Un algoritmo per la determinazione di modelli di processo DCR a partire da esempi positivi e negativi

I linguaggi imperativi determinano i modelli di processo specificando il flusso di controllo che si vuole avere al loro interno. La natura dinamica dei processi aziendali, però, rende difficile il mapping di tali azioni in diagrammi di flusso imperativi, generando modelli complessi e di difficile lettura. I modelli dichiarativi, al contrario, si concentrano sulla specifica di ciò che dovrebbe essere soddisfatto, offrendo, all’interno del processo, tutti i comportamenti possibili e usando i vincoli per eliminare il comportamento non desiderato, in modo da ottenere modelli più semplici e di facile comprensione. Il controllo e il monitoraggio di tali processi è realizzato dal Process Mining. Quest’ultimo consente di generare un modello di processo, semplicemente, analizzando le attività che sono contenute nei log di eventi (Discovery), confrontare un log recente con un modello esistente (Conformance Checking) o migliorare il modello di processo utilizzando le informazioni estratte dal log (Enhancement). La maggior parte degli algoritmi di discovery esistenti utilizzano log costituiti da tracce positive, tuttavia, non discriminano i comportamenti desiderati da quelli indesiderati. In questo lavoro viene presentato un algoritmo di discovery, ispirato a quello presentato da Mooney nel 1995, che sfrutta sequenze di azioni sia positive che negative in modo da ottenere un modello che si avvicini maggiormente alla realtà. L’algoritmo restituisce un modello di processo dichiarativo e presenta due diverse versioni, una che ritorna una formula logica costituita da disgiunzioni di congiunzioni (OR di AND) e l’altra che restituisce una formula logica costituita da congiunzioni di disgiunzioni (AND di OR).