Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Tavares, Gabriel Marques |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.uel.br/handle/123456789/15165
|
Resumo: |
Resumo: Organizações geram altos volumes de dados relacionados a processos de negócios e frequentemente enfrentam dificuldades para extrair, organizar e interpretar esses dados Técnicas tradicionais de mineração de processo apoiam a análise e a recuperação de informações de logs de eventos de negócios, modelando, monitorando e aprimorando processos No entanto, técnicas tradicionais lidam com logs de eventos em uma abordagem em lote (batch), ou seja, usam um log de um processo já finalizado como ponto de partida para análise Considerando que processos de negócios são registrados continuamente, surge a necessidade de análise em tempo real Além disso, ao lidar com fluxos, restrições adicionais aparecem, como a mudança da distribuição de dados ao longo do tempo e instâncias incompletas, o que impossibilita a aplicação de métodos convencionais Dessa forma, este trabalho propõe um framework capaz de lidar com logs de eventos em um cenário de fluxo de dados, sustentando a descoberta de processos, a verificação de conformidade e o aprimoramento de processos Experimentos com logs de eventos reais e sintéticos foram realizados Os resultados mostram que a proposta é capaz de identificar anomalias e adaptar seu modelo a novos conceitos Finalmente, abordagens similares foram comparadas e discutidas |
