商界有句俗話：“先爬，再行，最后跑”。這正是實現有價值突破的過程。

作者 | Wil van der Aalst教授

海明威在他的某部作品中描繪了這樣一幕：有人詢問如何走向破產，得到的答案是“開始時循序漸進，之后突然降臨”。我覺得這句話也同樣貼切地描述了大部分技術進步的歷程，即使是那些看起來一夜之間爆發的創新。實際上，這些改變往往是在經過多年甚至數十年的緩慢發展之后才到來的。就在這些變化悄無聲息地累積時，像ChatGPT這樣的創新技術便已悄然走入我們的視野。

積少成多，終成突破

在流程挖掘領域，我注意到了一種相似的發展模式：緩慢而持續，但影響深遠。流程挖掘作為一種科學實踐，從20世紀90年代開始就已孕育而生，在過去二十年里它逐步獲得了商業應用中的認可。盡管如此，流程挖掘要想完全發揮其潛能，仍有漫長的路要走。在這個過程中，盡管已經取得了一些里程碑式的成就，但更引人注目的是那些逐步積累的小勝利。在這些積累中，最關鍵的莫過于第一步：就是從現在開始，用手頭的數據來構建第一個模型。

每逢新年，人們總是喜歡展望未來，做出自己的預判。盡管一些發展趨勢可能要經過幾年的時間才能完全顯現出它們的勢頭，但我對此感到非常激動，并且期待著能深入研究這些趨勢。
 

目前流程挖掘領域的一個新發展趨勢是“基于知識的流程挖掘”。這種方法的核心在于把人類的知識（無論是專業領域的知識還是對諸如COVID這類新情況的理解）整合到算法中。這樣，人類的智慧就能與模型相結合，共同打造出一種混合智能。雖然像以對象為中心流程挖掘（OCPM）這樣的最新進展已經提升了流程的智能化水平，但在這個變革的過程中，人類的知識仍然是至關重要的。

展望未來— “基于知識的流程挖掘”和“聯合流程挖掘”

這種基于知識方法的一個有力實例就是我所說的“交互式流程挖掘”。傳統的流程挖掘方法有兩種：一種是挖掘數據以發現實際發生的情況，另一種是建模并進行合規性檢查以找出偏差。“交互式流程挖掘”允許我們同時進行這兩種操作，并通過觸覺反饋來指導操作過程。這種方法甚至可以幫助我們區分出哪些流程問題是我們能夠解決的，哪些則是很難施加影響的。通常這種缺失的智能信息，對我們來說極其有價值。

將對象中心流程挖掘技術與類似于Celonis Process Copilot這樣的AI伴侶工具結合使用，可以極大地簡化人們與軟件以及他們自己數據的交互過程。這種簡化和加速的交互方式預示著我們即將步入一些全新的應用領域。預計2024年，我們將逐漸看到這方面的發展。

我還關注到一個令人興奮的發展方向，稱為“聯合流程挖掘”。在組織之間難以共享數據或不愿過度透露信息的情況下，“聯合流程挖掘”為跨組織合作提供了一種更加簡便和安全的方式。例如，擁有多個業務單位并希望彼此借鑒經驗的大型公司，或是希望建立合作關系的獨立企業，比如汽車制造商與其供應鏈上的供應商，都可能會采用這種方法。

“中間層流程”模型為專業模型奠定基礎

當前，流程挖掘正在向更多的流程和跨組織擴展，這一趨勢值得稱贊。但我們也面臨一個挑戰：往往只是對那些非核心業務環節的流程進行優化。我們的起點可能是訂單處理或識別重復的發票，這些工作雖然必要，但并不觸及企業服務或產品的核心部分。

盡管如此，有些激勵人心的例子仍然值得我們關注。例如，漢莎航空就在其核心業務（全球乘客運輸）中應用了流程挖掘技術，通過優化相關流程，減少了因更換登機口或飛機周轉等問題而造成的航班延誤。

我期待看到更多類似的創新應用案例。而要實現這一點，關鍵在于運用基于知識的流程挖掘技術，以及像Celonis流程智能圖（PIG）這樣的解決方案。可以想象，這些技術在某些領域將會特別有成效。例如，我特別希望醫療保健領域能夠加大應用，尤其是在醫院中對患者流動性的管理上。另外，在制造業中，盡管德國并沒有統一的生產標準，但工程師們普遍遵循某些共通的操作原則，這些準則完全可以通過數據模型來捕捉并共享。此外，地方政府提供的服務也是流程挖掘技術可以大有作為的另一個領域。

舉例來說，對于航空公司而言，飛行運營是它們的核心流程；對于汽車制造商，核心則是生產線上的作業。

對于這些核心而又具有行業特色的流程，我們不能指望有現成的方案。這需要人工智能與人類知識的結合，通過像“交互式流程挖掘”這樣的技術手段，流程智能圖（PIG）能夠在不同情境下捕捉并復用關鍵知識，即使在特定流程不廣泛普及的情況下也是如此。我相信，打造更多領域特定模型的關鍵是識別和完善我們所謂的“中間層流程”模型。只有當我們看到更多這樣的半定制模型通過OCPM從頭到尾完整開發出來后，我們才能為進一步專業化各個領域奠定堅實的基礎。

先爬、再行、最后跑

繼續閱讀：

未經允許不得轉載：RPA中國 | RPA全球生態 | 數字化勞動力 | RPA新聞 | 推動中國RPA生態發展 | 流 > 先爬、再行、最后跑，“流程挖掘之父”Wil教授談流程挖掘的突破之路