Quantifying and Explaining Machine Learning Uncertainty in Predictive Process Monitoring: An Operations Research Perspective

要約

タイトル：予測プロセスモニタリングにおける機械学習の不確実性を定量化および説明する：オペレーションズリサーチの観点から

要約：

– 本論文では、情報システムと人工知能を効果的に統合して、オペレーションズリサーチの領域での意思決定プロセスを強化する包括的な多段階機械学習方法を紹介します。
– 提案されたフレームワークは、必要な生産パラメータのデータ駆動推定の無視、モデルの不確実性を考慮せず点予測のみを生成すること、そのような不確実性のソースに関する説明が不足している既存の解決策の一般的な制限に巧みに対処します。
– 我々のアプローチは、予測プロセスモニタリングの問題に対して、Quantile Regression Forestsによる区間予測の生成と、SHapley Additive Explanationsのローカルおよびグローバルバリアントを併用するものです。
– 提案された方法の実用的な適用性は、生産計画の実際のケーススタディによって裏付けられ、意思決定手順を改善するためのプリスクリプティブアナリティクスの可能性を強調しています。
– この論文は、よく考えられた意思決定のために利用可能な幅広い豊富なデータリソースを十分に活用するために、これらの課題に対処することの必要性を強調しています。

要約(オリジナル)

This paper introduces a comprehensive, multi-stage machine learning methodology that effectively integrates information systems and artificial intelligence to enhance decision-making processes within the domain of operations research. The proposed framework adeptly addresses common limitations of existing solutions, such as the neglect of data-driven estimation for vital production parameters, exclusive generation of point forecasts without considering model uncertainty, and lacking explanations regarding the sources of such uncertainty. Our approach employs Quantile Regression Forests for generating interval predictions, alongside both local and global variants of SHapley Additive Explanations for the examined predictive process monitoring problem. The practical applicability of the proposed methodology is substantiated through a real-world production planning case study, emphasizing the potential of prescriptive analytics in refining decision-making procedures. This paper accentuates the imperative of addressing these challenges to fully harness the extensive and rich data resources accessible for well-informed decision-making.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI