Дополнительный материал
On the Potential of Large Language Models to Solve Semantics-Aware Process Mining Tasks
ID исходника: I2-SCI-0031. 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: Авторы систематически проверяют способность LLM решать 5 задач process mining, требующих понимания смысла активностей и их связей (а не только частоты событий). КЛЮЧЕВАЯ ОГОВОРКА АВТОРОВ: LLM «из коробки» или с минимальным контекстным обучением (in-context learning) СПРАВЛЯЮТСЯ ПЛОХО со сложными задачами process mining. При supervised fine-tuning на широком наборе типов процессов и отраслей LLM достигают «сильной производительности» (собственная формулировка авторов). Практический вывод: общие способности LLM к «рассуждению о процессах» нельзя напрямую переносить на прикладной process mining без дообучения — качество результата принципиально зависит от наличия размеченных обучающих данных.
Объём чтения: abstract_only
transfer_limits: Дообучение требует специально размеченных данных по конкретным процессам — не готовое «из коробки» решение. Это бенчмарк-эксперимент, не производственное внедрение в BPM-систему компании. Числовые метрики по каждой из 5 задач и по датасетам не извлечены — они не приведены в прочитанном аннотации (нужен полный текст 31 стр., не прочитан из-за исчерпанного бюджета).
Продолжение: Проверить позже статус публикации в Process Science (Springer) и числовые метрики по задачам при доступности.