Deep learning transformer architecture for predictive business processes monitoring and anomaly detection
A lo largo de los años, el aprendizaje profundo y las redes neuronales se han aplicado en diferentes campos, como el procesamiento del lenguaje natural (PLN), la atención médica, la visión por computadora, el reconocimiento de voz, etc. Incluso si el PLN es el foco de aplicación de las redes neurona...
- Autores:
-
Díaz Torres, Mauricio
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/51463
- Acceso en línea:
- http://hdl.handle.net/1992/51463
- Palabra clave:
- Pronóstico de los negocios
Aprendizaje automático (Inteligencia artificial)
Ingeniería
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
UNIANDES2_c2cc7634d9c405f00f81f093dd58e8b1 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/51463 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection |
| title |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection |
| spellingShingle |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection Pronóstico de los negocios Aprendizaje automático (Inteligencia artificial) Ingeniería |
| title_short |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection |
| title_full |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection |
| title_fullStr |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection |
| title_full_unstemmed |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection |
| title_sort |
Deep learning transformer architecture for predictive business processes monitoring and anomaly detection |
| dc.creator.fl_str_mv |
Díaz Torres, Mauricio |
| dc.contributor.advisor.none.fl_str_mv |
González Rojas, Oscar Fernando |
| dc.contributor.author.none.fl_str_mv |
Díaz Torres, Mauricio |
| dc.subject.armarc.spa.fl_str_mv |
Pronóstico de los negocios Aprendizaje automático (Inteligencia artificial) |
| topic |
Pronóstico de los negocios Aprendizaje automático (Inteligencia artificial) Ingeniería |
| dc.subject.themes.none.fl_str_mv |
Ingeniería |
| description |
A lo largo de los años, el aprendizaje profundo y las redes neuronales se han aplicado en diferentes campos, como el procesamiento del lenguaje natural (PLN), la atención médica, la visión por computadora, el reconocimiento de voz, etc. Incluso si el PLN es el foco de aplicación de las redes neuronales, se han realizado varias investigaciones en el monitoreo predictivo de procesos. Esta área tiene como objetivo predecir cómo se pueden anticipar las características de los eventos del proceso en ejecución. Se han utilizado diferentes métodos y arquitecturas para abordar este problema y obtener la mejor precisión de predicción de diferentes características en un caso. Estas arquitecturas se abordarán más adelante. El objetivo de este trabajo es implementar un método de monitoreo predictivo en procesos de negocios utilizando la arquitectura de aprendizaje profundo de transformadores para evaluar su desempeño en la predicción de próximos eventos anómalos. Considerando que, para detectar si el siguiente evento es anómalo o no, solo se utilizarán los resultados de la predicción y métodos estadísticos, y no un método especial para la detección de anomalías, como en los trabajos DeepAlign y BiNet. Además, abordaremos los eventos anómalos como un evento fuera de lo común y no necesariamente algo malo. Por esta razón, revisaremos diferentes técnicas para la predicción del siguiente evento que se utilizan en trabajos relacionados, luego explicaré la arquitectura seleccionada y la implementaré considerando solo la predicción del siguiente evento. Y finalmente, procederemos a la validación de esta técnica con varios conjuntos de datos y la comparación de los resultados con otros trabajos. |
| publishDate |
2020 |
| dc.date.issued.none.fl_str_mv |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2021-08-10T18:26:17Z |
| dc.date.available.none.fl_str_mv |
2021-08-10T18:26:17Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/51463 |
| dc.identifier.pdf.none.fl_str_mv |
22711.pdf |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/51463 |
| identifier_str_mv |
22711.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
eng |
| language |
eng |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
22 hojas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/5143a940-7888-4e92-b6d1-03c2673fecc0/download https://repositorio.uniandes.edu.co/bitstreams/670c9f32-2459-4ff3-9807-b819ba960d10/download https://repositorio.uniandes.edu.co/bitstreams/b3944bf6-8e98-4393-952d-604a09932b04/download |
| bitstream.checksum.fl_str_mv |
caff2ac7c0e03e196d0a7348cfebd28a bb436b4329fd8a167989167117b9d0c9 c42c2f706a34fe86e6d43c400d552c0a |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1818112065486716928 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2González Rojas, Oscar Fernandovirtual::17016-1Díaz Torres, Mauricio2f9a0ef4-59db-4fa6-8ea3-2cf24da8ef2f5002021-08-10T18:26:17Z2021-08-10T18:26:17Z2020http://hdl.handle.net/1992/5146322711.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/A lo largo de los años, el aprendizaje profundo y las redes neuronales se han aplicado en diferentes campos, como el procesamiento del lenguaje natural (PLN), la atención médica, la visión por computadora, el reconocimiento de voz, etc. Incluso si el PLN es el foco de aplicación de las redes neuronales, se han realizado varias investigaciones en el monitoreo predictivo de procesos. Esta área tiene como objetivo predecir cómo se pueden anticipar las características de los eventos del proceso en ejecución. Se han utilizado diferentes métodos y arquitecturas para abordar este problema y obtener la mejor precisión de predicción de diferentes características en un caso. Estas arquitecturas se abordarán más adelante. El objetivo de este trabajo es implementar un método de monitoreo predictivo en procesos de negocios utilizando la arquitectura de aprendizaje profundo de transformadores para evaluar su desempeño en la predicción de próximos eventos anómalos. Considerando que, para detectar si el siguiente evento es anómalo o no, solo se utilizarán los resultados de la predicción y métodos estadísticos, y no un método especial para la detección de anomalías, como en los trabajos DeepAlign y BiNet. Además, abordaremos los eventos anómalos como un evento fuera de lo común y no necesariamente algo malo. Por esta razón, revisaremos diferentes técnicas para la predicción del siguiente evento que se utilizan en trabajos relacionados, luego explicaré la arquitectura seleccionada y la implementaré considerando solo la predicción del siguiente evento. Y finalmente, procederemos a la validación de esta técnica con varios conjuntos de datos y la comparación de los resultados con otros trabajos.Over the years, deep learning and neural networks have been applied in different fields such as Natural Language Processing (NLP), healthcare, computer vision, speech recognition and so on. Even if NLP is the application focus of neural networks, several researches have been carried out in Predictive Process Monitoring. This area aims to predict how the characteristics of running process events can be anticipated. Different methods and architectures have been used to deal with this problem and obtain the best prediction accuracy of different features in a case. These architectures will be addressed later. The objective of this paper is to implement a predictive monitoring method in business processes using the deep learning architecture of transformers in order to assess its performance in the prediction of anomalous next events. Considering that, to detect if the following event is anomalous or not, only the results of the prediction and statistical methods will be used, and not a special method for the detection of anomalies, like DeepAlign and BiNet. Also, we will be addressing the anomalous events as an event that is out of the ordinary, and not necessarily a bad thing. For this reason, we will review different techniques for next event prediction used in related works, then I?m going to explain the selected architecture and implement it considering only for next event prediction. And finally, we will proceed with the validation of this technique with several data sets and the comparison of the results with other works.Ingeniero de Sistemas y ComputaciónPregrado22 hojasapplication/pdfengUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y ComputaciónDeep learning transformer architecture for predictive business processes monitoring and anomaly detectionTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPPronóstico de los negociosAprendizaje automático (Inteligencia artificial)Ingeniería201630971Publicationhttps://scholar.google.es/citations?user=RPqeGp0AAAAJvirtual::17016-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000765791virtual::17016-1113cc00f-0438-4752-9652-559a3b10a3f0virtual::17016-1113cc00f-0438-4752-9652-559a3b10a3f0virtual::17016-1THUMBNAIL22711.pdf.jpg22711.pdf.jpgIM Thumbnailimage/jpeg7571https://repositorio.uniandes.edu.co/bitstreams/5143a940-7888-4e92-b6d1-03c2673fecc0/downloadcaff2ac7c0e03e196d0a7348cfebd28aMD55TEXT22711.pdf.txt22711.pdf.txtExtracted texttext/plain61466https://repositorio.uniandes.edu.co/bitstreams/670c9f32-2459-4ff3-9807-b819ba960d10/downloadbb436b4329fd8a167989167117b9d0c9MD54ORIGINAL22711.pdfapplication/pdf674942https://repositorio.uniandes.edu.co/bitstreams/b3944bf6-8e98-4393-952d-604a09932b04/downloadc42c2f706a34fe86e6d43c400d552c0aMD511992/51463oai:repositorio.uniandes.edu.co:1992/514632024-03-13 15:53:47.026http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |