Auflistung nach:
Auflistung P348 - Modellierung 2024 nach Schlagwort "BPMN"
1 - 2 von 2
Treffer pro Seite
Sortieroptionen
- KonferenzbeitragAutomatisierte Generierung fachlicher Prozessmodelle basierend auf natürlichsprachlichen Prozessbeschreibungen(Modellierung 2024, 2024) von Olberg, Pauline; Strey, LukasDie manuelle Erstellung von Prozessmodellen ist eine gängige Tätigkeit im Rahmen der Softwareentwicklung. Die Erstellung der Modelle stellt allerdings eine zeitintensive Aufgabe für IT-Fachkräfte dar. Mit dem Ziel, die Fachkräfte zu entlasten, stellen wir die Methode NL2BPMN und einen Prototyp vor, durch welche natürlichsprachliche sowie fachspezifische Prozessbeschreibungen automatisiert in BPMN-Prozessmodelle transformiert werden können. Die Methode basiert auf Natural Language Processing (NLP) und bedient sich unter anderem dem Part-of-Speech-Tagging sowie dem Dependency Parsing. Ein Bestandteil der Methode ist die Verwendung einer Fachbegriffe-Liste als zusätzlicher Input neben Prozessbeschreibungen, um Fachbegriffe, die aus mehreren Wörtern bestehen, als zusammengehörige Begriffe zu verarbeiten. Ein Vergleich von automatisiert generierten Modellen mit manuell erstellten Modellen zeigt Erfolgsquoten von über 90 \% in allen Bewertungskategorien, sofern eine Fachbegriffe-Liste verwendet wird.
- KonferenzbeitragBeobachtungen und Einsichten zu Repositorys von BPMN-Modellen(Modellierung 2024, 2024) Laue, Ralf; Läuter, MartinBei der empirischen Untersuchung der Praxis der Geschäftsprozessmodellierung ist man auf eine umfangreiche, vielfältige und gleichzeitig zur Aufgabenstellung passende Datenbasis angewiesen. Wir untersuchen eine Reihe öffentlich zugänglicher Modellrepositorys mit BPMN-Modellen, die in den vergangenen Jahren entstanden sind. Wir weisen auf Eigenarten der Repositorys hin, die die Verarbeitung der Daten erschweren und die Datenqualität beeinträchtigen. Besonders diskutiert wird das in bisherigen Arbeiten nicht betrachtete Phänomen von de facto inhaltsgleichen Modellen in bei bitweisem Vergleich verschiedenen Dateien. Wir diskutieren die Auswirkung solcher Duplikate und schlagen eine der jeweiligen Aufgabenstellung angepasste Filterung vor. Wir begründen, warum dieses Vorgehen insbesondere bei Ansätzen zum maschinellen Lernen beachtet werden sollte. Wir stellen fest, dass die empfohlenen Maßnahmen zur Sicherung der Datenqualität in aktuellen Veröffentlichungen häufig noch nicht beachtet werden, was die Aussagekraft von deren Ergebnissen in Frage stellen kann.