Master Thesis - Fairness in Business Process Analysis

 

Beschreibung

Evidenzbasiertes BPM, das auf Process Mining basiert, trägt dazu bei, eine gemeinsame Grundlage für die Verbesserung von Geschäftsprozessen und die Entwicklung von Informationssystemen zu schaffen. Die zunehmende Bedeutung von Process Mining spiegelt sich in der wachsenden Anzahl kommerzieller Process-Mining-Tools wieder, die heute verfügbar sind. Es gibt über 25 kommerzielle Produkte, die Process Mining unterstützen wie zum Beispiel Celonis, Disco, Minit, myInvenio, ProcessGold, QPR und so weiter. Alle unterstützen die Prozess-Erkennung und können verwendet werden, um Compliance- und Leistungsprobleme zu verbessern. Zum Beispiel ist es ohne Modellierung möglich, Prozessmodelle zu erlernen, die die wichtigsten Engpässe und abweichende Verhaltensweisen deutlich zeigen.

Solch leistungsfähige Analysetechniken beinhalten jedoch auch ein Risiko. Responsible Data Science befasst sich mit den Gefahren der Verwendung von Daten. In diesem Projekt liegt der Fokus auf falschen oder voreingenommenen Schlussfolgerungen. Wie können unfaire Schlussfolgerungen vermieden werden, selbst wenn sie wahr sind? Als ein Beispiel können Datenforschungsalgorithmen beim automatisierten Abgleich von Kandidaten mit Stellenanzeigen indirekte geschlechts- oder ethnizitätsbezogene Vorurteile indirekt ableiten, propagieren und sogar übertreiben. Data Science-Algorithmen wurden entwickelt, um statistische Muster in Testdaten zu erfassen. Wenn die Testdaten bestehende soziale Vorurteile gegenüber einem Segment der Gesellschaft widerspiegeln, wird der Algorithmus wahrscheinlich diese Vorurteile einbeziehen.

Ziel dieses Master-Projekts ist die Bereitstellung neuartiger Techniken zur Gewährleistung fairer Konformität und Leistungsdiagnostik durch die Kombination modernster Process-Mining-Techniken mit Ideen aus diskriminierungsfähigem Data Mining. Im Gegensatz zu bestehenden Optimierungstechniken zur Berechnung optimaler Ausrichtungen möchten wir (1) Wahrscheinlichkeit, (2) Schwere und (3) Schuld unterscheiden. Prozessmodelle, die mithilfe von Process Mining erstellt wurden, können zur Leistungsanalyse verwendet werden, indem das Ereignisprotokoll wiederholt und Engpässe, Verzögerungen usw. erkannt werden. Unterschiede zwischen Gruppen von Fällen und Ressourcen werden sichtbar, was jedoch leicht zu irreführenden Schlussfolgerungen führen kann. Diskriminierungsbewusste Process-Mining-Techniken müssen entwickelt werden, um Missbräuche in Prozessen zu erkennen und zu diagnostizieren.

Voraussetzungen

Gute Programmierkenntnisse und Kenntnisse in grundlegenden Informatikkonzepten. Interesse an Process Mining und verantwortlicher Data Science.

Anhaltspunkte

• Responsible Data Science
• Making Data Science Green - Using Event Data in a Responsible Way
• KDnuggets - Privacy, Security and Ethics in Process Mining
• Making Process Mining Green - Using Event Data in a Responsible Way
• Responsible Data Science - TU/e
• Responsible Data Science - Springer
• Green Data Science - Using Big Data in an "Environmentally Friendly" Manner
• Coursera - Process Mining - Data Science in Action
• Process Mining
• ProM Tools
• Springer Book - Process Mining - Data Science in Action

Betreuer

Prof. Wil van der Aalst

Berater

noch zu bestimmen

Weitere Informationen

Für weitere Informationen senden Sie bitte eine e-mail an Prof. Wil van der Aalst. Fügen Sie bitte einige zusätzliche Informationen über ihren Hintergrund sowie eventuelle Punkte für komplettierte Kurse hinzu.