Prof. Dr. Matthias Weidlich

Prof. Weidlich erforscht die automatisierte Analyse und Validierung von Datenanalyseworkflows – also der Prozesse, mit denen Wissenschaftler und Unternehmen große Datenmengen verarbeiten und auswerten. Sein aktueller Fokus liegt darauf, Fehler in diesen Workflows frühzeitig zu erkennen und die explorative, iterative Entwicklung solcher Workflows besser zu unterstützen, etwa durch formale Anfragen über Ausführungsdaten und ereignisgesteuerte Validierungsmethoden. Parallel arbeitet er an Prozessanalyse und Prozessautomatisierung, insbesondere an der Frage, wie man Geschäftsprozesse zuverlässig überwachen, validieren und optimieren kann – auch unter Berücksichtigung von Datenschutz und unvollständigen Informationen. Diese Arbeiten adressieren konkrete Herausforderungen in datengetriebenen Organisationen (Forschungsinstitute, Unternehmen mit komplexen IT-Systemen) und unterstützen auch Spin-off-Projekte zur KI-gestützten Prozessautomatisierung ohne Programmierkenntnisse.

🔒 Das System hat 893 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• NW/1: Prozessorientierung in Ereignisgetriebenen Systemen: Modell, Analyse und Optimierung

  Quelle ↗

  Prozessorientierte Informationssysteme (POIS) unterstützen die Kontrolle und Durchführung eines Prozesses, der definiert ist als eine koordinierte Ausführung von Aktionen um ein bestimmtes Ziel zu erreichen. POIS basieren auf einer expliziten Repräsentation des Prozesses, einem Prozessmodell. Sie haben in diversen Bereichen Anwendung gefunden, beispielsweise in der Automatisierung von Geschäftsprozessen oder der Anwendungsintegration, und ihre Funktionsweise in geschlossenen Umgebungen ist in vielerlei Hinsicht untersucht worden. Automatisierte Datenerhebungen und fortschreitende Integration von Informationssystemen verlangen jedoch nach Prozessunterstützung jenseits der Grenzen von klassischen POIS. Ereignisverarbeitende Systeme (EVS) sammeln, analysieren und reagieren auf Ereignisse und stellen somit eine Infrastruktur dar, welche besonders für den Betrieb in offenen Umgebungen und für die Verarbeitung großer Datenmengen geeignet ist. Die Anwendung eines EVS als prozessorientiertes System ist jedoch noch nicht hinreichend beschrieben worden. So fehlt es an Methoden um Prozessunterstützung mittels eines EVS zu realisieren, wodurch es zu einer ineffektiven Entkopplung der Ereignisverarbeitung von den unterstützten Prozessen kommt. Das vorgeschlagene Projekt widmet sich ereignisverarbeitenden Systemen, welche Prozesse unterstützen, und erarbeitet Konzepte für die Entwicklung, Analyse und Optimierung dieser Systeme. Um den Grundstein für die Verwendung von ereignisverarbeitenden Systemen in prozessorientierten Anwendungen zu legen, wird eine Integration von formalen Methoden für die Prozessmodellierung und die Ereignisverarbeitung angestrebt. Ein weiterer Forschungsschwerpunkt des Projekts ist die Frage, wie sich Prozesswissen für die quantitative Analyse und die Optimierung eines EVS nutzen lässt.

• Grundlagen der Äquivalenzanalyse von Prozessmodellen

  Quelle ↗

• Conformance Checking

  2018

  DOI

• SABER

  2016

  DOI

  Modern servers have become heterogeneous, often combining multi-core CPUs with many-core GPGPUs. Such heterogeneous architectures have the potential to improve the performance of data-intensive stream processing applications, but they are not supported by current relational stream processing engines. For an engine to exploit a heterogeneous architecture, it must execute streaming SQL queries with sufficient data-parallelism to fully utilise all available heterogeneous processors, and decide how to use each in the most effective way. It must do this while respecting the semantics of streaming SQL queries, in particular with regard to window handling.

• Extraction, correlation, and abstraction of event data for process mining

  2019

  Wiley Interdisciplinary Reviews Data Mining and Knowledge Discovery · DOI

  Abstract Process mining provides a rich set of techniques to discover valuable knowledge of business processes based on data that was recorded in different types of information systems. It enables analysis of end‐to‐end processes to facilitate process re‐engineering and process improvement. Process mining techniques rely on the availability of data in the form of event logs. In order to enable process mining in diverse environments, the recorded data need to be located and transformed to event logs. The journey from raw data to event logs suitable for process mining can be addressed by a variety of methods and techniques, which are the focus of this article. In particular, techniques proposed in the literature to support the creation of event logs from raw data are reviewed and classified. This includes techniques for identification and extraction of the required event data from diverse sources as well as their correlation and abstraction. This article is categorized under: Technologies > Structure Discovery and Clustering Fundamental Concepts of Data and Knowledge > Data Concepts Technologies > Data Preprocessing