| |
Erfahrungen beim Einsatz von Workflow-Management-Systemen in der
Industrie haben gezeigt, daß die Akquisition des Workflow-Modells und
seine Adaption an sich ändernde Anforderungen eine langwierige,
fehleranfällige und kostenintensive Aufgabe darstellt. Dies ist vor
allem durch die hochgradige Verteilung des Prozeßwissens zu
begründen. Zielsetzung der vorliegenden Arbeit war die Konzeption
einer induktiven Lernkomponente, die durch die Beobachtung von
Workflow-Instanzen in der Lage ist, den Kontrollfluß eines geeigneten
Workflow-Modells automatisch zu lernen. Dazu werden in dieser Arbeit
verschiedene Lernverfahren ausgearbeitet. Das Grundprinzip dieser
Lernverfahren ist eine Likelihood-basierte, heuristische Suche in
einem Hypothesenraum, dessen Elemente entweder stochastische endliche
Automaten oder stochastische Aktivitätsgraphen darstellen. Die
praktische Anwendbarkeit des im Rahmen der Arbeit entstandenen
Prototypen InWoLvE, der drei ausgewählte Lernverfahren implementiert,
wird in der Arbeit experimentell unter Beweis gestellt. Dazu werden
durch Simulation künstlich erzeugte Workflow-Instanzen verwendet. Die
der Simulation zugrundeliegenden Testmodelle beschreiben teilweise
reale Abläufe aus der PKWEntwicklung sowie aus dem
Versicherungsbereich.
|
|