本次将会介绍有关《客服中心场景下基于多模态数据与MMoE的业务流程预测研究》的工作进展情况。主要内容如下：

科研背景：

• 预测性的业务流程监控（PBPM）
• 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。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心能够直接、客观地获取客户数据。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 当前，深度学习等人工智能方法广泛应用于企业的业务流程预测中，大部分业务流程预测方法使用的是企业信息系统中记录的流程序列数据，并没有利用其他系统中产生的数据，而且单纯依赖流程数据进行业务流程未来执行状态的预测并不可靠，导致预测效果达不到预期。
• 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[1]，但是预测活动和时间方面的精度均不够准确。

科研目的：

• 针对单数据源可能存在的信息不足的缺陷，提出一种客服中心场景下基于多模态数据的业务流程预测方法。使用企业信息系统中记录的流程日志中的序列数据，同时引入客服中心系统中的语音数据，并将两者所包含的信息进行联合，共同用于企业业务流程的预测。
• 此外，创新性的提出异构多任务学习模型Heterogeneous Multi-gate Mixture-of-Experts（H-MMoE）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。