本次将会介绍有关《基于MMoE多任务学习与因果推断的业务流程预测及优化》的工作进展情况。主要内容如下：
科研背景：
- 针对大型、复杂的业务流程，业务流程管理（BPM）有利于降低流程执行成本、有助于管理人员进行决策。预测性的业务流程监控（PBPM）是业务流程管理中的重要研究领域，近年来涌现出很多相关的研究工作与成果。
- 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，及时发现可能出现的状况，以采取有效的执行策略，避免不必要的损失。
- 业务流程预测是业务流程优化的重要手段，如果能够准确预估一个正在执行的流程实例的未来执行状况，那么便可以针对异常业务流程进行分析，进而实现流程的实时改进和优化，提高企业竞争力。
科研问题：
- 现有的业务流程预测方法多数针对特定的预测问题，不同任务之间的预测方法的可迁移性不高。虽然Tax等可以使用LSTM网络来进行业务流程活动和时间的多任务预测，但是预测活动和时间方面的精度均不够准确。
- 传统的业务流程优化大多是通过人工经验发现流程中的问题，至多是根据对流程执行过程的人工统计数据来查找流程中的缺陷，因此传统的流程优化没有流程数据支撑或者对流程数据的利用不充分。
科研目的：
- 创新性的使用MMoE多任务学习模型实现多个任务并行预测，缓解模型的过拟合，提高模型的泛化能力，并提升任务的预测精度。
- 此外，针对预测结果中可能异常的流程案例进行基于因果推断的业务流程分析，实现对流程的实时干预，从而优化业务流程。
