XiaoMi-AI文件搜索系统
World File Search SystemABPMS
业务流程感知大型语言模型初探
摘要 人工智能增强型业务流程管理系统 (ABPMS) 是一种创新的信息系统，具有更高的灵活性、自主性和对话能力。大型语言模型 (LLM) 可以增强这些系统，大型语言模型以处理自然语言处理任务的能力而闻名。然而，目前还没有关于它们在流程驱动决策支持中的实用性的重大实证验证。在本研究中，我们提出了一个面向业务流程的 LLM 框架，用于与参与业务流程的工作人员进行可操作的对话，利用检索增强生成 (RAG) 来丰富特定于流程的知识。该方法已被评估，以评估其在公共管理环境中对用户提出的询问做出精确响应的能力。初步研究表明，该框架能够识别目标流程模型中的特定活动和序列流，从而为其改进 ABPMS 的潜力提供宝贵的见解。
大型语言模型如何解释用户所感知的业务流程？ ⋆
大型语言模型（LLM）接受了大量文本培训，以解释和生成类似人类的文本内容。他们正在成为实现自动企业愿景的重要工具，如今组织积极采用LLM来自动化其运营的许多方面。llms可能在未来的A-AVEN-AFMENT ADMENT业务流程管理系统（ABPMS）餐饮功能中发挥着重要作用。这样一个系统的功能是情况感知的解释性（SAX），它与生成因果关系且人性化解释的解释有关，这些解释考虑了发生的过程上下文。在本文中，我们介绍了为生成SAX解释而开发的SAX4BPM框架。SAX4BPM套件由一组服务和一个中央知识存储库组成。这些服务的功能是引起萨克斯解释的各种知识成分。这些成分之间的关键创新组件是因果关系执行视图。在这项工作中，我们将框架与LLM集成在一起，以利用其功能来合成各种输入成分，以改善SAX的解释。由于将LLM用于SAX，还伴随着一定程度的疑问，与其充分实现SAX的能力以及其幻觉的趋势以及缺乏固有的推理能力有关，我们对生成解释的感知质量进行方法论评估。为了实现这一目标，我们开发了指定的量表并进行了严格的用户研究。我们的发现表明，呈现给LLMS的输入有助于其性能的后卫，从而产生了萨克斯的解释，具有更好的忠诚度。对信任和好奇心的感知来调节这种改进。更重要的是，这种改进是以解释的可解释性为代价。