Guía docente de Minería de Procesos (M51/56/3/37)

• Introducción a la  minería de procesos.
• Soporte a la decisión en minería de procesos con planificación automática.
• Aprendizaje de modelos del mundo para planificación automática.

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

• Aprender a aplicar técnicas para la minería de procesos y fragmentos de procesos a partir de logs de eventos: descubrimiento de procesos, auditoría de procesos y perfeccionamiento de procesos.
• Conocer la problemática de generar procesos personalizados en entornos dinámicos y no estructurados: analítica prescriptiva, soporte a la decisión online y planificación automática.
• Conocer la aplicación de técnicas de aprendizaje automático para la extracción de conocimiento de control a partir de trazas de ejecución de procesos.
• Conocer las distintas técnicas de análisis de datos y aprendizaje automático que pueden extraer el conocimiento necesario para la generación y planificación de procesos y las principales dificultades en la aplicación de estas técnicas.
• Conocer las recientes tecnologías basadas en IA para la planificación automática
• Aprender el uso de herramientas de minería de procesos , de planificación automática y de aprendizaje de modelos del mundo para planificación

• Tema1: Minería de Procesos:
  • Aprender a aplicar técnicas para la minería de procesos personalizados y fragmentos de procesos a partir de logs de eventos: descubrimiento de procesos, auditoría de procesos y perfeccionamiento de procesos
• Tema2: Planificación automática
  • Conocer qué son los modelos prescriptivos, como realización integral de la analítica e inteligencia de negocio, y la  planificación automática como técnica para representar modelos prescriptivos para toma de decisiones.
  • Conocer la problemática de generar procesos personalizados en entornos dinámicos y no estructurados, su relación con la planificación automática de procesos
• Tema3: Aprendizaje Automático y Large Language Models en Planificación Automática.
  • Aprendizaje Automático y Profundo para aprender modelos del mundo.
  • Aprendizaje Automático y Profundo para aprender conocimiento de control. 
  • Large Language Models y Large Reasoning models en Planificación Automática

• Práctica 1. Minería de procesos con herramientas comerciales como Celonis.
• Práctica 2. Uso de herramientas para la generación dinámica de procesos con planificadores clásicos y jerárquicos.
• Práctica 3. Uso de herramientas para el aprendizaje de modelos del mundo para  Planificación Automática

• S. Jiménez, T. De la Rosa, S. Fernández, F. Fernández, D. Borrajo: A review of machine learning for automated planning, The Knowledge Engineering Review, vol. 27, no. 04, pp. 433–467, 2012
• Manalastas: Process Mining for Intelligent Planning and Scheduling in Adaptive Case Management Environments. University of Granada. 2012.
• W. van der Aalst: Process Mining. Discovery, Conformance and Enhancement of Business Processes. Springer Verlag, 2011.
• The Nature of Knowledge Work. In: Swenson,K. Mastering the Unpredictable: How Adaptive Case  Management Will Revolutionize the Way That Knowledge Workers Get Things Done, ch. 1, pp. 12. Meghan-Kier Press, Florida (2010)
• H. M. Ferreira, D. R. Ferreira: An integrated life cycle for workflow management based on learning and planning, International Journal of Cooperative Information Systems, vol. 15, no. 04, pp. 485–505, 2006
• W. van der Aalst, A. ter Hofstede, M. Weske: Business Process Management: A Survey. In: Weske, M. (ed.) LNCS, vol. 2678, pp. 1-12. Springer, Berlin/Heidelberg (2003)
• F. Palao, J. Fdez-Olivares, L. Castillo, O. Garcıa: An extended HTN knowledge representation based on a graphical notation. Workshop on Knowledge Engineering for Planning and Scheduling. ICAPS Conf. p.126-135. 2011
• Núñez-Molina, C., Mesejo, P., & Fernández-Olivares, J. (2024). A review of symbolic, subsymbolic and hybrid methods for sequential decision making. ACM Computing Surveys, 56(11), 1-36. -- Capitulo 4.1
• Ankuj Arora, Humbert Fiorino, Damien Pellier, Marc Métivier, and Sylvie Pesty. 2018. A review of learning planning action models. Knowledge Engineering Review 33 (2018), e20.
• Pallagani, V., Muppasani, B. C., Roy, K., Fabiano, F., Loreggia, A., Murugesan, K., ... & Sheth, A. (2024, May). On the prospects of incorporating large language models (llms) in automated planning and scheduling (aps). In Proceedings of the International Conference on Automated Planning and Scheduling (Vol. 34, pp. 432-444).
• Kambhampati, S., Valmeekam, K., Guan, L., Verma, M., Stechly, K., Bhambri, S., ... & Murthy, A. B. (2024, July). Position: LLMs can’t plan, but can help planning in LLM-modulo frameworks. In Forty-first International Conference on Machine Learning.

• Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: http://masteres.ugr.es/datcom/
• Sitio web de la herramienta de minería de procesos Celonis https://www.celonis.com/
• Sitio web de herramientas de planificación clásica http://planning.domains/
• Plataforma AIPlan4Eu, integración de planificación numérica y jerárquica para generación de procesos https://github.com/aiplan4eu

• MD01 Lección magistral/expositiva 
• MD02 Resolución de problemas y estudio de casos prácticos 
• MD03 Prácticas de laboratorio 
• MD04 Seminarios 
• MD05 Análisis de fuentes y documentos 
• MD06 Realización de trabajos en grupo 
• MD07 Realización de trabajos individuales 
• MD08 Seguimiento del TFM 

Todo lo relativo a la evaluación se regirá por la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. El sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional.

La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que en el caso de esta asignatura se compone de los siguientes elementos:

1. Evaluación de la Parte Teórica: se realiza con un examen final presencial con preguntas de tipo test sobre conceptos generales de la asignatura. Se evalúa sobre 4,5 puntos.
2. Evaluación de la Parte Práctica: se realizará una práctica por cada uno de los tres bloques de la asignatura (1,5 puntos cada una). Será una práctica básica diseñada para que se pueda  realizar en su integridad en el horario de prácticas. No obstante podrá realizarse también a distancia y por tanto entregarse más tarde si el alumno  así lo considera.
3. Evaluación de los Seminarios y otras actividades: se tendrá en cuenta la participación del alumno, vía contribuciones por correo electrónico o foros así como los problemas propuestos que hayan sido resueltos y entregados por los alumnos (que también podrán realizarse a distancia). Estas actividades se valorarán con 1 punto.

En las convocatorias extraordinarias se utilizará la evaluación única final, tal y como se describe en la sección correspondiente.

Alternativamente a la evaluación continua, el alumno puede optar por la evaluación única final según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada (http://secretariageneral.ugr.es/pages/normativa/ugr/ncg7121). Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura, lo solicitará al Coordinador del Máster, quienes darán traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua. 

La evaluación única final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta guía docente.

La asistencia a las clases presenciales no será obligatoria, aunque la participación en las actividades planteadas será tenida en cuenta en el sistema de evaluación continua, pudiendo realizarse de forma no presencial.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).