Дополнительный материал
LLMs that Understand Processes: Instruction-tuning for Semantics-Aware Process Mining
ID исходника: I2-SCI-0030. Слой: iteration2-v0.1.
Проекция исходной записи для навигации. Принятие исследовательского выпуска не подтверждает автоматически каждое утверждение. Каноническая запись — найти по ID.
Содержание и границы
Вывод работы: Инструктивная донастройка LLM сразу на нескольких задачах process mining (вместо донастройки под одну задачу) улучшает обобщение модели на НЕВИДЕННУЮ задачу — process discovery. Авторы прямо указывают на НЕОДНОРОДНОСТЬ эффекта: на задачах process discovery и next-activity prediction производительность заметно выросла, а на задаче anomaly detection результат ВАРЬИРУЕТСЯ между разными моделями (улучшение не гарантировано). Собственная оговорка авторов: выбор набора задач для инструктивной донастройки критичен для достижения желаемого результата — не любой набор задач одинаково полезен.
Объём чтения: abstract_only
transfer_limits: Это методический бенчмарк-эксперимент на подготовленных датасетах process mining, не внедрение в реальную производственную BPM-систему компании. Улучшение на бенчмарке не гарантирует такой же эффект в промышленном инструменте process mining. Вариативность результата на anomaly detection — прямое ограничение метода, отмеченное самими авторами.
Продолжение: При наличии бюджета — прочитать полный текст (числовые метрики по задачам, датасеты) и итоговую версию в проceedings ICPM 2025.