生成式和预测式人工智能与流程挖掘的关系

在当今AI时代
，，生成式和预测式人工智能在流程管理领域的作用日益凸显，，，，尤其是与流程挖掘之间存在着紧密且复杂的联系。。尽管这两种人工智能技术将给流程管理带来重大变革，，但专用的流程挖掘方法依旧不可或缺。。企业在探索复杂的人工智能和机器学习应用之前，，掌握基本的流程挖掘技术是关键
。。。。因为在企业面临数据查找
、、
、提取困难以及流程改进实施难题时，，，，不能盲目依赖在通用数据上训练的大型语言模型（LLM）。。为确保运营流程高效、、合规且优化
，，，，企业需要遵循循序渐进的原则。。。。本文旨在为希望借助这些新技术改进流程的人士提供全面的指导。。

深入了解流程挖掘及其类型

（一）流程挖掘的本质

流程挖掘是业务流程管理领域的重要方法，
，，它借助数据驱动、
、以流程为核心的技术，，
，对企业流程进行分析与改进。。其以带有时间戳且关联活动的事件数据为起点，，，通过挖掘这些数据，，，，揭示企业实际业务流程的真实状况。。。。

（二）流程挖掘的主要类型

发现：流程发现致力于从事件日志中提取流程模型，，精准直观地呈现组织内部的实际流程，，，帮助企业清晰了解业务的运行路径。。。

检查：一致性检查将事件日志记录的实际流程与预定义的流程模型进行对比，，，，快速定位偏差和合规性问题，
，，
，确保流程符合既定规范。
。

预测
：此类型流程挖掘依据事件日志洞察，，，
，对现有流程进行优化，，是流程（模型）增强技术的重要组成部分
，，，助力企业提前规划
，
，，，提升流程效率。。。

提取：在源系统（如 ERP 和 CRM 系统）中查找、、提取并转换数据。。。
。由于数据可能分散在多个系统的数百甚至数千个表中，
，，，提取过程至关重要，
，，它为后续分析提供数据基础。。

行动
：将流程挖掘的成果转化为实际改进措施，，
，包括组织变革和自动化。。。。然而，
，，，揭示执行差距并不意味着改进会自动发生，，，人们容易回归低效行为模式，，，，且流程挖掘虽显示出流程自动化潜力，，，但实施需要专业工作
。。。这两个步骤虽并非流程挖掘特有，
，，，但却是实际应用中的最大挑战，，主要阻碍因素多为文化或组织层面的问题。
。。

（三）以对象为中心的流程挖掘（OCPM）

OCPM 是一种新兴方法，
，，它突破传统流程挖掘局限，，，同时关注多个对象（如订单、、、、发票和交货）。
。
。在复杂环境中
，，，传统以案例为中心的流程挖掘存在不足，，OCPM 则能发挥重要作用。
。
。
。它认识到现实事件和流程涉及多种相互关联对象，，，，通过研究这些对象在流程中的相互作用和影响
，，提供更全面准确的流程理解
。
。。。

在传统事件数据中，，，，事件仅关联单个案例；而在 OCPM 中，，事件可引用任意数量对象，，
，，对象和事件都有类型，
，且对象可相互引用。
。。。无需特定案例概念
，，，所有事件和对象能以系统无关方式存储，，
，实现单一事实来源多角度查看运营活动，，，
，更改视点无需提取数据
，，还能避免传统的发散和收敛等扭曲问题，，，，清晰呈现涉及多种对象类型的问题。。例如，，
，客户订单延迟可能由生产、、、、物流、、、、采购或销售部门等多方面问题导致，
，OCPM 能够全面分析这些因素。。。
。

生成式人工智能与预测式人工智能

（一）两者的区别

理解生成式人工智能和预测式人工智能在流程挖掘中的作用
，，，首先要明确它们的区别。。。生成式人工智能专注于创造新的数据或模式，，，
，像 ChatGPT 这样的工具，，，
，能生成类似人类语言的文本
。。
。。而预测式人工智能则侧重于分析现有数据，，，以此预测未来结果。。。人工智能的发展很大程度上得益于机器学习（ML）的突破，，
，，所以这两个术语常被混用
。。。。

（二）预测式人工智能

预测式人工智能旨在通过分析现有数据，，，，对未来事件或结果做出预测，，广泛应用于预测、、、、风险评估和趋势分析等领域。。。。其技术大多已存在较长时间，，如回归分析
、、、时间序列分析以及从决策树到神经网络等各种机器学习模型。。。它依靠历史数据学习模式和关系
，，输出通常是具体预测
、、、决策建议或表示未来事件可能性的概率分数
，，
，，且大多仅使用与问题相关的数据。。

（三）生成式人工智能

生成式人工智能着重创建与训练数据相似但又不同的新内容或数据，，，
，可生成文本、、、图像、、
、、音乐等。。与预测式人工智能不同，，，它不针对特定现象，，，，而是使用大量无关数据，，，，输出基于输入数据模式创建的全新原创内容
。。以 ChatGPT 为代表的大型语言模型（LLM），
，
，，通过学习大量数据
，，，，生成模仿学习数据的新原创内容，，，
，凭借先进的自然语言处理能力
，
，
，在各行业迅速普及，，，改变了企业和个人与技术的交互方式
，
，，推动了创新和效率提升，，，还能生成简单程序和数据库查询，，因其可将 Python 和 SQL 视为语言
，
，，
，且有大量示例 “文本” 可供学习。。生成式人工智能比传统预测式人工智能更具变革性，，因为它接管了以往由人类完成的部分任务
。。。

生成式和预测式人工智能与流程挖掘的关系

生成式和预测式人工智能以三种不同方式补充流程挖掘。
。在流程发现阶段，，生成式人工智能可利用其创造能力，，根据已有数据和模式，，，，生成可能的流程模型假设，
，为流程发现提供更多思路；预测式人工智能则能通过分析历史数据，，，，预测潜在的流程路径和可能出现的问题，，
，帮助企业提前规划。
。。在一致性检查中
，，预测式人工智能可根据历史合规数据
，，，预测当前流程与规范的符合程度，，，及时发现潜在风险；生成式人工智能可生成模拟数据
，，，，用于测试流程在不同场景下的合规性。
。。。在流程改进方面，，，生成式人工智能可生成创新的改进方案，，预测式人工智能则能评估这些方案的实施效果和潜在影响。。

总之，
，生成式和预测式人工智能与流程挖掘相互关联、、、、相互补充。。企业应充分认识它们的特点和优势
，，将其有机结合，，，以实现流程管理的优化和创新，，提升企业竞争力
。。。。在实际应用中，，，，企业需根据自身需求和数据基础，
，，谨慎选择和应用这些技术，，遵循从基础流程挖掘到人工智能应用的循序渐进原则，，确保技术应用的有效性和可持续性。。。