Die Bedeutung der Prozessorganisation von Unternehmen wird in den kommenden Jahren nicht nur erhalten bleiben, sondern größer werden. Denn die Gründe, die zu einer intensiveren Auseinandersetzung mit den Prozessen geführt haben, werden nicht wegfallen, sondern sich eher noch verstärken [Wi07]. Diese Arbeit beschäftigt sich mit dem Problem, dass solche etablierten und standardisierten Prozesse fehlerhaft sein können oder geändert werden müssen, weil sich Umweltbedingungen geändert haben. Unerwartete Fehler können immer in Prozessen auftreten, unabhängig davon, ob es ein selbst erstellter oder übernommener Prozess ist. Der hier vorgestellte Forschungsansatz unterstützt den Prozessmodellierer, indem Prozesse automatisch von einem System sowohl zur Laufzeit als auch während der Modellierung geändert werden können. Dazu wird eine Methode aus einem Teilgebiet der künstlichen Intelligenz verwendet, die später genauer erklärt wird.
Inhaltsverzeichnis
Kapitel 1 - Einleitung
1.1 Motivation
1.2 Grundbegriffe
1.2.1 Business-Prozess / Geschäftsprozess
1.2.2 Workflows
1.2.3 Workflow Management System (WfMS)
1.2.4 Abarbeitung und Steuerung von Workflows
1.2.5 Korrektheit
1.2.6 Erfahrungsmanagement
1.3 Technologische Grundlagen
1.3.1 Agilität in Workflows
1.3.2 Fallbasiertes Schließen
1.4 Ziel dieser Arbeit
1.5 Aufbau dieser Arbeit
Kapitel 2 - Ähnliche Forschungsansätze
2.1 AdaptFlow
2.2 CODAW
2.3 CBRFlow
2.4 Phala
2.5 Bewertung der Systeme
Kapitel 3 - Die CAKE Systeme
3.1 CAKE I
3.1.1 Architektur
3.1.2 Datenmodell
3.1.3 Ähnlichkeitsmodell
3.2 CAKE II
3.2.1 Architektur
3.2.2 Die CAKE Modellierungssprache
3.2.3 Konsistenz von Workflows
3.2.4 Das CAKE Statusmodell
3.2.5 Abarbeitung von Workflows
3.2.6 Anhalten von Workflows
3.3 CAKE III
3.3.1 Integration der CAKE Systeme
Kapitel 4 - Konzeptentwicklung
4.1 Anforderungsanalyse
4.1.1 Szenarien
4.1.2 Anforderungen an den Adaptionsprozess von Workflows
4.1.3 Anforderungen an die Repräsentation von Fällen
4.2 Fallrepräsentation
4.2.1 Das Retrievalformat für Workflows
4.2.2 Die ADD- und DELETE-Listen
4.3 Der Adaptionsprozess
4.3.1 Der Adaptionszyklus
4.3.2 Setzen von Breakpoints
4.3.3 Das Retrieval von Adaptation Cases
4.4 Das Ankerprinzip
4.4.1 Das Lokalisierungsproblem
4.4.2 Adaptionsalgorithmen
4.4.3 Beispiel einer Workflow Adaption
4.5 Evaluation der Adaptionsalgorithmen
4.6 Beurteilung und Zusammenfassung
Kapitel 5 - Umsetzung des Konzeptes
5.1 Voruntersuchungen
5.1.1 Performanztest von CAKE I
5.1.2 Untersuchung von Kochprozessen
5.2 Erweiterung von CAKE I
5.2.1 Implementierung der Fallrepräsentation
5.2.2 Implementierung des Retrievalformats für Workflows
5.2.3 Implementierung der ADD- und DELETE-Listen
5.3 Der Adaptation Manager
5.4 Die Interaktion der CAKE Systeme
5.5 Implementierung des CAM Algorithmus
5.6 Zusammenfassung und Beurteilung
Kapitel 6 - Schlussbemerkungen
Zielsetzung & Themen
Die Arbeit beschäftigt sich mit der Konzipierung und Realisierung einer Softwarekomponente, die Workflows automatisch anpasst. Das primäre Ziel ist es, den Vorgang der Prozessmodellierung für den Workflowmodellierer zu beschleunigen und Fehler bei der Konstruktion zu vermeiden, indem semantisch ähnliche Workflows durch ein Case-based Reasoning (CBR) System gefunden und deren Teile wiederverwendet werden können.
- Automatische Adaption von Workflows zur Laufzeit
- Integration von CBR-Technologie (CAKE-Systeme)
- Entwicklung eines Konzepts zur Fallrepräsentation (Adaptation Cases)
- Methoden zum Lokalisierungsproblem (Ankerprinzip)
- Evaluation durch Anwendungsdomänen (Verwaltungsprozesse und Kochprozesse)
Auszug aus dem Buch
4.4.2 Adaptionsalgorithmen
Die Anker der ADD- und DELETE-Listen können auf unterschiedliche Art und Weise genutzt werden, um das Lokalisierungsproblem zu lösen. Die für diese Arbeit entwickelten Algorithmen, die in [MinorEtAl10a] und [MinorEtAl10b] miteinander verglichen wurden, unterscheiden sich in vier Varianten. Das Bestimmen der Kandidaten und die Überprüfung ihrer Gültigkeit läuft in allen Algorithmen gleich ab. Die Algorithmen unterscheiden sich lediglich im dritten Schritt der Adaption. Das Bilden konsistenter Tupel für das Ankermapping geschieht auf unterschiedliche Weise:
• PRe Anchor Mapping (PRAM): Der post anchor einer Kette wird komplett ignoriert, während für jeden pre anchor aus der Menge der Kandidaten der am besten passende ausgewählt wird. Falls ein Kandidat für mehrere pre anchors als bester Kandidat gewählt wurde, so wird einem beliebigen pre anchor dieser Kandidat zugeteilt, während die anderen pre anchors auf die nächstbesten Kandidaten gemappt werden.
• POst Anchor Mapping (POAM): Der pre anchor einer Kette wird ignoriert, während die post anchor analog zur PRAM Methode behandelt werden.
• Composite Anchor Mapping (CAM): Das Mapping wählt sowohl Kandidaten aus der Menge konsistenter Paare als auch einzelne Kandidaten, wenn dies sinnvoll erscheint. Dazu wird die Menge konsistenter Paare in zwei Mengen aufgeteilt. Während die eine Menge die „tight pairs“ (dt. „enge Paare“) bilden, wird der Rest als „non-tight pairs“ (dt. „nicht-enge Paare“) bezeichnet. Ein tight pair zeichnet aus, dass der Kandidat des pre anchors der direkte Vorgänger des post anchor Kandidaten im zu adaptierenden Workflow ist. Die tight pairs dienen als Kandidatenmenge für Anker auf der ADD-Liste, während die non-tight pairs normalerweise für die Anker auf der DELETE-Liste als Kandidaten zur Verfügung stehen. Dies liegt daran, dass die Elemente einer zu löschenden Kette sich zwischen den Ankern befinden und auch gemappt werden müssen. Der Abstand ist der Grund, warum Anker einer DELETE-Liste in der Regel keine direkten Nachbarn sind. Danach werden die beiden Kandidatenmengen nach der kumulierten Ähnlichkeit jedes Tupels sortiert. Das Paar mit der höchsten Ähnlichkeit wird nun verglichen mit den Ähnlichkeitswerten einzelner Kandidaten, die nach der PRAM und POAM Methode berechnet wurden. Schlussendlich wird das Paar oder der einzelne Kandidat mit der höchsten Ähnlichkeit für das Mapping genommen. Falls ein Kandidat mehrmals ausgewählt wurde, wird dieser Kandidat einem beliebigen Ankerpaar zugewiesen und die übrigen Ankerpaare werden auf das nächstbeste Paar oder einzelnen Kandidaten gemappt.
• Maximum Anchor Mapping (MAM): Diese Methode unterscheidet sich nur wenig von der CAM Methode. Die Berechnung der Ähnlichkeit der Kandidatenpaare erfolgt hier nicht kumulativ, sondern ist durch eine Maximumsfunktion ersetzt.
Zusammenfassung der Kapitel
Kapitel 1 - Einleitung: Diese Einleitung motiviert die Wichtigkeit von Workflow-Adaptionen in dynamischen Unternehmensumgebungen und führt in die technologischen Grundlagen wie Workflow-Management-Systeme und Case-based Reasoning ein.
Kapitel 2 - Ähnliche Forschungsansätze: Hier werden bestehende Ansätze zur Workflow-Adaption wie AdaptFlow, CODAW, CBRFlow und Phala vorgestellt und hinsichtlich ihrer Praxistauglichkeit und Automatisation bewertet.
Kapitel 3 - Die CAKE Systeme: Dieses Kapitel beschreibt die existierende CAKE-Infrastruktur, bestehend aus dem Framework CAKE I für CBR-Anwendungen und dem Workflow-System CAKE II, sowie die Architektur für CAKE III.
Kapitel 4 - Konzeptentwicklung: In diesem Kapitel wird das Konzept zur automatischen Adaption von Workflows entwickelt, von der Anforderungsanalyse über die Fallrepräsentation bis hin zum Ankerprinzip und ersten Evaluationsergebnissen.
Kapitel 5 - Umsetzung des Konzeptes: Dies umfasst die technische Implementierung der Fallrepräsentation, der Erweiterung der CAKE I-Klassen und des Adaptation Managers sowie die Detaildarstellung des CAM-Algorithmus.
Kapitel 6 - Schlussbemerkungen: Das letzte Kapitel bietet eine kritische Würdigung der Arbeit und reflektiert über die zukünftige Nutzung prozessorientierter Ansätze auch außerhalb klassischer betriebswirtschaftlicher Kontexte.
Schlüsselwörter
Workflow Management, Prozessadaption, Case-based Reasoning, CBR, Automatisierung, Workflow-Modellierung, Lokalisierungsproblem, Ankerprinzip, Adaptation Cases, Softwarekomponente, CAKE, Wissensmanagement, Prozessmodellierung, Datenfluss, Fehlerkorrektur
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundsätzlich?
Die Arbeit entwickelt eine Softwarekomponente, die in der Lage ist, bestehende Workflows automatisch an neue Gegebenheiten oder unvorhergesehene Ereignisse anzupassen, um die Effizienz der Prozessmodellierung zu steigern.
Was sind die zentralen Themenfelder der Arbeit?
Zentral sind die Themen Workflow-Management, automatisierte Workflow-Adaption, Case-based Reasoning (CBR) zur Wissenswiederverwendung und die formalisierte Modellierung von Geschäftsprozessen.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist die Konzipierung und Realisierung einer Komponente, die dem Workflowmodellierer hilft, semantisch ähnliche Workflows basierend auf Erfahrungen (Fällen) zu finden, um Teile davon in neuen Workflows wiederzuverwenden und somit manuellen Modellierungsaufwand zu reduzieren.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt Methoden aus dem Bereich der Künstlichen Intelligenz, insbesondere das fallbasierte Schließen (CBR), um Adaptionswissen in Form von "Adaptation Cases" zu erfassen, zu speichern und auf neue Situationen anzuwenden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil umfasst eine Literaturanalyse bestehender Systeme, die Vorstellung der CAKE-Systemlandschaft, die detaillierte Konzeptentwicklung zur automatisierten Adaption (inklusive Ankerprinzip) und die technische Umsetzung des Konzepts innerhalb der CAKE III-Plattform.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich durch Begriffe wie Workflow Management, Prozessadaption, Case-based Reasoning (CBR), Ankerprinzip, Adaptation Cases und Workflow-Modellierung beschreiben.
Wie genau funktioniert das Ankerprinzip bei der Adaption?
Das Ankerprinzip nutzt "pre anchors" und "post anchors", um exakt die Stelle im Workflow zu identifizieren, an der Änderungen (Einfügen oder Löschen von Elementen) vorgenommen werden sollen, indem diese Anker auf entsprechende Workflow-Elemente gemappt werden.
Was ist der Unterschied zwischen der halbautomatischen und vollautomatischen Adaption?
Bei der halbautomatischen Adaption schlägt das System Lösungen vor, die der Modellierer manuell umsetzt, während bei der vollautomatischen Adaption das System selbstständig den Workflow unter Einhaltung von Konsistenzkriterien anpasst (wobei eine menschliche Endkontrolle im Simulationsmodus vorgesehen ist).
- Quote paper
- Dipl.-Wirt. Inform. M. Sebastian E. K Görg (Author), 2010, Entwicklung einer Komponente zur automatisierten Adaption von Workflows, Munich, GRIN Verlag, https://www.hausarbeiten.de/document/170401
