从理论到实践：可信 LLM 驱动的业务流程建模、预测与自动化的实际应用案例
软件工程
2025-06-05 v1 机器学习
多智能体系统
摘要
传统业务流程管理 (BPM) 在动态环境下面临僵化、信息不透明和可扩展性不足的挑战，而新兴的大语言模型 (LLM) 带来了变革性的机遇与风险。本文探讨了四个实际应用案例，展示了如何通过可信流程智能增强的 LLM，重新定义流程建模、预测与自动化。该工作基于与工业合作伙伴的早期研究项目，涵盖制造业、建模、生命科学和设计流程，通过人机协作应对各领域的特定挑战。在制造业中，LLM 驱动的框架整合了不确定性感知的可解释机器学习 (ML) 与交互式对话，将原本晦涩的预测转化为可审计的工作流程。对于流程建模，对话式界面 democratize BPMN 设计。在药物警戒中，智能体通过知识图谱增强的 LLM 实现药物安全监测的自动化。最后，可持续纺织品设计采用多智能体系统以应对监管与环境权衡。我们旨在考察透明度与效率、泛化与专业化、人类主导性与自动化之间的张力。通过映射这些权衡，我们主张以语境敏感的集成方式优先考虑领域需求、利益相关者价值观以及迭代的人类在回路中的工作流程，而非追求通用解决方案。该工作为旨在关键 BPM 环境中落地 LLM 的研究者和实践者提供了可操作的见解。
引用
@article{arxiv.2506.03801,
title = {From Theory to Practice: Real-World Use Cases on Trustworthy LLM-Driven Process Modeling, Prediction and Automation},
author = {Peter Pfeiffer and Alexander Rombach and Maxim Majlatow and Nijat Mehdiyev},
journal= {arXiv preprint arXiv:2506.03801},
year = {2025}
}
备注
Accepted to the Next Gen Data and Process Management: Large Language Models and Beyond workshop at SIGMOD 2025