AI-Enhanced Business Process Automation: A Case Study in the Insurance Domain Using Object-Centric Process Mining
作者: Shahrzad Khayatbashi, Viktor Sjölind, Anders Granåker, Amin Jalali
分类: cs.AI
发布日期: 2025-04-24
期刊: BPMDS 2025
DOI: 10.1007/978-3-031-95397-2_1
💡 一句话要点
利用对象中心过程挖掘分析AI赋能的保险理赔流程自动化
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 对象中心过程挖掘 业务流程自动化 人工智能 大型语言模型 保险理赔 流程挖掘 数字化转型
📋 核心要点
- 传统流程挖掘方法难以应对复杂业务流程中对象间关系，限制了对AI自动化影响的全面评估。
- 采用对象中心过程挖掘（OCPM）方法，分析传统流程与AI增强流程的共存模式，评估AI自动化的影响。
- 在保险理赔场景中，利用LLM自动化索赔部件识别，并使用OCPM评估其对流程可扩展性的影响，发现LLM提升了运营能力。
📝 摘要（中文）
人工智能（AI）的最新进展，特别是大型语言模型（LLM），增强了组织通过自动化知识密集型任务来重构业务流程的能力。这种自动化推动了数字化转型，通常通过逐步过渡来提高流程效率和效力。为了充分评估这种自动化的影响，需要一种数据驱动的分析方法，该方法检查传统和AI增强的流程变体在此过渡期间如何共存。对象中心过程挖掘（OCPM）已成为一种有价值的方法，可以实现这种分析，但仍需要实际案例研究来证明其适用性。本文介绍了一个来自保险领域的案例研究，其中部署了LLM来自动化识别索赔部件，这是一项以前手动执行的任务，并被确定为可扩展性的瓶颈。为了评估这种转型，我们应用OCPM来评估AI驱动的自动化对流程可扩展性的影响。我们的研究结果表明，虽然LLM显着提高了运营能力，但它们也引入了新的流程动态，需要进一步完善。这项研究还展示了OCPM在现实环境中的实际应用，突出了其优势和局限性。
🔬 方法详解
问题定义：论文旨在解决业务流程自动化转型过程中，如何有效评估AI技术（特别是LLM）对流程效率和可扩展性的影响。现有流程挖掘方法难以处理复杂业务流程中对象之间的关系，无法全面分析AI引入后流程的动态变化和瓶颈。传统方法在评估AI自动化带来的真正价值方面存在局限性。
核心思路：论文的核心思路是利用对象中心过程挖掘（OCPM）方法，将业务流程视为由多个相互关联的对象组成，从而能够更全面地分析流程的复杂性和动态性。通过对比分析传统流程和AI增强流程的变体，评估AI自动化对流程性能的影响，并识别潜在的改进机会。这种方法能够更细粒度地理解AI在流程中的作用，并为流程优化提供数据支持。
技术框架：该研究的技术框架主要包括以下几个阶段：1) 数据准备：从保险公司的理赔系统中提取流程数据，包括事件日志和对象信息。2) 流程建模：使用OCPM方法构建业务流程模型，该模型能够表示对象之间的关系和流程的执行路径。3) 流程分析：对比分析传统流程和AI增强流程的变体，评估AI自动化对流程性能的影响，例如处理时间、成本和错误率。4) 结果评估：根据分析结果，评估AI自动化的效果，并提出流程改进建议。
关键创新：论文的关键创新在于将对象中心过程挖掘（OCPM）方法应用于评估AI赋能的业务流程自动化转型。与传统的流程挖掘方法相比，OCPM能够更全面地分析流程的复杂性和动态性，从而更准确地评估AI自动化的影响。此外，该研究还通过一个实际的保险理赔案例，验证了OCPM方法在现实场景中的可行性和有效性。
关键设计：在OCPM模型的构建过程中，需要定义关键的对象类型（例如，索赔、客户、保险单）以及对象之间的关系。此外，还需要选择合适的流程挖掘算法来分析事件日志和对象信息。在对比分析传统流程和AI增强流程的变体时，需要选择合适的性能指标（例如，处理时间、成本和错误率）来评估AI自动化的影响。论文中没有明确提及具体的参数设置、损失函数或网络结构，这部分可能依赖于所使用的具体OCPM工具和算法。
🖼️ 关键图片
📊 实验亮点
研究结果表明，LLM在保险理赔流程中显著提升了运营能力，尤其是在索赔部件识别方面。虽然具体性能数据未在摘要中给出，但研究强调了LLM在提高流程可扩展性方面的作用。同时，研究也指出LLM的引入带来了新的流程动态，需要进一步优化和完善。该研究验证了OCPM方法在评估AI自动化效果方面的有效性。
🎯 应用场景
该研究成果可应用于各种行业的业务流程自动化转型评估，尤其适用于需要处理复杂对象关系和流程动态的场景，如金融、医疗、供应链管理等。通过OCPM方法，企业可以更准确地评估AI自动化带来的价值，优化流程设计，提高运营效率，并降低成本。该研究为企业数字化转型提供了有价值的参考。
📄 摘要（原文）
Recent advancements in Artificial Intelligence (AI), particularly Large Language Models (LLMs), have enhanced organizations' ability to reengineer business processes by automating knowledge-intensive tasks. This automation drives digital transformation, often through gradual transitions that improve process efficiency and effectiveness. To fully assess the impact of such automation, a data-driven analysis approach is needed - one that examines how traditional and AI-enhanced process variants coexist during this transition. Object-Centric Process Mining (OCPM) has emerged as a valuable method that enables such analysis, yet real-world case studies are still needed to demonstrate its applicability. This paper presents a case study from the insurance sector, where an LLM was deployed in production to automate the identification of claim parts, a task previously performed manually and identified as a bottleneck for scalability. To evaluate this transformation, we apply OCPM to assess the impact of AI-driven automation on process scalability. Our findings indicate that while LLMs significantly enhance operational capacity, they also introduce new process dynamics that require further refinement. This study also demonstrates the practical application of OCPM in a real-world setting, highlighting its advantages and limitations.