Annonce en lien avec l’Action/le Réseau : aucun
Laboratoire/Entreprise : LAMSADE, Université Paris-Dauphine
Durée : 3 ans
Contact : daniela.grigori@dauphine.fr
Date limite de publication : 2017-04-24
Contexte :
La fouille de processus (process mining) est une discipline de recherche relativement jeune qui applique des techniques d’intelligence artificielle et de fouille de données pour la modélisation et l’analyse des processus ([1]).
L’idée est d’extraire des connaissances à partir des événements des traces d’exécution des différentes applications transactionnelles pour découvrir, surveiller et améliorer les processus. Les approches existantes permettent de découvrir le modèle de processus ou ses variantes, de détecter des modifications du modèle initialement conçu, de trouver des corrélations entre les données du processus et les différentes variantes du modèles ([3]), d’analyser et de prédire des aspects inefficaces ([4,5]).
Références
[1] Wil M. P. van der Aalst et al., Process Mining Manifesto. Business Process Management Workshops (1) 2011: 169-194
[2] S.-M.-R. Beheshti, S. Sakr, D. Grigori, A. Gater, M. Chai Baruckh, B. Benatallah, H. R. Motahari-Nezhad, S-H. Ryu Process Analytics: Concepts and techniques for querying and analysing process data, Springer, ISBN 978-3-319-25037-3, 2016
[3] P. Delias, D. Grigori, M. L. Mouhoub, A. Tsoukias, Discovering Characteristics that Affect Process Control Flow, LNBIP (Lecture Notes in Business Information Processing), Volume 221, 2015, pp 51-63
[4] Daniela Grigori, Fabio Casati, Umeshwar Dayal, Ming-Chien Shan:
Improving Business Process Quality through Exception Understanding, Prediction, and Prevention. VLDB 2001: 159-168
[5] Daniela Grigori, Fabio Casati, Malú Castellanos, Umeshwar Dayal, Mehmet Sayal, Ming-Chien Shan: Business Process Intelligence. Computers in Industry 53(3): 321-343 (2004)
Sujet :
Même si beaucoup d’approches de fouille de processus ont été proposées dans la littérature ([1]), les applications actuelles (processus inter-organisationnels, phénomène big data) posent de nouveaux défis ([2]) :
-le volume des données (événements) stockées dans l’historique est très grand
-les processus génèrent des données stockées dans différents systèmes et formats (posant donc un problème d’intégration de données)
-des parties de processus peuvent s’exécuter via des échanges de messages électroniques ou via les réseaux sociaux (générant des données de type texte)
-certains processus sont très flexibles, non–structurés ou ad-hoc.
Objectifs : Les travaux de thèse devront aborder ces défis et proposer des techniques de fouille de processus permettant d’analyser des données historiques provenant des multiples sources, en multiples formats (texte, semi-structurés). Les algorithmes proposés devront gérer le passage à l’échelle. Pour faciliter l’utilisation du système proposé par des non-experts, des abstractions orientées processus devraient être proposées. Nous envisageons d’éteindre l’approche proposée dans [4,5] pour proposer des techniques d’amélioration continue (et en temps réel) des processus, basées sur la fouille de données et minimisant l’effort de l’analyste.
La description du sujet est disponible à l’adresse : https://www.lamsade.dauphine.fr/sites/default/IMG/pdf/grigoridelias-1.pdf
Profil du candidat :
Le dossier de candidature comportera les éléments suivants :
– CV
– Relevés de notes
– Lettre(s) de recommandation
Le dossier de candidature est à envoyer par mail à :
Daniela Grigori, mél : daniela.grigori@dauphine.fr (tél : 01 44 05 45 08)
Formation et compétences requises :
Master en informatique
Adresse d’emploi :
Université Paris-Dauphine