Підходи до моніторингу і виявлення аномалій в бізнес-процесах за допомогою машинного навчання
Date Issued
2025
Author(s)
Коротенко С.А.
Editor(s)
Яровий Р.О.
Abstract
Збільшення обсягів даних у процесі цифрової трансформації ускладнює моніторинг
бізнес-процесів у реальному часі. Класичні методи, зокрема процесний майнінг та
регресійні моделі, демонструють обмежену ефективність у випадках високої
варіативності процесів, що знижує точність виявлення аномалій. Глибокі нейронні
мережі (DNN) завдяки здатності моделювати нелінійні залежності пропонують більш
гнучкий підхід, придатний для аналізу складних процесів. Водночас їхнє застосування
потребує значних обчислювальних ресурсів та ретельного налаштування параметрів
моделі.
Galanti et al. (2020) показали, що DNN підвищують точність аналізу бізнес-
процесів, порівняно з традиційними методами .
бізнес-процесів у реальному часі. Класичні методи, зокрема процесний майнінг та
регресійні моделі, демонструють обмежену ефективність у випадках високої
варіативності процесів, що знижує точність виявлення аномалій. Глибокі нейронні
мережі (DNN) завдяки здатності моделювати нелінійні залежності пропонують більш
гнучкий підхід, придатний для аналізу складних процесів. Водночас їхнє застосування
потребує значних обчислювальних ресурсів та ретельного налаштування параметрів
моделі.
Galanti et al. (2020) показали, що DNN підвищують точність аналізу бізнес-
процесів, порівняно з традиційними методами .
File(s)![Thumbnail Image]()
Loading...
Name
Scientific_Spring_2025-191-193.pdf
Size
340.47 KB
Format
Adobe PDF
Checksum
(MD5):b31a7f5925579d4d4febeba9d2f37077