Les procédés métiers : conception, modélisation et systèmes

Slides:



Advertisements
Présentations similaires
Les procédés métiers : conception, modélisation et systèmes Claude Godart Université de Lorraine - Esstin 1.
Advertisements

On the analysis of CMMN expressiveness: revisiting workflow patterns Renata Carvalho Hafedh Mili.
Projets et Programmes (p&p) Un nouveau concept pour définir les modalités de mise en œuvre FORMATION LAF – JUIN 2009.
Chapitre 1: Notions de systèmes automatisés
© 2006 Les Éditions de la Chenelière inc., La gestion dynamique: concepts, méthodes et applications, 4 e édition1/14 Chapitre 4 : Le gestionnaire en tant.
 La vie  Le vieillissement  La vieillesse  L’autonomie  La place de la PA dans notre société  Les conséquences socio-économiques  Les PA dans le.
 Un automatisme est généralement conçu pour commander une machine ou un groupe de machines. On appelle cette machine la "partie opérative" du processus,
CHAftITREI ARCHITECTURE de BASE. Modèle de Von Neumann Langage d’assemblage1 John Von Neumann est à l'origine d'un modèle de machine universelle de traitement.
Introduction à la notion de fonction 1. Organisation et gestion de données, fonctions 1.1. Notion de fonction ● Déterminer l'image d'un nombre par une.
Croquis animé pour l'enseignement de l'Anatomie Après le sketch-based modeling de formes : Quentin Doussot, equipe Evasion LJK et INRIA Montbonnot Encadrants:
Telecom ParisTech INF722 – Thomas Robert page 1 Modélisation des activités concurrentes Produits d'automates.
La question sur corpus.
M. Aharrouche page 1 PAF 2007 Mesure de l’asymétrie avant-arrière dans les événements Z  e+e- Mohamed Aharrouche* (LAPP-Annecy ) Introduction Mesure de.
DIAGRAMME DE DEPLOIEMENT Exposé de: MBALLA MEKONGO Michèle MBOUNA FEUZE William SIEYADJEU Alex Lionel CHOPGWE Leonard NDUMATE Landry TIDJON Lionel.
Calcul de probabilités
Optimisation du délai de transmission dans les réseaux SDN
Mettre en œuvre un projet de parcours en psychiatrie et sante mentale
CEMTEC Comment scénariser l’éclairage d’un escalier ?
Une tierce partie peut-elle contribuer à l’amélioration de la qualité de vos projets ? Bernard Cornet 06/06/2017.
Thermodynamique statistique biomoléculaire GBM2620
Table passage en caisse
MOT Éditeur de modèles de connaissances par objets typés
Initiation aux bases de données et à la programmation événementielle
Détermination des coûts et établissement du budget pour la mise en oeuvre des activités conjointes de lutte contre la tuberculose et le VIH Document No.
André Maïsseu et WANG Xingquan Université Versailles-Saint-Quentin-en-Yvelines France L’approche floue en tant qu’outil de la modélisation.
Master Réseaux et Systèmes Distribués (RSD) Algorithmique des systèmes
POL1803: Analyse des techniques quantitatives
Master Réseaux et Systèmes Distribués (RSD) Algorithmique des systèmes
Plans d’expériences: Plans factoriels
Plans d’expériences: Plans factoriels.
Cyber-Sphinx Séance 2.
Démarche qualité sur les chantiers du génie civil
Anne Burban – Anne Szymczak
Les processus métiers : concepts, modèles et systèmes Claude Godart Université de lorraine. Esstin
Informatique quantique
Contrôle de la qualité par dosage
Algorithmique & Langage C IUT GEII S1 Notes de cours (deuxième partie)
PROGRAMMATION INFORMATIQUE D’INGÉNIERIE II
Réalisation et validation du prototype
Formation sur les bases de données relationnelles.
POL1803: Analyse des techniques quantitatives
Développement d’applications interactives
LOG770 Annexe A Éléments de probabilité
Notion de risque et mesures d’association
CHAPTER 2: Apprentissage supervisé
Programme financé par l’Union européenne
Programmation Android Composantes d’une application
Arbres de décision.
Les relations de travail au Royaume-Uni
Modélisation objet avec UML
Cycle, Cocycle, Arbre et Arborescence
Épreuve écrite E4.1 BTS CG Session /02/2017.
Une introduction à la propriété de Thalès
Présentation 9 : Calcul de précision des estimateurs complexes
Intégration Clore le projet ou la phase Elaborer la charte
Laboratoire V: Création d’un protocole expérimental
MATHÉMATIQUES FINANCIÈRES I
Un Mécanisme d‘Adaptation Guidé par le Contexte en Utilisant une Représentation par Objets Manuele Kirsch Pinheiro Laboratoire LSR – IMAG, Équipe SIGMA.
Reconnaissance de formes: lettres/chiffres
Une introduction à la propriété de Thalès
IFT313 Introduction aux langages formels
Points de vue et sémantiques ad hoc
Panorama of Recommender Systems to Support Learning
L’analyse de la valeur des projets informatiques
Design, innovation et créativité
Modélisation des SI et de la connaissance
Gouvernance de la technologie de l’information (IT)
UC : Diagramme des cas d’utilisation Req : Diagramme d’exigence
MOT Éditeur de modèles de connaissances par objets typés
Introduction Conclusion
Transcription de la présentation:

Les procédés métiers : conception, modélisation et systèmes Claude Godart Université de Lorraine - Esstin Claude.godart@univ-lorraine.loria.fr

Organisation du cours Introduction Concepts et notations Modélisation des processus Analyse qualitative des processus Analyse quantitative des processus Systèmes de gestion de processus Processus transactionnels Découverte de processus Conclusion

Chapitre 6 Découverte de la logique des processus Claude Godart Université de lorraine. Esstin Claude.godart@univ-lorraine.loria.fr

Idée de base Traces de workflow ERP, billetterie … découverte

Motivations Trouver le modèle d’un processus Trouver le comportement exact d’un processus déjà modélisé Pour diagnostiquer, Améliorer  business intelligence

Exemples de traces Log format (caseID, activity) Example Check Invoice for Invoice No. 4567 completed on 12.11.2010 at 9:19:57 Function StoreCustomerData(„Müller“, c1987, „Bad Bentheim“) completed on 12.11.2010 at 9:22:24 Send Invoice for Invoice No. 4567 completed on 12.11.2010 at 9:23:18 Resulting Log (4567, Check Invoice), (c1987, StoreCustomerData), (4567, Send Invoice), etc.

Structure des traces d’exécution Cette structure est a la fois indépendante de tout SGWF particulier mais compatible avec les sortie de SGWF Une structure indépendante, compatibles avec la plupart des SGWFs actuels

Structure des traces d’exécution (basique) Cette structure est a la fois indépendante de tout SGWF particulier mais compatible avec les sortie de SGWF

Structure des traces d’exécution (Exemple d’extension) Participant Cette structure est a la fois indépendante de tout SGWF particulier mais compatible avec les sortie de SGWF

Conditions minimales sur les traces d'exécutions Un seuil minimale sur la qualité et la quantité d’information Qualité de l’information (i.e. structure minimale): Absence de bruit (traces d’exécution incorrectes ou inachevées) Événement atomique (i.e. absence d’états, et de temps d’exécution) Quantité de l’information (i.e. nombre d’instances différentes): Nombre minimale égale à 1 Ajouter n instances pour un choix parmi n activités Ajouter  (ji+ i -1) -1 pour un parallélisme entre n flux contenant chacun ji activités Prouvé suffisant pour la découverte du flot de contrôle Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER VD MJR AE RP RD LD 1+3+1*(4+1)=9

The « α algorithme »  

α algorithme : relations d’ordre Soit T un ensemble d’activités, s Î T* est une trace d’une instance d’exécution de workflow et W Í T* est un log de workflow. Soit a,b Î T: a > W b ssi il y a une trace s = t1 t2 t3 ¼tn-1 et i Î {1, ¼, n-2} tels que s Î W et ti = a et ti+1 = b, a ®W b ssi a > W b et not (b > W a), a ||W b ssi a > W b et b > W a. a #W b ssi not(a > W b) et not(b > W a), and

Le log est complet si la relation ne peut pas être étendue. α algorithme : Exemple 1 W = { A B C D, A C B D, A E D} case 1 : task A case 2 : task A case 3 : task A case 3 : task B case 1 : task B case 1 : task C case 2 : task C case 4 : task A case 2 : task B case 2 : task D case 5 : task A case 4 : task C case 1 : task D case 3 : task C case 3 : task D case 4 : task B case 5 : task E case 5 : task D case 4 : task D A > W B A > W C A > W E B > W C B > W D C > W B C > W D E > W D A®W B A ®W C A ®W E B ®W D C ®W D E ®W D B ||W C C ||W B #W : rest Le log est complet si la relation ne peut pas être étendue. Pas (X®W Y xor Y®W X xor X ||W Y xor X #W Y)

W = { A B C D, A C B D} est complet α algorithme : Exemple 2 W = { A B C D, A C B D} est complet A > W B A > W C B > W C B > W D C > W B C > W D A®W B A ®W C B ®W D C ®W D B ||W C C ||W B #W : rest

W = { A B D, A C D} est complet α algorithme : Exemple 3 W = { A B D, A C D} est complet A®W B A ®W C B ®W D C ®W D A > W B A > W C B > W D C > W D ||W :aucun #W : le reste

α algorithme – Principe (a) xy

α algorithme – Principe (b) xy, xz, and y#z

α algorithme – Principe (c) xz, yz, and x#y

α algorithme – Principe (d) xy, xz, and y||z

α algorithme – Principe (e) xz, yz, and x||y

α algorithme : Règles de construction d’un RdP Soit W un log de workflow sur l’ensemble T. TW = { t Î T  |  $s Î W et t Î s}, (ensemble des activités) TI = { t Î T  |  $s Î W et t = first(s) } (activités initiales) TO = { t Î T  |  $s Î W et t = last(s) } (activtés finales) X = { (A,B) |  A Í TW  Ù B Í TW  Ù  "a Î A, "b Î B, a®Wb   Ù  "a1,a2 Î A , a1# a2  Ù  "b1,b2 Î B, b1#W b2 } (relations causales) Y = { (A,B) Î X  |   "(A¢,B¢) Î X A Í A¢ ÙB Í B¢Þ (A,B) = (A¢,B¢) } (ensemble minimal de relations causales) PW = { p(A,B)  |  (A,B) Î YW } È{iW,oW}, FW = { (a,p(A,B))  |  (A,B) Î YW  Ù a Î A }  È { (p(A,B),b)  |  (A,B) Î YW  Ù b Î B }  È{ (iW,t)  |  t Î TI}  È{ (t,oW)  | t Î TO} a(W) = (PW,TW,FW).

α algorithme : exemple Ensemble des traces d’execution : A1, A2, A3, A4, A5, A6, A9 A1, A2, A3, A4, A5, A7, A9 A1, A2, A3, A4, A5, A8, A9 A1, A2, A4, A3, A5, A6, A9 A1, A2, A4, A3, A5, A7, A9 A1, A2, A4, A3, A5, A8, A9 A1, A4, A2, A3, A5, A6, A9 A1, A4, A2, A3, A5, A7, A9 A1, A4, A2, A3, A5, A8, A9

α algorithme : exemple TW = {A1, A2, A3, A4, A5, A6, A7, A8, A9}, TI = {A1}, TO = {A9}, XW = {(A1, A2), (A1, A4), (A2, A3), (A3, A5), (A4, A5), (A5, A6), (A5, A7), (A5, A8), (A6, A9), (A7, A9), (A8, A9), (A5, (A6, A7)), (A5, (A6, A8)), (A5, (A7 , A8)), (A5, (A6, A7 , A8)), ((A6, A7), A9), ((A6, A8), A9), ((A7, A8), A9), ((A6, A7, A8), A9) YW = {(A1, A2), (A1, A4), (A2, A3), (A3, A5), (A4, A5), (A5, (A6, A7 , A8)), ((A6, A7, A8), A9) PW = { p(A1), p(A1, A2), p(A1, A4), p(A2, A3), p(A3, A5), p(A4, A5), p(A5, A678), p(A678, A9), p(A9) } FW = {(p(A1), A1), (A1, p(A1, A2)), (p(A1, A2), A2), (A1, p(A1, A4)), (p(A1, A4), A4), (A2, p(A2, A3)), (p(A2, A3), A3), (A3, p(A3, A5)), (p(A3, A5), A5), (A5, p(A4, A5), (p(A4, A5), A5), (A5, p(A5, A678)), (p(A5, A678), A6), (p(A5, A678), A7), (p(A5, A678), A8), (A6, p(A678, A9)), (A7, p(A678, A9)), (A8, p(A678, A9)), (p(A678, A9), A9), (A9, p(A9)) a(W) = (PW,TW,FW).

α algorithme : exemple

Patterns mining

Construction de la table de dépendance statistique (TDS) Pour chaque activité A dans les traces d’exécution : le nombre d'occurrences global de cette activité (dénotée #A) les dépendances directes aux activités précédentes Bi (dénoté P(A\Bi)) Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD SD #STP=9 # VSC=9 0.89 0.11 # ER=3 0.66 0.33 # MJR=3 # AE=2 0.5 0.55 # RP=4 0.75 0.25 # VD=9 # RD=9 0.22 # SD=9

Construction de la table de dépendance statistique (TDS) Pour chaque activité A dans les traces d’exécution : le nombre d'occurrences global de cette activité (dénotée #A) les dépendances directes aux activités précédentes Bi (dénoté P(A\Bi)) Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD SD #STP=9 # VSC=9 0.89 0.11 # ER=3 0.66 0.33 # MJR=3 # AE=2 0.5 0.55 # RP=4 0.75 0.25 # VD=9 # RD=9 0.22 # LD=9

Élimination des dépendances erronées STP VSC ER VD MJR AE RP RD LD P(RP\VD) <> 0.25  P(VD\RP) <> 0.11 Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD SD #STP=9 # VSC=9 0.89 0.11 # ER=3 0.66 0.33 # MJR=3 # AE=2 0.5 0.55 # RP=4 0.75 0.25 # VD=9 # RD=9 0.22 # LD=9 0.88

Élimination des dépendances erronées STP VSC ER VD MJR AE RP RD LD Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD SD #STP=9 # VSC=9 0.89 0.11 # ER=3 0.66 0.33 # MJR=3 # AE=2 0.5 0.55 # RP=4 0.75 0.25 # VD=9 # RD=9 0.22 # LD=9 0.88

Élimination des dépendances erronées Deux activités A et B sont concurrentes ssi les entrées P(A\B) et P(B\A) dans TDS sont non nulles. Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD LD #STP=9 # VSC=9 0.89 -1 # ER=3 0.66 # MJR=3 # AE=2 0.5 # RP=4 0.75 # VD=9 0.11 # RD=9 0.22 0.33 # LD=9 0.88 Pour éliminer ces dépendance on proposer de les détecter et de les marquer en utilisant l’axiome que deux activité sont en concurrences ssi

Découverte des dépendances indirectes Comportement concurrentiel STP VSC ER VD MJR AE RP RD LD Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD LD #STP=9 # VSC=9 0.89 -1 # ER=3 0.66 # MJR=3 # AE=2 0.5 # RP=4 0.75 # VD=9 0.11 # RD=9 0.22 0.33 # LD=9 0.88 Le comportement concurrentiel engendre un autre problème dans lequel on observe des dépendances incomplète. Par exemple observons l’instance 1

Découverte des dépendances indirectes Comportement concurrentiel STP VSC ER VD MJR AE RP RD LD Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD LD #STP=9 # VSC=9 0.89 -1 # ER=3 0.66 # MJR=3 # AE=2 0.5 # RP=4 0.75 # VD=9 0.11 # RD=9 0.22 0.33 # LD=9 0.88

Découverte des dépendances indirectes: Fenêtre de concurrence Nous ne considérons pas seulement les activités qui précédent directement mais toutes les activités couvertes par la fenêtre de concurrence ayant une dépendance statistique non nulle. Longueur de la fenêtre de concurrence = 2 + nombre d’activités en concurrence Donc TFC[MJR]=3 Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD LD #STP=9 # VSC=9 0.89 -1 # ER=3 0.66 # MJR=3 1 # AE=2 0.5 # RP=4 0.75 # VD=9 0.11 # RD=9 0.22 0.33 # LD=9 0.88 Cette fenêtre de considérer pas seulement …

Patterns mining : Découverte des dépendances indirectes: Fenêtre de concurrence Nous ne considérons pas seulement les activités qui précédent directement mais toutes les activités couvertes par la fenêtre de concurrence ayant une dépendance statistique non nulle. Instances 1 STP VSC ER VD MJR RD LD 2 STP VSC AE VD RD LD 3 STP VSC VD RP RD LD 4 STP VSC VD ER MJR RD LD 5 STP VSC ER MJR VD RD LD 6 STP VSC VD AE RD LD 7 STP VSC RP VD RD LD 8 STP VD VSC RP RD LD 9 STP VSC RP RD VD LD STP VSC ER MJR AE RP VD RD LD #STP=9 # VSC=9 1 -1 # ER=3 # MJR=3 # AE=2 # RP=4 # VD=9 # RD=9 0.33 0.22 0.45 # LD=9

Découverte de patrons de flots de contrôle

Patron de séquence

Découverte des patrons de branchement

Découverte des patrons de jonction

Patterns mining : Découverte des patrons de workflows

Patterns mining : Découverte des patrons de workflows STP VSC ER MJR AE RP VD RD LD #STP=9 # VSC=9 1 -1 # ER=3 # MJR=3 # AE=2 # RP=4 # VD=9 # RD=9 0.33 0.22 0.45 # LD=9 STP VSC ER VD MJR AE RP RD LD