AIBR プレミアム
拓海先生、最近部下が『プロセスマイニングを導入すべきです』と騒いでおりまして、でもうちの現場はデータが少ないんです。こういう場合でも意味のあるモデルが作れるものなのですか。
素晴らしい着眼点ですね！大丈夫です、選ぶ手法によっては、データが少なくても高品質なプロセスの図を得られるんですよ。それを示した最近の研究がありますので、順を追ってお話ししますよ。
ほんとうにですか。従来のやり方はイベントログをそのまま全部合わせて解析するという理解で合っていますか。うちのラインだとバラバラで観測できていない動きが多くて。
その通りです。従来のプロセスディスカバリ（process discovery、プロセス発見）は全ての事象を単一の視点で見るため、複数の並行する部品やサブプロセスを同時に観測しようとすると、必要なデータ量が一気に増えます。ここがネックになるんです。
なるほど。で、先ほど言った『別の手法』というのはどういう発想なのですか。投入品ごとに分けて見るとか、そういうことですか。
まさにその通りです。オブジェクト中心の発見、すなわちobject-centric process discovery（OC discovery、オブジェクト中心プロセス発見）では、部品や製品などの単位ごとにイベントを紐づけて解析します。そうすると、並列で動く構成要素を別々に観測できるため、必要な組み合わせのデータが少なくても済むんです。
これって要するに、オブジェクトごとに発見すれば必要なデータ量が大幅に減るということ？
要点はそこです。まとめると三つ。第一に、オブジェクト中心のイベント連結で並列性の観測要求を分割できる。第二に、これによりデータの組み合わせ爆発が抑えられる。第三に、実際の製造現場では部品単位の観測が可能なので現実適用性が高いのです。
それは現場に導入しやすそうですね。ただ実証はどの程度行われているのですか。小さいシミュレーションだけでは心配でして。
この研究では、数万の合成モデルによる広範な実験と、実際の大規模生産プロセスのケーススタディを組み合わせています。合成実験で特徴を網羅的に調べ、現場データで従来法と比べて優れていることを示しているため、理屈だけではない実用性が確認されていますよ。
投資対効果の観点で言うと、初期費用や運用コストに見合う価値があるかどうか。現場から取れるデータで十分に機能するなら導入前に説得材料になります。
その懸念はもっともです。現実的な導入手順としては、小さなラインや部品群でOCEL（object-centric event log）を作成して試行し、得られたモデルの改善点とコストを比較評価することを推奨します。小さく始めて効果を示せば、投資の正当化がしやすくなりますよ。
わかりました。では私の理解を確認させてください。オブジェクト中心でイベントを整理すると、並列プロセスの観測負荷が下がって、少ないデータでも実務に使えるプロセス図が作れる。まずは小さく試して効果を示し、現場の反応を見てから拡大する、という流れで間違いないですか。これなら部下にも説明できます。
その理解で完璧ですよ。大丈夫、一緒に進めれば必ずできますよ。では次回、実際のOCELサンプルからモデルを一緒に作ってみましょうか。
