Beschreibung

Process Mining ermöglicht die datengetriebene Analyse und Verbesserung von Prozessen, setzt jedoch Event Logs voraus, deren Einträge Aktivitäten auf Prozessebene repräsentieren. In Smart Environments (z.B. Smart Office oder Smart Home) entstehen zwar kontinuierlich große Mengen an Sensordaten (z. B. Bewegungs-, Tür- und Verbrauchssensoren), diese liegen jedoch auf einer deutlich niedrigeren Abstraktionsebene. Ein einzelnes IoT-Event wie „Türkontakt geöffnet" entspricht keiner Prozessaktivität wie „Besprechung beginnen". Zwischen den rohen IoT-Events und den für Process Mining benötigten Prozess-Events liegt eine semantische Lücke, die bislang meist durch manuell definierte Regeln oder überwacht trainierte Klassifikatoren geschlossen wird – beides aufwändig, domänenspezifisch und schlecht übertragbar.

Large Language Models (LLMs) eröffnen hier einen neuen Ansatz. Durch ihr umfangreiches Weltwissen können sie Sensordatensequenzen semantisch interpretieren und potenziell ohne aufwändiges Training (zero-/few-shot) menschliche Aktivitäten erkennen. Ob und unter welchen Bedingungen LLMs diese Aufgabe zuverlässig lösen, ist jedoch noch weitgehend offen. Es ist unklar, welche Repräsentationsformen von Sensordaten (z. B. textuelle Serialisierung, strukturierte Formate, zeitfensterbasierte Aggregation) sich eignen, welche Prompting-Strategien die Erkennungsqualität beeinflussen und wie erkannte Aktivitäten so mit Fallbezug und Zeitstempeln versehen werden können, dass daraus valide Event Logs (z. B. im XES- oder OCEL-Format) für Process Mining entstehen.

Im Rahmen dieser Abschlussarbeit soll deshalb untersucht werden, ob und in welchem Ausmaß LLMs Aktivitäten aus IoT-Sensordaten erkennen können und wie sich daraus systematisch Event Logs für Process Mining erzeugen lassen. Ziel ist eine durchgängige Pipeline von rohen Sensordaten über erkannte Aktivitäten bis zum analysierbaren Event Log, deren Qualität experimentell mit verschiedenen Konfigurationen evaluiert wird.

Die Arbeit soll dabei die folgenden Schritte abdecken:

• Recherche: Zunächst wird eine initiale Recherche durchgeführt, um bestehende Ansätze in der Literatur zur Aktivitätserkennung (Human Activity Recognition), zur Event Abstraction im Process Mining sowie zu LLM-basierten Verfahren der Sensordateninterpretation zu erfassen. Hierbei sollen auch geeignete öffentliche IoT-Datensätze mit annotierten Aktivitäten recherchiert werden.
• Analyse: Es soll analysiert werden, welche Sensormodalitäten und Datencharakteristika (z. B. Ereignisdichte, Mehrpersonen-Szenarien, überlappende Aktivitäten) sich für eine LLM-basierte Erkennung eignen und wo systematische Grenzen liegen. Darauf aufbauend soll eine Systematik konstruiert werden, welche die Abstraktionsstufen zwischen IoT-Event, erkannter Aktivität und Prozess-Event strukturiert und typische Fehlerarten der Erkennung klassifiziert.
• Konzeption: Basierend auf der Analyse wird eine Pipeline konzipiert, die IoT-Daten aufbereitet, mittels LLMs Aktivitäten erkennt und diese in ein Event Log überführt. Hierbei sollen geeignete Metriken zur Bewertung sowohl der Erkennungsqualität als auch der Qualität der resultierenden Event Logs erarbeitet werden.
• Implementierung & Evaluation: Abschließend soll die Pipeline implementiert und mit verschiedenen Konfigurationen (z. B. Modelle, Repräsentationsformen, Prompting-Strategien) auf mindestens einem öffentlichen Datensatz evaluiert werden. Die Ergebnisse sollen zeigen, unter welchen Bedingungen LLM-basierte Aktivitätserkennung Event Logs liefert, und praxisorientierte Empfehlungen für den Einsatz in IoT-gestützten Process-Mining-Szenarien ableiten.

Bitte bewerben Sie sich bei Interesse über den folgenden Link: https://portal.wiwi.kit.edu/forms/form/Bewerbung_Abschlussarbeit_AIFB-BIS