想象一下，你是一位经验丰富的侦探，正试图破解一桩复杂的案件。你面对着堆积如山的线索：目击证词、法医报告、嫌疑人背景等等。你该如何着手？你会依靠直觉，还是逐一分析每个细节？
现在，假设你有一位能力超群的助手，他可以帮你整理线索、分析数据，甚至预测嫌疑人的下一步行动。这位助手，就是我们今天要探讨的主角——AI智能体。
在流程挖掘领域，我们也面临着类似的挑战。企业每天都在产生海量的事件数据，这些数据就像散落在案发现场的线索，蕴藏着关于业务流程效率和问题的宝贵信息。传统的流程挖掘技术，就像一位经验丰富的侦探，可以帮助我们从这些数据中发现规律、识别瓶颈。然而，面对日益复杂的流程和海量的事件数据，传统的流程挖掘技术也显得力不从心。
近年来，大型语言模型（LLM）的快速发展为流程挖掘带来了新的可能性。LLM就像那位能力超群的助手，可以理解自然语言、生成代码，甚至进行推理和决策。将LLM应用于流程挖掘，可以帮助我们更深入地理解流程、更快地识别问题、更有效地优化流程。
流程挖掘的AI智能体时代
早期的研究尝试直接将流程挖掘任务交给LLM处理，例如将流程挖掘的结果转换为文本，让LLM进行分析和解读。这种方法在处理简单的流程挖掘任务时取得了一定的效果，但对于需要多步骤推理和复杂分析的任务，LLM的表现却不尽如人意。
为了解决这个问题，研究人员提出了基于AI智能体工作流（AgWf）的流程挖掘方法。AgWf将复杂的流程挖掘任务分解成多个简单的子任务，每个子任务由专门的AI智能体负责处理。
举个例子，假设我们要分析一个事件日志，找出其中是否存在不公平现象。传统的流程挖掘方法可能会尝试直接从整个事件日志中寻找不公平的证据，而AgWf则会将这个任务分解成以下几个子任务：
- 识别受保护群体: 首先，我们需要确定哪些群体是需要特别关注的，例如不同性别、种族或年龄段的员工。
- 比较不同群体的行为: 然后，我们需要比较受保护群体和其他群体的行为，看看是否存在显著差异。
- 分析差异的原因: 最后，我们需要分析造成差异的原因，例如流程设计上的缺陷、人为的偏见或数据质量问题。
每个子任务都可以由专门的AI智能体负责处理。例如，第一个子任务可以使用自然语言处理技术从事件日志中提取与受保护群体相关的信息；第二个子任务可以使用统计分析技术比较不同群体的行为；第三个子任务可以使用机器学习技术识别造成差异的原因。
AgWf：流程挖掘的“瑞士军刀”
AgWf就像一把“瑞士军刀”，可以根据不同的流程挖掘任务灵活地组合不同的AI智能体和工具。
在AgWf中，常见的AI智能体类型包括：
- 提示优化器: 负责将用户的自然语言查询转换为AI智能体可以理解的指令。
- 集成器: 负责将多个AI智能体的结果整合起来，形成最终的结论。
- 路由器: 负责根据任务的类型和数据的特点，将任务分配给最合适的AI智能体。
- 评估器: 负责评估AI智能体的结果，并根据需要进行调整。
- 结果改进器: 负责改进AI智能体的结果，例如提高结果的准确性、可读性或可解释性。
除了AI智能体，AgWf还可以集成各种流程挖掘工具和技术，例如流程发现、一致性检查、预测分析等等。通过将AI智能体和传统工具相结合，AgWf可以充分发挥两者的优势，实现更高效、更智能的流程挖掘。
未来展望：AgWf的挑战与机遇
AgWf为流程挖掘带来了新的可能性，但也面临着一些挑战：
- 自动构建AgWf: 目前，AgWf的构建主要依赖人工经验。如何自动地根据任务需求和数据特点构建最优的AgWf，是一个值得研究的问题。
- 评估AgWf的效果: 如何评估AgWf的效果，以及如何比较不同AgWf的优劣，也是一个需要解决的问题。
- 人机协同: 在AgWf中，如何实现人机协同，充分发挥人和机器的各自优势，也是一个重要的研究方向。
尽管面临着挑战，但AgWf的未来充满希望。随着LLM技术的不断发展和AgWf研究的不断深入，AgWf将为流程挖掘带来一场效率革命，帮助我们更好地理解和优化业务流程，提升企业的效率和竞争力。
参考文献
[1] Abuelsaad, T., et al. (2024). Agent-e: From autonomous web navigation to foundational design principles in agentic systems. arXiv preprint arXiv:2407.13032.
[2] Berti, A., et al. (2024). Pm-llm-benchmark: Evaluating large language models on process mining tasks.
[3] Berti, A., et al. (2024). Evaluating Large Language Models in Process Mining: Capabilities, Benchmarks, Evaluation Strategies, and Future Challenges. In Proceedings of the BPM-DS 2024 Working Conference. Springer.
[4] Jessen, U., et al. (2023). Chit-chat or deep talk: Prompt engineering for process mining.
[5] Li, Y., et al. (2023). Metaagents: Simulating interactions of human behaviors for llm-based task-oriented coordination via collaborative generative agents.