LLM übertrifft traditionelle Methoden im Prozessvorhersagen bei kleinen Datensätzen

Eine neue Studie aus dem Bereich Process Mining zeigt, dass große Sprachmodelle (LLMs) bei der Vorhersage von Prozessverläufen deutlich besser abschneiden als herkömmliche Verfahren – und das schon bei extrem knappen Datenmengen.

Das Forschungsteam hat ein bestehendes LLM-basiertes Predictive Process Monitoring Framework erweitert. Während die ursprüngliche Version sich ausschließlich auf die Vorhersage der Gesamtdauer eines Prozesses konzentrierte, wurden nun mehrere Schlüsselkennzahlen (Key Performance Indicators) wie die Gesamtdauer und die Auftretenshäufigkeit von Aktivitäten einbezogen. Die Evaluation erfolgte an drei unterschiedlichen Event‑Logs, die jeweils unterschiedliche Prozesslandschaften abbilden.

Die Ergebnisse sind beeindruckend: In Szenarien mit nur 100 Prozessspuren übertrifft das LLM die etablierten Benchmark‑Methoden. Dabei nutzt es sowohl sein eingebettetes Vorwissen als auch die internen Korrelationen zwischen den Trainingsspuren, um präzisere Vorhersagen zu liefern. Diese Fähigkeit, Muster aus sehr wenigen Daten zu extrahieren, macht das Modell besonders wertvoll für kleine Unternehmen, die oft nur begrenzte Prozessdaten besitzen.

Ein weiteres Highlight der Untersuchung ist die Analyse der internen Entscheidungsprozesse des Modells. Die Forscher konnten nachweisen, dass das LLM nicht lediglich bestehende Vorhersagemethoden repliziert, sondern höhere‑Ordnung‑Logik anwendet, um die Ergebnisse zu generieren. Diese höhere Ordnung des Denkens deutet darauf hin, dass LLMs in der Lage sind, komplexe Zusammenhänge zu erkennen und daraus neue Einsichten abzuleiten – ein entscheidender Vorteil für die Zukunft des Prozessmonitorings.