L’obiettivo del progetto è sviluppare un insieme completo di tecniche spiegabili e knowledge-aware di process intelligence. Ciò avviene integrando il process mining con i recenti progressi nell’intelligenza artificiale e nei linguaggi e tecniche dichiarative per rappresentare processi complessi e/o flessibili.

Uno degli obiettivi più importanti delle organizzazioni contemporanee, che spaziano dalle aziende private alle istituzioni pubbliche, è migliorare e ottimizzare continuamente i propri processi operativi, aumentando la soddisfazione dei clienti e la qualità dei prodotti/servizi, riducendo i costi e incrementando le prestazioni. Tradizionalmente, questo obiettivo viene affrontato con approcci come Six Sigma o Total Quality Management, in cui gli analisti aziendali ottengono solo una ricostruzione indiretta della realtà organizzativa attraverso interviste, rapporti e studi sul campo.

La massiccia digitalizzazione delle organizzazioni contemporanee e, più in generale, del nostro ecosistema sociale, rappresenta un punto di svolta in questo contesto: ogni attività svolta lascia una traccia digitale, che spesso fornisce una rappresentazione fedele di come i processi vengono effettivamente eseguiti nella pratica. Il process mining è un campo innovativo all’intersezione tra ingegneria guidata da modelli e data science, il cui scopo è analizzare tali dati di eventi per ottenere informazioni su come i processi vengono eseguiti nella realtà e supportare un miglioramento dei processi basato su prove fattuali.

Grazie alle tecniche di process mining, è ora possibile eseguire compiti sofisticati come:

• Process discovery, che consiste nell’apprendere automaticamente un modello di processo rappresentativo da log di eventi, ricostruendo il processo effettivo (non quello desiderato che la direzione si aspetta venga eseguito);
• Conformance checking, che consiste nel rilevare/misurare la deviazione tra i comportamenti attesi contenuti in un modello di processo e gli eventi tracciati in un log;
• Predictive monitoring, che mira a stimare come un’istanza di processo in corso progredirà, basandosi su osservazioni parziali del suo stato corrente.

L’applicabilità di queste tecniche si basa sulla presenza di log di eventi di alta qualità, espliciti, che devono essere estratti dai sistemi eterogenei utilizzati dall’organizzazione, rendendo il fattore “garbage-in garbage-out” un rischio concreto: se tali dati non sono di buona qualità, sono largamente incompleti e contengono informazioni mancanti o errate, i risultati prodotti dalle pipeline di process mining sono fuorvianti e infedeli.

Allo stesso tempo, le tecniche di process mining utilizzate contengono algoritmi “black-box” che non forniscono spiegazioni sui risultati prodotti né sono in grado di incorporare correttamente la conoscenza organizzativa relativa al dominio specifico in cui sono utilizzati.

Il progetto PINPOINT affronta queste limitazioni sviluppando un insieme completo di tecniche di process intelligence spiegabili e consapevoli della conoscenza di dominio disponibile. Lo fa basandosi sui recenti progressi nell’intelligenza artificiale e nei linguaggi e tecniche dichiarative per rappresentare processi complessi e/o flessibili.