Planlayın
Dijital dönüşüm çağında, iş süreçlerinin verimli yönetilmesi, kurumların kullanmakta oldukları İş Süreç Yönetimi (BPM – Business Process Management) çözümlerine bağlıdır. Bu yazılım çözümleri, kurumların tekrarlı ve monoton işleri otomatize etmelerini, operasyonel akışlarını tasarlamalarını ve yönetmelerini sağlar. Kurumların operasyonel akışlarının kalbinde yer alan bu yazılım çözümleri, verimsiz ve ilkel durumda oldukları takdirde kurumların ciddi kayıplar yaşamalarına sebebiyet verebilir.
Bu yazılım çözümleri, doğaları gereği süreç kayıt günlükleri (Event Log) şeklinde oldukça yüksek miktarda veri üretmektedir. Bu günlükler, gerçek dünyada yer alan operasyonel akışın dijital yansımalarıdır, dolayısıyla gerçek dünyada karşılaşılan herhangi bir aykırılık veya istenmeyen durum (anomali) bu kayıtlara yansıyacaktır. Kurumumuz bu durumların tespiti için BPM platformuna iş süreç anomali tespiti özellikleri getirmeyi hedefleyen TÜBİTAK destekli AnomalyNet projesini başlatmıştır.
Yayınlanan Makalemiz
Gerçekleştirdiğimiz çalışma, sadece kalite ve etki kriterleri en yüksek dergilerin yer aldığı SCI-e (Science Citation Index Expanded) kapsamında taranan, Q1 kalite indeksine sahip ve H indeksi 247 olan IEEE Access dergisinde, Multi-Graph Anomaly Detection in Business Processes With Scalable Neural Architectures ismiyle yayınlanmıştır. IEEE Access, yazılım ve mühendislik dünyasının en saygın, açık erişim dergilerinden biri olup, sahip olduğu yüksek etki faktörü ve geniş erişimi sayesinde araştırmacılar için değerli bir platformdur.
Çalışmamız
Yapılan çalışmamız, çoklu graf yapısı (multi-graph structure) ve graf nöral ağlar (GNN – Graph Neural Networks) ile iş süreçleri üzerinde anomali tespitini konu almaktadır. Araştırma ekibimiz yapılan çalışmalar sonucunda, son teknoloji (state-of-the-art) derin öğrenme ve öznitelik mühendisliği (feature engineering) yaklaşımlarını harmanlayarak, mevcut yaklaşımların zayıf noktalarını kapatmıştır. Çalışmalar sonucu ortaya AnomalyNet projesinin beyni görevini üstlenecek olan derin öğrenme modeli ortaya çıkmıştır.
Gerçekleşen derin öğrenme modeli, özel ve kamuya açık verisetleri üzerinde test edilmiş ve son teknoloji yaklaşımlara kıyasla 22%ye kadar daha fazla anomali tespit performansı göstermiştir. Eş zamanlı olarak, dönüştürücü (Transformer) mimarisinden faydalanılması sayesinde tespit performansı artışının beraberinde 60%a kadar model eğitim ve tahminleme süresinde kazanım sağlanmıştır. Gerçek dünyada karşılaşılabilecek anomali senaryolarını konu alan enjeksiyonlar üzerinde gerçekleştirilmiş bu testler, geliştirilen modelin gerçek dünya kullanımına uygun olduğunu, ve iş süreç optimizasyonu için oldukça kullanışlı bir araç olduğunu öne sürmektedir.
Taban mimari üzerinde yapılmış kod çözücü geliştirmelerinin diyagramı. Üst tarafta yalnızca dönüştürücü kullanan kod çözücü bulunmaktadır. Alt tarafta ise dönüştürücü ve geçitlenmiş tekrarlı ünite (GRU) hibrit kod çözücü mimarisi yer almaktadır.
Çalışmamız hakkında daha detaylı bilgi edinmek için, aşağıda yer alan makalemizi incelemenizi tavsiye ediyoruz:
