Titolo della tesi: Multi-Perspective Trace Alignment in Process Mining with Automated Planning
Questa tesi sviluppa tecniche basate su planning per l'analisi multi-prospettiva dei processi e il supporto all'esecuzione nel Business Process Management. Partendo dall'osservazione che il trace alignment, una delle tecniche più potenti per il conformance checking, può essere formulato come un problema di cost-optimal planning in AI, la tesi estende sistematicamente questa formulazione al di là delle pure deviazioni del flusso di controllo. In particolare, vengono introdotti modelli di costo context-dependent per catturare deviazioni la cui severità varia in base al contesto di esecuzione, e il timed trace alignment viene formalizzato rappresentando i vincoli temporali tramite 1-clock Deterministic Timed Automata e riducendo il problema di trace alignment a numeric planning. Queste tecniche vengono ulteriormente estese verso il supporto all'esecuzione a runtime attraverso la nozione di framed autonomy, che consente ai AI-Augmented Business Process Management Systems di progredire autonomamente nell'esecuzione di processi parzialmente eseguiti, rispettando un insieme di vincoli procedurali e dichiarativi a costo di violazione minimo. La praticità dell'approccio viene dimostrata attraverso un'applicazione reale nel dominio della Cybersecurity Incident Management compliance assessment. Infine, per affrontare il collo di bottiglia della modellazione formale dei domini, viene presentata una pipeline basata su LLM per la generazione di domini PDDL a partire da descrizioni in linguaggio naturale. Complessivamente, questi contributi stabiliscono un framework unificato basato su automi e Planning per il conformance checking multi-prospettiva, il ragionamento prescrittivo sui processi e la modellazione accessibile dei domini.