Process Mining, ou Mineração de Processos, ganha cada vez mais holofotes na nova era da ciência de dados – a de Análises Aumentadas (Augmented Analytics). Ao mesmo tempo, companhias em transformação aceleram a adoção de Inteligência Artificial (IA) em busca da melhor experiência para seus clientes e, claro, ganho de eficiência.
Nesse contexto, uma questão cada vez mais frequente é: qual a diferença entre essas duas tecnologias? A Inteligência Artificial simula, em máquinas e dispositivos, a inteligência humana. Isto é, é um campo que procura por formas de empoderar computadores com capacidades cognitivas (pensar, aprender), de maneira a permitir a execução de atividades mais complexas. Uma das tecnologias chave por trás da IA é o machine learning (aprendizado de máquina) e, mais especificamente, o deep learning (aprendizagem profunda).
Nesse aprendizado, ao invés de codificar um algoritmo para que um computador execute tarefas bem delimitadas, o objetivo é ensinar ao computador a execução de atividades que variam de acordo com os dados disponibilizados como entrada (em alguns casos, muitos dados).
Esse treinamento requer algoritmos que permitam à máquina “aprender” com dados históricos para, então, modelar e atuar sobre os novos dados que receberá para processamento. Algoritmos de classificação, clusterização e regressão se tornam os blocos de construção dessa IA moderna. Em muitos projetos de IA, há uma importante jornada de preparação dos dados até que se encontre o modelo mais apropriado.
Principais aplicações Mineração de Processos e Inteligência Artificial:
Onde a IA tem obtido mais sucesso recentemente? Em cenários nos quais há uma estrutura mais fixa e estável para a inserção de dados. Imagens, por exemplo, são sempre matrizes de vermelho, verde ou azul (RGB), ou algo equivalente. A IA cai feito luva em aplicações de reconhecimento de imagens.
A IA, então, compartilha algo em comum com Process Mining: a existência de um modelo derivado dos dados. E é exatamente neste ponto no qual as principais diferenças residem. Devido à sua especialização, há uma estrutura particular nos dados ingeridos por uma solução de Process Mining, assim como há alguma orientação pré-definida para sua modelagem.
No Process Mining, entretanto, os dados de entrada tomam a forma de eventos, conectados entre si em formato de fluxo/processo e geralmente compostos de ao menos três pedaços: data/hora (timestamp), a identificação do caso e o nome da atividade. Essa estrutura mínima fornece uma série de abstrações que impulsionam este campo da ciência de dados: traços e modelos de processos, gargalos, desvios, retrabalhos, dentre outras. Essas abstrações suportam algoritmos de descoberta, análise de conformidade, simulações e muito mais – sempre com foco na visibilidade fim-a-fim do fluxo.
Há um aprendizado de máquina no qual a estrutura dos dados é mais presente e muito pode ser aprendido com pouco esforço. Atualmente, considerando que a interpretação é mais fácil através da estrutura de dados do Process Mining, é comum a aplicação dessa tecnologia na exploração de conjuntos de dados para, posteriormente, automatizá-los através de tecnologias baseadas em IA.
Em resumo: se o seu conjunto de dados é formado de eventos, e sua necessidade é analisar fluxos (processo ou algo com cara de processo), você encontrará um caminho mais curto para os resultados ao analisá-los com o Process Mining.
Leia Mais: Qual é a diferença entre BI e Process Mining? E como essas tecnologias podem melhorar seus negócios?