Process Mining Without Perfect Data? Anne Rozinat Says Yes!
Notice bibliographique
Résumé
Anne Rozinat has been a process mining enthusiast for more than two decades.She holds a PhD degree in process mining from the Eindhoven University of Technology (TU/ e).Together with Christian Gu ¨nther, she is a co-founder of one of the oldest process mining tool vendors in existence: Fluxicon (since 2009). 1 Their Disco tool is used by professionals, and has a long-standing tradition of being used by research groups and teachers all over the world, thanks to their Academic Initiative.Fluxicon's Flux Capacitor blog 2 and Process Mining Cafe ´3 regularly provide insights on the intersection of industry practice and academic research on process mining.Thanks to her wealth of experience on both sides of the process mining world, Anne is a perfect candidate to provide her views on the topic of our special issue related to Exploring the (Mis)-Match Between Real-World Processes and Event Data.BISE: Hello Anne, thank you for taking your time and joining us today.To start off, can you share a bit about your journey in process mining and what sparked your interest in this field?Anne: Thank you for inviting me!I came across the topic as a student in the early 2000s.Prof. Weske offered great BPM lectures and seminars at the HPI in Potsdam, Germany, where I stumbled upon process mining.Back then, it was still called workflow mining and ProM did not yet exist.I loved the idea of turning BPM on its head and automatically, magically, discovering process maps from event data.I was sold.In 2004
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,010 | 0,022 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».