочий.

Конфиденциальность и федерация больше не являются факультативными. Наиболее ценные процессы пересекают организационные границы: больницы и лаборатории, страховщики и поставщики услуг, порты и перевозчики, поставщики и производители, государственные ведомства и подрядчики [18]. Федеративный process mining показывает, что данные событий могут использоваться за пределами границ без объединения сырых логов [19, 20], в то время как federated learning и безопасная агрегация поддерживают обучение без централизованных сырых данных [21, 22]. Работа над сходством наборов данных [23], а также над федеративной справедливостью и конфиденциальностью [24] учитывает гетерогенность и конкурирующие цели обучения. Если модель управляет действием, конфиденциальность не является этапом предварительной обработки. Это часть контракта на выполнение действий.

В совокупности эти потоки показывают, почему разрыв в process-mining также является проблемой data-mining: извлечение информации из гетерогенных потоков событий, обучение в условиях дрейфа, выравнивание схем, выделение причинных сигналов из смещенных наблюдательных журналов, рекомендации в условиях неопределенности, сохранение конфиденциальности и оценка систем в условиях отсутствия истинных данных для неизбранного действия. Отсутствующим выводом является управляемый объект действия, который связывает эти части воедино.

III Из журналов событий в управляемые действия

Fig. 1: Карта повесточки для процесс майнинга событий в действие: майнинговые артефакты, которые делают регулируемые действия вычислимыми и аудируемыми.

На рис. 1 представлена карта повестки дня для этого сдвига. Современный стек часто переходит от журналов случаев к представлениям процессов и информационным панелям. Пропущенной целью является регулируемое действие. На рисунке названы четыре артефакта, которые делают эту цель конкретной: объект представления, объект доказательств, объект управления и объект оценки. Здесь артефакт означает проверяемую структуру данных или спецификацию задачи, а не устоявшийся термин process mining.

Мы называем новый выход рекомендацией регулируемого действия. Это не просто метка вмешательства. Он состоит из пяти частей: предлагаемого действия, прогнозируемых последствий процесса, уровня причинных и наблюдательных доказательств, условий конфиденциальности и полномочий, при которых действие разрешено, и контрольного журнала, связывающего утверждение с локальными вычислениями или оценками модели. Рекомендация может быть положительной (действовать сейчас), условной (действовать только в том случае, если менеджер одобряет или остается бюджет конфиденциальности), отложенной (собрать больше доказательств) или отрицательной (отказать, потому что действие не поддерживается или не авторизовано). Этот тип вывода превращает process mining из ретроспективного объяснения в задачу data mining с условными действиями.

Эта цель отличается от обычных результатов process mining. Обнаруженная модель абстрагирует наблюдаемый поток управления, предсказательная модель прогнозирует метку, панель мониторинга процессов визуализирует метрики, а предписывающий монитор рекомендует вмешательство для выполняющегося кейса. Process mining от событий к действиям требует регулируемого объекта доказательств, который можно проверить до того, как действие изменит организацию. Повестка дня не предполагает, что одна модель решит все четыре артефакта. Она определяет общие интерфейсы для будущих моделей, инструментов и бенчмарков.

Цель также меняется в кросс-организационном process mining. Многие операционные процессы представляют собой экосистемы: задержка отгрузки влияет на больницу, проблема с качеством у поставщика влияет на страховые требования, а правило борьбы с мошенничеством в одном банке может изменить поведение в другом. Необработанные журналы нельзя просто объединить, но решения, принятые на основе одного частичного представления, все равно могут повлиять на других участников. Federated process mining становится скорее компонентом более крупной проблемы управления действиями, чем конечной точкой.

Ставка делается на то, что эту цель можно превратить в объект для бенчмаркинга. Система не должна получать признание исключительно за правдоподобный нарратив или высокую точность прогнозирования следующего события. Она должна получать признание тогда, когда улучшает качество действий при сдвиге распределения, честно сообщает об неопределенности, сохраняет конфиденциальность, объясняет, какие данные использовались, и отказывается от действий, выходящих за рамки ее полномочий. Таким образом, цель состоит вовсе не в том, чтобы «добавить LLM в process mining» или «оптимизировать одну политику вмешательства». Это призыв определить четыре артефакта, приведенные ниже, прежде чем развернутые агенты нормализуют более слабые результаты.

III-A Four Mineable Artifacts

R1: Объект представления. Цепочка зависимостей начинается с явного объекта, который представляет операционное состояние до выдачи каких-либо рекомендаций. Трейс является слишком плоским, а общее эмбеддинг-представление — слишком непрозрачным. Объектом представления должен быть граф событий и объектов: типизированные объекты, события, ресурсы, очереди, документы, решения, политики, временные метки и внешние условия, связанные во времени. Он должен обрабатывать параллелизм, пропущенные события, повторяющуюся работу, редкие варианты и метки, значение которых меняется в разных организациях. Недавние исследования в области глубокого обучения с учетом соответствия уже показывают, что локальная точность токенов может упускать глобальную структуру процесса [25]. Задача data mining заключается в обучении представлений, которые сохраняют семантику процессов: реконструкция замаскированных событий, прогнозирование состояния объектов, предсказание состязательности за ресурсы, обнаружение нарушений ограничений, оценка времени до дедлайна и проверка согласованности действий и их эффектов. Выходными данными R1 является не только скрытый вектор. Это объект майнинга состояний, который можно проверять, выборочно передавать и направлять для оценки доказательств.

R2: Объект доказательств. Управляемая рекомендация требует большего, чем просто вероятность. Ей необходим объект доказательств, в котором указано, что известно, что предполагается и что остается неподтвержденным. Большинство журналов событий являются наблюдательными, выборочными и создаются системами, оптимизированными для выполнения, а не для причинного выводообразования. Тем не менее агентные операции задают причинные вопросы: если агент меняет приоритет триажирования, выбор поставщика, порядок рассмотрения, маршрутизацию кредитов или распределение ресурсов, какого нисходящего эффекта ему следует ожидать? Объект доказательств должен объединять временную структуру, реляционные объекты, доменные ограничения, частичные эксперименты и реалистичные генераторы процессов. Он также должен раскрывать уровни доказательств: историческую ассоциацию, скорректированную оценку на основе наблюдений, квазиэкспериментальную поддержку, экспертное предположение, предположение только на основе генератора или верифицированное вмешательство. SimBank и ProCause предоставляют контролируемые условия для оценки предписывающих методов с контрфактическими исходами [15, 16]. R2 делает это понимание частью результата интеллектуального анализа: рекомендация несет в себе свой причинный статус и неопределенность, а не только свою оценку.

R3: Объект управления. Если процессный агент может действовать, результат майнинга должен включать объект управления. Этот объект указывает, какой инструмент вычислил какую метрику, какое представление логов использовалось, какое причинное предположение было заявлено, какое правило конфиденциальности разрешило запрос, какой бюджет был потрачен и какой человек или организационный авторитет разрешил действие. Процессные агенты на базе LLM полезны, так как менеджеры задают неструктурированные вопросы на естественном языке, но они становятся опасными, когда выдают цифры или политики без проверяемых вычислений. Управление поэтому превращает агентный процессный майнинг из разговорной аналитики в воспроизводимый майнинг данных. Оно также изменяет межорганизационный майнинг. Интервенция, изученная у одного партнера, может переложить рабочую нагрузку, задержку, ответственность или конкурентный риск на другого. Безопасная агрегация защищает индивидуальные обновления в рамках своей модели угроз [22], в то время как дифференциальная конфиденциальность формализует ограничения на раскрытие [21]. Ни то, ни другое не наделяет полномочиями действовать. Управляемое действие также должно сообщать о вкладе партнера, подверженности редким событиям, устойчивости к скрытым представлениям и границах полномочий. Аудиторский след — это не бумажная волокита. Это часть вывода модели.

R4: Объект оценки. В исследовательских статьях легко преувеличить значимость результатов, если научное сообщество не может их проверить. Поэтому для event-to-action process mining необходим объект оценки: эталонные задачи, в которых правильным поведением может быть выполнение действия, отсрочка, запрос на утверждение или отказ. В рамках learning to defer уже изучается перенос управления на эксперта [26]; здесь целевая область также включает данные процессов, условия конфиденциальности и полномочия на совершение действий. Регулируемые действия должны вознаграждать полезность в сочетании с разумной сдержанностью. Возможные задачи включают оценку эффекта изменения политики, ранжирование вмешательств для устранения узких мест, перенос детектора аномалий на партнера с малым объемом данных, обнаружение вводящего в заблуждение запроса на естественном языке и отказ от действия из-за недостаточных доказательств, бюджета конфиденциальности или полномочий. Метрики должны включать калибровку, причинную валидность, стоимость конфиденциальности, стоимость коммуникации, устойчивость к дрейфу, проверяемость и качество отказов. Система, которая уверенно совершает действия на основе неподтвержденных данных, должна проигрывать, даже если ее предсказание следующего события выглядит правдоподобно.

IV Стресс-тесты и критерии успеха

Четыре артефакта следует оценивать по режимам отказов, а не по оценкам компонентов. Каждое стресс-тестирование называет предположение, которое стандартное улучшение process-mining оставляло бы в основном без изменений, и каждый тест определяет то, что будущая система process-mining должна сделать измеримым.

Повестка дня терпит неудачу, если свидетельства процессов рассматриваются как нейтральная телеметрия. Журналы событий создаются конфигурациями программного обеспечения, обходными путями сотрудников, политическими стимулами, отсутствующей документацией и стратегическим поведением. Одна и та же метка события может означать рутинное продвижение в одной организации и нарушение требований в другой. R1, следовательно, должен выставлять напоказ неопределенные метки, оспариваемые границы кейсов и неполные объектные отношения, а не прятать их внутри эмбеддинга.

Повестка дня терпит неудачу, если контрфактуалы сводятся к оценкам. Неверное предсказание следующего события ухудшает прогноз, а неверная рекомендация действия может затянуть лечение, отказать в выплатах, спровоцировать сбои в соблюдении нормативных требований или переложить затраты на более слабого партнера. Многие интервенции не могут быть рандомизированы в масштабе экосистемы. Поэтому R2 должен сообщать об уровне поддержки, стоящем за каждой оценкой, и отличать причинно-следственные доказательства от убедительной, но неприменимой на практике ассоциации..

Повестка дня терпит неудачу, если безопасность агента отделяется от безопасности процессов. Агент может удовлетворять формальному правилу, используя лазейку в системе ведения журналов, оптимизировать локальное соглашение об уровне обслуживания при ухудшении справедливости на уровне системы или представлять предвзятые исторические действия как нейтральную эффективность. R3 должен делать ограничения политик, стоимость конфиденциальности, происхождение инструментов, границы утверждения и передачу рисков видимыми до совершения действия.

Повестка дня терпит неудачу, если развертывание оценивается как статическая задача прогнозирования. Как только агенты рекомендуют изменения в сортировке, поставщиках, исключениях или ресурсах, работники и партнеры адаптируются. Следующий журнал событий больше не берется из того же распределения, на котором обучалась модель. R4 должен проверять качество действий после обратной связи, а не только качество прогнозирования до развертывания.

Повестка дня терпит неудачу, если отказ засчитывается как невыполнение. Управляемые процессные агенты задают последовательности вопросов, вызывают инструменты, запрашивают объяснения и уточняют действия. Каждый шаг может привести к утечке информации. Качественная система должна отвечать отказом, когда покрытие событий разрежено, причинные предположения не подтверждены, бюджеты конфиденциальности исчерпаны, полномочия отсутствуют или вмешательство может перенести неприемлемый риск. Отказ — это свойство на уровне конвейера: сбои в представлении, доказательствах или управлении могут потребовать бездействия.

К чему приводит успех. К 2030 году успех будет заметен в общих артефактах: открытых схемах событий в действия, стандартных уровнях доказательств, протоколах управления с учетом конфиденциальности и бенчмарках, где отказ, отсрочка и одобрение являются легитимными результатами. Зрелая система должна переноситься между партнерами с низким объемом данных, указывать неопределенность и причинные доказательства, обосновывать цифры локальными вычислениями, отказывать в неподдерживаемых действиях и раскрывать использование данных, затраты на конфиденциальность и одобрение. Оценка должна отражать прирост полезности по сравнению с текущей политикой наряду с нарушениями в ходе полных эпизодов принятия решений, включая отказы.

Почему это относится к data mining. Эти стресс-тесты поясняют, почему данная повестка шире систем BPM или интерфейсов LLM. BPM вносит семантику процессов. Исследования LLM вносят языковые интерфейсы, а process mining обеспечивает опору на журнал событий. Вклад data mining заключается в том, чтобы рассматривать представление, причинность, рекомендации, конфиденциальность, надежность и оценку как единый контракт результатов для гетерогенных операционных данных.

Данные, целевые показатели и оценка — все это необычно. Журналы событий представляют собой частичные наблюдения, генерируемые людьми, программным обеспечением, политиками и стимулами. Отсутствие данных имеет значение, метки являются предметом согласования, а распределения меняются, когда агенты действуют на основе извлеченных результатов. Результатом является не только прогноз, кластер, правило или визуализация, но и рекомендация по регулируемому действию с учетом неопределенности, уровня доказательности, учета конфиденциальности, локальной верификации и ограничений полномочий. Для многих действий не существует единой метки достоверности, поскольку альтернативное действие никогда не предпринималось. Поэтому эталонные тесты должны объединять зарегистрированные данные, реалистичные генераторы процессов, подтвержденные экспертами контрфакты, состязательные журналы и оперативные или квазиэкспериментальные доказательства..

Ставки делают эту проблему достойной формализации перед развертыванием. Агенты процессов будут работать там, где ошибки являются организационными событиями, а не только техническими сбоями: неверная рекомендация может привести к перераспределению работы, задержке обслуживания, отказу в льготах или сокрытию несправедливости под языком оптимизации. Регулируемое действие превращает ответственность в тест data mining: модели должны знать, когда предсказания недостаточно..

Первое сообщественное соревнование. Повестка дня может начаться с общего бенчмарка. Первое публичное data-mining соревнование E2A-Bench может выпустить реалистичные экосистемы процессов с партиальными объектно-центрированными логами, локальными программными интерфейсами инструментов, бюджетами конфиденциальности, каталогами вмешательств и скрытыми механизмами истинного соответствия. Участники будут отвечать на обусловленные действиями вопросы об изменениях политик, перераспределении ресурсов, скрытых представлениях партнеров и запрещенных классах действий. Таблица I превращает четыре артефакта на рис. 1 в матрицу повестки дня, где действие, отсрочка, запрос и отказ являются оцениваемыми результатами. Фиксированное версионированное ядро поддерживает воспроизводимость, в то время как обновляемые скрытые сценарии и последовательная обратная связь тестируют адаптацию. Результаты должны сообщать версии бенчмарка раздельно, чтобы отличать изменение сложности от прогресса.

⟦TABLE I: Матрица оценки E2A-Bench для управляемых действий процесса.

Artifact	Mining target	Success signal
R1 Representation	Typed event-object state with policies and temporal validity.	Object-aware answers remain stable under schema drift.
R2 Evidence	Action-effect estimates with uncertainty and explicit evidence tiers.	Causal support is separated from association.
R3 Governance	Action contract with tool trace, privacy cost, authority, and audit trail.	Action is verifiable, approved, and audit-ready.
R4 Evaluation	Decision tasks for act, defer, ask, and refuse under drift.	Calibrated restraint is rewarded when action is unsafe.

V Заключение

Интеллектуальный анализ процессов был основан на предпосылке, что журналы событий могут раскрыть то, как работа протекает на самом деле. В данной статье эта предпосылка распространяется на агентные рабочие процессы: когда полученные в результате анализа данные используются для запуска или блокировки организационных действий, результат должен содержать доказательства, ограничения и подотчетность в совокупности. Таким образом, интеллектуальный анализ процессов от события к действию требует четырех взаимосвязанных артефактов: представлений, пакетов доказательств, контрактов управления и задач оценки, которые превращают журналы в рекомендации, которые организация может проверить, ограничить, отложить или отклонить. Успех заключается не только в автоматизации. Он включает в себя отсрочку или отказ, когда журналы неполны, доказательства слабы или отсутствуют полномочия. Основная идея проста: следующий рубеж — это не более крупная панель мониторинга или неконтролируемый процессный агент, а фундамент интеллектуального анализа данных для подотчетного процессного действия..