本文是LLM系列文章,针对《Leveraging Large Language Models (LLMs) for Process Mining (Technical Report)》的翻译。
摘要
本技术报告描述了流程挖掘和大型语言模型(LLM)的交叉点,特别关注将传统和以对象为中心的流程挖掘工件抽象为文本格式。我们介绍并探索了各种提示策略:直接回答,其中大型语言模型直接处理用户查询;多提示回答,允许模型逐步建立在通过一系列提示获得的知识之上;以及数据库查询的生成,有助于根据原始事件日志验证假设。我们的评估考虑了两种大型语言模型,GPT-4和谷歌的Bard,在所有提示策略的各种上下文场景下。结果表明,这些模型对关键过程挖掘抽象有很强的理解,在解释声明性和过程性过程模型方面都表现出了显著的熟练程度。此外,我们发现这两个模型在以对象为中心的环境中都表现出了很强的性能,这可以显著推动以对象为核心的流程挖掘学科的发展。此外,这些模型在评估流程挖掘中的各种公平概念方面表现出了值得注意的能力。这为更快速有效地评估流程挖掘事件日志的公平性打开了大门,这对该领域具有重大意义。将这些大型语言模型集成到流程挖掘应用程序中,可能会为该领域的探索、创新和洞察力生成开辟新的途径。