Resumen: Los enfoques existentes para el monitoreo predictivo de procesos son subsimbólicos, lo que significa que aprenden correlaciones entre características descriptivas y una característica objetivo basándose completamente en datos, por ejemplo, prediciendo las necesidades quirúrgicas de un paciente basándose en eventos históricos y datos biométricos. Sin embargo, estos enfoques no incorporan restricciones de proceso (conocimiento) específicas del dominio; por ejemplo, la cirugía sólo se puede planificar si el paciente fue dado de alta hace más de una semana, lo que limita el cumplimiento del cumplimiento y proporciona predicciones menos precisas. En este artículo, presentamos un enfoque neurosimbólico para el monitoreo predictivo de procesos, aprovechando las redes tensoriales lógicas (LTN) para inyectar conocimiento del proceso en modelos predictivos. El enfoque propuesto sigue un proceso estructurado que consta de cuatro etapas clave: 1) extracción de características; 2) extracción de reglas; 3) creación de base de conocimientos; y 4) inyección de conocimiento. Nuestra evaluación muestra que, además de conocer las limitaciones del proceso, el modelo neurosimbólico también logra un mejor rendimiento, demostrando un mayor cumplimiento y una mayor precisión en comparación con los enfoques de referencia en todos los experimentos conscientes del cumplimiento.
Publicado originalmente en export.arxiv.org el 30 de marzo de 2026.
Ver fuente original
