Construcció d'un dataset per a l'extracció de models de processos de negoci a partir de textos

G au en Enginye ia In o m` a ica Especiali a en Compu aci´ o T eball de Fi de G au Cons ucci´o d’un da ase pe a l’ex acci´o de models de p ocessos de negoci a pa i de ex os Guillem Pla Be an Di ec o Josep Ca mona Va gas Codi ec o Llu ´ ıs Pad ´ o Ci e a Tu o a del GEP Olga Pons Pe ego 22/06/2022 Resum La de inici´o o mal de p ocessos de negoci en es `anda ds com BPMN 2.0 ´es un pas c u- cial pe a la ans o maci´o digi al de les o gani zacions. Mol es o gani zacions enen els seus p ocessos documen a s en ex , i c ea -ne els models o mals ´e un ele a cos de pe sonal especiali za . L’objec iu del p ojec e ´es c ea un conjun de dades ano ades que elacionin ex os amb els models o mals que els desc iuen, pe al que puguin se usades pe en ena sis emes neu onals de Deep Lea ning pe e aques a asca. Abs ac Fo mally de ining business p ocesses in s anda ds such as BPMN 2.0 is a c ucial s ep in he digi al ans o ma ion o o ganiza ions. Many o ganiza ions ha e hei p ocesses documen ed in ex , and c ea ing o mal models has a high cos o specialized s a . The goal o he p ojec is o c ea e a se o anno a ed da a ha ela e ex s o he o mal models ha desc ibe hem, so ha hey can be used o ain Deep Lea ning neu al sys ems o do his ask. ´ Index 1 In oducci´o 8 2 Con ex 9 2.1 Ac o simplica s ................................ 9 2.2 Business P ocess Model and No a ion . . . . . . . . . . . . . . . . . . . . 9 2.2.1 Elemen sdeBPMN .......................... 10 2.3 Na u al Language P ocessing . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4 Na u al Language Gene a ion . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5 P oblemaa esold e .............................. 16 3 Jus i icaci´o 21 4 Abas 23 4.1 Objec ius .................................... 23 4.2 Possiblesobs acles ............................... 24 5 Me odologia 25 5.1 M`e odeKanban................................. 25 5.2 Eines....................................... 25 5.3 Validaci´o .................................... 26 6 Plani icaci´o empo al 27 6.1 De inici´ode asques .............................. 27 6.1.1 Recu sos necessa is . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 6.1.2 Ges i´o del P ojec e - GP . . . . . . . . . . . . . . . . . . . . . . . . 28 6.1.3 Gene aci´o del da ase - GD . . . . . . . . . . . . . . . . . . . . . . 29 6.1.4 C ea model Deep Lea ning - MD . . . . . . . . . . . . . . . . . . 30 6.1.5 Documen aci´o - DO . . . . . . . . . . . . . . . . . . . . . . . . . . 31 6.2 Es imacionsiGan .............................. 33 6.3 Plans al e na ius i obs acles . . . . . . . . . . . . . . . . . . . . . . . . . . 35 6.4 Can is en la plani icaci´o . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6.4.1 Can is als objec ius . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6.4.2 Can isalscos os............................ 37 2 7 P essupos 38 7.1 Cos osdepe sonal ............................... 38 7.2 Cos ospe asca ................................ 38 7.3 Cos osgen`e ics ................................. 39 7.3.1 Maquina i................................ 39 7.3.2 P og ama i ............................... 40 7.3.3 Tele eball................................ 40 7.4 To al dels cos os pe pe sonal i gen`e ics . . . . . . . . . . . . . . . . . . . 41 7.4.1 Con ing`encia .............................. 41 7.4.2 Imp e is os............................... 42 7.5 Cos o al del p ojec e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 7.6 Con oldeges i´o................................ 42 8 In o me de sos enibili a 44 8.1 Dimensi´oecon`omica .............................. 44 8.2 Dimensi´oambien al .............................. 45 8.3 Dimensi´osocial................................. 45 9 Soluci´o plan ejada 46 9.1 Einesu ili zades ................................ 46 9.1.1 Camunda ................................ 46 9.1.2 F eeling ................................. 47 9.1.3 SimpleNLG............................... 48 9.1.4 jBPT .................................. 48 9.1.5 RPST .................................. 49 9.2 An`alisi d’al e na i es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 9.2.1 Pa se BPMN.............................. 50 9.2.2 F eeLing................................. 51 9.2.3 SimpleNLGijBPT........................... 51 9.3 Implemen aci´o ................................. 51 9.3.1 Llegi els models BPMN . . . . . . . . . . . . . . . . . . . . . . . . 52 9.3.2 An`alisi mo osin `ac ica . . . . . . . . . . . . . . . . . . . . . . . . . 53 9.3.3 Gene a ases simples . . . . . . . . . . . . . . . . . . . . . . . . . 56 9.3.4 C ea elpa `ag a ............................ 57 10 An`alisis del Da ase 61 10.1 Models BPMN u ili za s . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 10.2Con ingu deda ase .............................. 62 10.3 An`alisi de les desc ipcions . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 11 T eball u u 66 11.1T ac a els ´ıgids ................................ 66 11.2 Aconsegui esul a s m´es na u als . . . . . . . . . . . . . . . . . . . . . . . 67 11.3 C ea model Deep Lea ning . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3 12 Conclusions 69 12.1Ges i´odel emps ................................ 69 12.2Me odologia................................... 69 12.3 Coneixemen s adqui i s . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 12.4 Apo acions d’aques eball . . . . . . . . . . . . . . . . . . . . . . . . . . 70 13 Ag a¨ımen s 72 Bibliog a ia 73 A Models BPMN i desc ipcions i B Codi li 4 ´ Index de igu es 2.1 Rep esen aci´o dels di e en s ipus d’Esde enimen s. Fon : Elabo aci´o p `opia....................................... 10 2.2 Rep esen aci´o dels di e en s ipus d’Ac i i a s. Fon : Elabo aci´o p `opia. . 11 2.3 Rep esen aci´o dels di e en s ipus de Ga eways. Fon : Elabo aci´o p `opia. . 12 2.4 Rep esen aci´o dels di e en s ipus de Connec o s. Fon : Elabo aci´o p `opia. 12 2.5 Rep esen aci´o d’una Swimlane. Fon : Elabo aci´o p `opia. . . . . . . . . . . 13 2.6 BPMN d’exemple. Fon : camunda.com . . . . . . . . . . . . . . . . . . . . 17 2.7 Desc ipci´o obo i zada del BPMN d’exemple de la igu a 2.6. Fon : Ela- bo aci´op `opia. ................................. 18 2.8 Desc ipci´o m´es na u al del BPMN d’exemple de la igu a 2.6. Fon : Ela- bo aci´op `opia. ................................. 18 2.9 Exemple d’un BPMN m´es complex. Fon : bpmn-miwg . . . . . . . . . . . 19 2.10 Desc ipci´o del BPMN de la igu a 2.9. Fon : Elabo aci´o p `opia. . . . . . . 20 4.1 Subobjec ius de cada pa del p ojec e. Fon : Elabo aci´o p `opia. . . . . . 23 5.1 Me odologia Kanban. Fon : Pixabay. . . . . . . . . . . . . . . . . . . . . . 26 6.1 Diag ama de Gan del p ojec e. Visuali za en la web Asana. Fon : Elabo aci´op `opia................................ 34 9.1 Logo ip de Camunda. Fon : camunda.com . . . . . . . . . . . . . . . . . . 47 9.2 Exemple de con e si´o d’un g a BPMN a un a b e RPST. Fon : The Re ined P ocess S uc u e T ee. Jussi Vanha alo, Hagen V¨olze , Jana Koehle ..................................... 49 9.3 Tipus de agmen s d’un RPST. Fon : J. Vanha alo e al. Da a & Know- ledge Enginee ing 68 (2009) 793–818 . . . . . . . . . . . . . . . . . . . . . 50 9.4 Diag ama que mos a la elaci´o en e els m`oduls del p ojec e. Fon : Ela- bo aci´op `opia ................................. 52 9.5 Pa d’un BPMN pa seja gua da com a JSON. Visuali za en la web JSON Edi o . Fon : Elabo aci´o p `opia . . . . . . . . . . . . . . . . . . . . 53 9.6 Exemple d’un JSON e o na pel F eeling. Fon : Elabo aci´o p `opia . . . . 54 9.7 Exemple simple de c eaci´o d’una ase amb SimpleNLG. Fon : Elabo aci´o p `opia ...................................... 56 5 9.8 JSON modi ica pel m`odul Sen ences Gene a o . Visuali za en la web JSON Edi o . Fon : Elabo aci´o p `opia . . . . . . . . . . . . . . . . . . . . 57 9.9 F agmen s de l’a b e RPST del model d’exemple Cook. Fon : Elabo aci´o p `opia ...................................... 58 9.10 A b e RPST del model d’exemple Cook. Fon : Elabo aci´o p `opia . . . . . 59 9.11 Exemple simple de combinaci´o de ases amb SimpleNLG. Fon : Elabo a- ci´op `opia .................................... 60 9.12 Diag ama de classes p `opies u ili zades en c ea el pa `ag a . Fon : Ela- bo aci´op `opia ................................. 60 6 ´ Index de aules 6.1 Taula de les asques. Fon : Elabo aci´o p `opia. . . . . . . . . . . . . . . . . 32 7.1 Rols del p ojec e i la ac u aci´o pe ho a. Fon : Elabo aci´o p `opia. . . . . 38 7.2 Taula del cos pe cada asca. Fon : Elabo aci´o p `opia. . . . . . . . . . . 39 7.3 Cos os del maquina i. Fon : Elabo aci´o p `opia. . . . . . . . . . . . . . . . 40 7.4 Cos os pel p og ama i. Fon : Elabo aci´o p `opia. . . . . . . . . . . . . . . 41 7.5 Cos os de pe sonal i gen`e ics. Fon : Elabo aci´o p `opia. . . . . . . . . . . . 41 7.6 Taula amb els cos os dels imp e is os. Fon : Elabo aci´o p `opia. . . . . . . 42 7.7 Taula amb els cos os o als del p ojec e. Fon : Elabo aci´o p `opia. . . . . . 42 10.1 Taula de l’an`alisi dels models. Fon : Elabo aci´o p `opia. . . . . . . . . . . 64 10.2 Taula de l’an`alisi de les desc ipcions gene ades pe model. Fon : Elabo- aci´op `opia.................................... 65 7 1 In oducci´o El dicciona i de l’Ins i u d’Es udis Ca alans [1] de ineix un p oc´es com una mane a de descabdella -se una acci´o p og essi a. ´ Es a di , que qualse ol conjun d’accions que eali zem en el dia a dia es po de ini com a un p oc´es. De la ma eixa mane a, en una emp esa es duen a e me una lla ga llis a d’accions que pe me en aconsegui els objec ius ma ca s. E iden men , en una emp esa els p ocessos no s´on an simples com les que es eali zen di`a iamen . En conseq¨u`encia, ´es mol impo an que cada una de les asques es igui ben de inida. La de inici´o o mal de p ocessos de negoci en es `anda ds com BPMN 2.0 ´es un pas c ucial pe a la ans o maci´o digi al de les o gani zacions, ja que pe me ges iona els p oces- sos que es duen a e me en una emp esa. Mol es o gani zacions enen els seus p ocessos documen a s en ex , i c ea els models o mals ´e un ele a cos de pe sonal especiali za . Au oma i za la c eaci´o de diag ames BPMN se ia mol ´u il pe a les emp eses. Una mane a pe a aconsegui aix`o se ia u ili za models de Deep Lea ning. Malau adamen , pe en ena aques s models es necessi a una g an quan i a de dades que no semp e ´es `acil d’aconsegui . Pe e i a l’escasse a de dades, en aques eball es p e ´en c ea un p og ama que gene i un da ase de diag ames BPMN enlla¸ca s amb la co esponen desc ipci´o en llengua ge na u al. 8 al ex inal. En aques apa a s’exposa qu`e ´es aques a ecnologia i com es a se i . NLG ´es un subcamp de l’in el.lig`encia a i icial i de la ling¨u´ıs ica compu acional. S’ocupa de la cons ucci´o de sis emes in o m`a ics que poden p odui ex os comp ensibles pels humans a pa i d’una on d’in o maci´o no ling¨u´ıs ica [16]. El seu objec iu p incipal ´es con e i la in o maci´o que con enen els o dinado s en un esc i en enedo i au oma i za l’esc ip u a de na a i es o ien ades a les dades [17]. Les aplicacions de NLG u ili zen egles basades en la mo ologia, el l`exic, la sin axi i la sem`an ica pe a escolli com edac a les espos es de o ma adequada. Aques p oc´es es a en es e apes [18]: •Plani icaci´o del ex : Es o mula el con ingu gene al i s’o dena de o ma l`ogica. •Plani icaci´o de les ases: S’o gani zen les ases enin en comp e els signes de pun uaci´o i a egin p onoms o conjuncions quan sigui necessa i. •Reali zaci´o: Es gene a la ase conside an la p ecisi´o g ama ical i assegu an que es espec en les no mes de pun uaci´o i conjugaci´o. Exis eixen es ipus d’eines de Na u al Language Gene a ion [17]: •B`asic: Nom´es ans o ma dades en ex . •Basa en plan illes: Encaixa les dades en plan illes de ex . •A an¸ca : Dedueix ca ac e ´ıs iques a pa i de les dades i u ili za el con ex pe a adap a el missa ge. Es poden oba simili uds en e Na u al Language Gene a ion (NLG), Na u al Language P ocessing (NLP) i Na u al Language Unde s anding (NLU), ja que o es es eballen la ma eixa disciplina. Tanma eix, exis eixen ma isos que les di e encien. El p og ama i NLG ´es capa¸c d’esc iu e, pe `o no po llegi . Aix`o el di e encia de NLP que llegeix dades deses uc u ades de llengua ge hum`a i les con e eix en dades es uc- u ades que es poden en end e. Aques a pa de NLP s’anomena Na u al Language Unde s anding [19]. NLG i NLU s´on subseccions d’un domini de NLP m´es gene al que comp en o el p og a- ma i que in e p e a o p odueix llengua ge hum`a. NLP s’enca ega d’en end e les dades en unci´o de la g am`a ica i el con ex . NLP con e eix ex en dades es uc u ades i NLG gene a un esc i basa en dades es uc u ades [19]. Aques a ecnologia ´es an e s`a il que s’u ili za en mol s camps. Els p incipals camps s´on gene aci´o au om`a ica d’in o mes, sub ´ı ols d’ima ges, cha bo , esc ip u a c ea i a i 15 humo compu acional [16]. Pe `o, amb´e es a se i en disciplines com pol´ı ica, banca i inances, ab icaci´o i assegu ances [20]. Hi ha di e ses eines que es poden e se i pe a desen olupa p ojec es de NLG. Es poden di e encia en eines come cials i eines de codi lliu e. A con inuaci´o, es mos en exemples de cada ipus amb una b eu desc ipci´o [19]. Algunes eines come cials s´on: •A ia NLG:´ Es una de les emp eses l´ıde s mundialmen en ecnologies NLG. El seu p og ama i ´es una o ma d’in el.lig`encia a i icial que ans o ma dades es uc- u ades en llengua ge na u al [21]. •AX Seman ics: Aques a companyia o e eix se eis de NLG en camps com el come ¸c elec `onic, pe iodisme i dades. U ili za IA i machine lea ning pe a en ena el mo o NLP. •Wo dsmi h:´ Es un mo o NLG que pe me als usua is con e i dades en ex en qualse ol o ma o escala. Algunes llib e ies de codi obe s´on: •Na u alOWL:´ Es un conjun d’eines de codi obe que s’u ili za pe a gene a desc ipcions sense e gai e p og amaci´o. •GPT-3:´ Es un model de llengua ge au o eg essiu que a se i Deep Lea ning pe p odui ex os que simulen la edacci´o humana [22]. Ha es a c ea pe l’emp esa OpenAI. •SimpleNLG:´ Es un dels eali zado s de codi obe s m´es u ili za s. Aques a API de Ja a ha sigu desen olupada pel undado de A ia. Les se es uncionali a s s´on b`asiques, pe `o s´on senzilles de e ana i es an ben documen ades. ´ Es l’eina que s’ha decidi e se i en aques eball, en l’apa a [23] se’n pa la m´es a ons. 2.5 P oblema a esold e Com s’ha comen a an e io men , el modela ge dels p ocessos emp esa ials ´es una pa i al a l’ho a d’es abli el uncionamen d’un p ojec e. Mol es emp eses enen ex os que expliquen com es an de ini s les accions a eali za , pe `o no ho enen modela en un llengua ge o mal. El modela ge po a iba a compo a ins al 60% del emps gas a en els p ojec es de ges i´o de p ocessos. Una possible soluci´o pe a au oma i za la c eaci´o dels diag ames a pa i de desc ipci- ons en llengua ge na u al ´es e se i `ecniques mode nes d’In el.lig`encia A i icial. En aques cas conc e es pod ia en ena un model de Deep Lea ning a pa i d’un conjun 16 de diag ames que enen associa la se a desc ipci´o en llengua ge na u al. Lamen ablemen , al com Ma hew S ewa [24] explica, un dels ep es de l’ap enen a - ge au om`a ic ´es la manca de dades i la al a de bones dades. Aconsegui els conjun s de dades adequa s ´es complex, ja que pe mo ius de p i aci a i con idenciali a mol poques emp eses allibe en les desc ipcions dels seus p ocessos. En aques p ojec e es p e ´en abo da el p oblema de l’escasse a de dades. Es a `a ge- ne an desc ipcions sin `e iques, que semblin m´ınimamen eals, i que pe me in en ena algo ismes de o ma iable i con olada. A con inuaci´o, en la igu a 2.6 es mos a un exemple d’un model BPMN que ep esen a el p oc´es de p epa aci´o d’un `apa . Pe a il.lus a el que es p e ´en e al eball el model es `a acompanya d’una desc ipci´o en llengua ge na u al gene a a m`a, pe `o l’objec iu ´es aconsegui gene a una desc ipci´o simila au om`a icamen . Figu a 2.6: BPMN d’exemple. Fon : camunda.com En aques cas la desc ipci´o de la igu a 2.7 ´es senzilla pe qu`e l’exemple u ili za ho e a, pe `o no semp e se `a aix´ı. Tamb´e s’hau ia de igila que no sembli un ex mol a i icial, pe `o aix`o ja ´es m´es complica . En la igu a 2.8 es po obse a una desc ipci´o m´es p o- pe a al llengua ge u ili za pe un hum`a. Aques hau ia de se l’objec iu inal a assoli de ca a a eni un bon conjun de dades, pe `o no ´es an senzill d’aconsegui . En l’exemple 2.8 podem eu e que s’hi ha a egi una s`e ie de connec o s pe a e -lo menys obo i za . Cal eni en comp e que l’objec iu del p ojec e ´es gene a un conjun de dades que es pugui e se i pe a en ena un model d’ap enen a ge au om`a ic. 17 When hunge is no iced, a ecipe is chosen. Then he ques ion ’desi ed componen s?’ is asked. I he answe is salad, hen a salad is p epa ed. I he answe is some hing eal, hen he ques ion ’desi ed dish?’ is asked. I he answe is pas a, hen pas a is cooked, o he wise i he answe is s eak, hen a s eak is cooked. Then he meal is ea en and hunge is sa is ied. Figu a 2.7: Desc ipci´o obo i zada del BPMN d’exemple de la igu a 2.6. Fon : Elabo- aci´o p `opia. Once he hunge is no iced, a ecipe is chosen. I salad is chosen as a desi ed componen , hen a salad is p epa ed. Besides o ha , i is possible o selec some hing eal. In ha case, he desi ed dish mush be chosen be ween pas a and s eak. I he desi ed dish is pas a, hen pas a is cooked, o he wise a s eak is cooked. Finally, he meal is ea en and hunge is sa is ied. Figu a 2.8: Desc ipci´o m´es na u al del BPMN d’exemple de la igu a 2.6. Fon : Elabo- aci´o p `opia. Aix`o implica que si o s els egis es con enen cons uccions simila s, el model ap end `a poc. Pe aix`o, s’hau ia d’in en a e se i sin`onims o connec o s equi alen s pe a cada egis e. A m´es, un model po comp a amb mol es m´es ac i i a s i ami icacions. Aix`o po complica la gene aci´o de la ase pe qu`e cal decidi quan s’ha de e un nou pa `ag a . Tamb´e cal es uc u a b´e el ex pe qu`e quan di e ses ami icacions s’ajun in s’en engui el conjun sence del pa `ag a . Aques s ep es s´on els que s’in en a an supe a en el anscu s d’aques p ojec e. En la igu a 2.9 s’hi mos a un exemple d’un BPMN eal i m´es complex. En la igu a 2.10 s’hi po eu e una possible desc ipci´o ideal e a a m`a. Malg a es a esc i a pe un hum`a, es po eu e com en alguns casos cos a de segui , sob e o quan hi ha bi u cacions, ases mol lla gues o ac i i a s que assenyalen a al es ac i i a s esmen ades an e io men . Si ins i o cos a que una pe sona aci una desc ipci´o acu ada i `acil d’en end e d’un model complex, un p og ama au om`a ic amb´e ho ind `a complica . 18 Figu a 2.9: Exemple d’un BPMN m´es complex. Fon : bpmn-miwg 19 The p ocess s a s once he candida e has accep ed he o e , hen he HR Depa men sends him he con ac . I he con ac e ms a en’ accep ed, hen he HR Depa men e iews he e ms o he con ac and sends i again. I he con ac e ms a e accep ed, hen ge signa u e on he con ac and no i y he esponsible depa men . Then he HR Depa men in o ms he employee o company policies, in oduces him o company mission, ision and alues, pe o ms aining o ime epo s, sick lea e and holidays and egis e s him o medical insu ance. A he same ime, he esponsible depa men eques s he p epa a ions o a new employee, he e en new employee in depa men X happens. Once he p e ious ac i i ies a e done, he esponsible depa men in oduces he new employee o he eam and pe o ms aining o he posi ion. Then, a he same ime, he e en s inpu om IT eady, inpu om Pay oll eady, inpu om acili ies eady happen. Once he p e ious ac i i ies a e done, he esponsible depa men compiles he welcome package and inally gi es him he welcome package. Figu a 2.10: Desc ipci´o del BPMN de la igu a 2.9. Fon : Elabo aci´o p `opia. 20 3 Jus i icaci´o Dona que el modela ge de p ocessos amb l’es `anda d BPMN ´es mol espec´ı ic l’es a de l’a no ´es mol ex ens. To i aix`o, es poden oba di e ses aplicacions simila s, enca a que no an ben b´e el que es p e ´en en aques eball. Aques s p ojec es e s an e io men els podem classi ica en e els que ans o men d’un diag ama BPMN a ex na u al i els que ho an a l’in e ´es. Abans, desen olupa una eina que au oma i z´es qualse ol p oc´es eque ia mol es o ¸c i dedicaci´o, ja que, s’ha ien de eni en comp e o es les possibles combinacions en els pos- sibles inpu s. Aix`o eia que en ce s camps, com a a el de con e i un ex na u al, os p `ac icamen impossible d’aconsegui . Pe so , m`e odes com el Deep Lea ning pe me- en gene a con ingu de o ma `apida i e icien . Pe `o, pe aconsegui un model uncional es eque eix un conjun de dades mol g an i di e s, i no semp e ´es `acil ob eni -lo [25]. Pe a soluciona el p oblema plan eja en aques eball no disposem d’un bon da ase que ens pe me i gene a un model de Deep Lea ning iable. ´ Es pe aix`o, que la pa p incipal d’aques eball consis eix a c ea una aplicaci´o que gene i un conjun de dades a ia i amb p ou egis es. Aix`o es a `a con e in di e sos diag ames a un llengua ge na u al que sigui en enedo pe qualse ol pe sona sense coneixemen de BPMN. En aques cas s’ha decidi que es a `a se i l’angl`es, ja que ´es un dels m´es pa la s al m´on. Pe a e aques a p ime a pa , hi ha un eball del 2016 i ula T ans o man Models BPMN a Llengua ge Na u al [26] que a quelcom semblan . En el eball es llegeix el i - xe BPMN, desp ´es es c ea un RSPT (Re ined P og am S uc u e T ee) pe a gua da la in o maci´o necess`a ia pe soluciona el p oblema i amb´e es a se i una xa xa de Pe i pe a ex eu e l’es uc u a del p oc´es. Finalmen , es a la gene aci´o del ex anali zan cada elemen i conca enan els di e en s missa ges seguin l’es uc u a dels a b es c ea s an e io men . 21 La segona pa del p ojec e consis eix a en ena una xa xa neu onal que sigui capa¸c d’in- e p e a una desc ipci´o en llengua ge na u al i que ho con e eixi en un model BPMN. Pe a e aix`o, es a `a se i el da ase que hem c ea a la p ime a pa . De eballs an e io s i aplicacions exis en s que con e eixin de ex a diag ames n’hi ha algunes que s’esmen en a con inuaci´o. Pe `o cap d’elles a se i un model de Deep Lea ning. Pe an , en aques cas cald `a en ena el model des de ze o. P ocess Talks [27] ´es una aplicaci´o web que pe me modela p ocessos a pa i d’una explicaci´o in o mal, sigui esc i in o pa lan . L’eina a se i egles i pa ons que ana- li zen l’es uc u a sin `ac ica de les ases i euen in o maci´o de qui eali za cada acci´o, o quina acci´o p ecedeix una al a. Aques a implemen aci´o ´es cos osa de man eni i no ´es escalable, ja que, ´es complica aspassa -la a nous idiomes. Pe aix`o, l’objec iu del p ojec e ´es c ea una al e na i a basada en Machine Lea ning. A pa d’aques a aplicaci´o web, amb´e podem oba un eball de ece ca anomena P ocess Model Gene a ion om Na u al Language Tex [28]. Podem eu e que es combi- nen algunes eines exis en s en el p ocessamen del llengua ge na u al pe a ob eni uns millo s esul a s. L’a aluaci´o mos a que pe a un conjun de 47 pa ells de ex -model de la ind´us ia i els llib es de ex , gene en de mi jana el 77% dels models co ec amen . Com s’ha pogu eu e hi ha poques implemen acions que se eixin de ca a a plan eja una soluci´o. Tanma eix, s’in en a `a ap o i a el m`axim de ecu sos disponibles pe a edui cos os i emps. 22 4 Abas 4.1 Objec ius El p incipal objec iu del p ojec e ´es c ea un conjun de dades ano ades que elacionin ex os amb els models o mals que els desc iuen. Les dades han de se i pe a se usades pe en ena sis emes neu onals que dona s un ex en llengua ge na u al el con e eixin a un diag ama BPMN. Com ja s’ha di an e io men a l’apa a de Jus i icaci´o, el p ojec e es po di idi en dos pa s. La p ime a i p incipal ´es la Gene aci´o del Da ase i la segona ´es la d’En ena un model de Deep Lea ning com a demos aci´o que el da ase ´es ´u il. En la igu a 4.1 es po eu e les di e en s pa s del p ojec e i els subobjec ius que ´e cadascuna d’elles. Figu a 4.1: Subobjec ius de cada pa del p ojec e. Fon : Elabo aci´o p `opia. En ase de gene aci´o del da ase el que es busca ´es eni un conjun de dades amb su ici- en s egis es i amb desc ipcions p ou a iades que se eixi pe a pode en ena desp ´es un model. Pe a gene a les dades cal c ea un p og ama que llegeixi (en angl`es pa se) els elemen s d’un diag ama BPMN i emmaga zemi la in o maci´o necess`a ia en un i xe JSON. Cald `a 23 ex eu e i modi ica els elemen s que es necessi in. Un cop e aix`o nom´es cald `a e la ia dels a ibu s que es olen. Desp ´es s’iden i ica an els e bs, objec es i complemen s de les ases de cada elemen u ili zan un so wa e d’an`alisis ling¨u´ıs ic anomena F eeLing [29] [30] [31] [32] [33]. To segui , es p ocedi `a a c ea les desc ipcions en llengua ge na u al, u ili zan un so wa e de gene aci´o de llengua ge na u al anomena SimpleNLG[23]. Un cop s’hagi desen olupa el p og ama an e io , simplemen cald `a epe i el p oc´es de gene aci´o de ex pe a cada un dels models BPMN i emmaga zema el conjun de les dades en un o ma adequa pe a pode -ho u ili za desp ´es. La segona pa del p ojec e ´es la de c ea un model de Deep Lea ning que se eixi com a demos aci´o que el conjun de dades gene a ´es u ili zable. En aques pas s’hau `a de ca ega el da ase gene a an e io men , en ena el model i p o a que e o na el esul a que es ol. Si no s’ha ob ingu un esul a sa is ac o i, es po poli el model can ian pa `ame es. 4.2 Possibles obs acles ´ Es mol com´u que quan es comen¸ca a e un p ojec e es obin obs acles i p oblemes que no s’ha ien plan eja . Quan aix`o passa po se que el p ojec e s’enda e eixi mol . Pe an , s’ha d’in en a eni en comp e el conjun de iscos que poden so gi . Un dels obs acles que po apa `eixe ´es que no es disposi de p ou diag ames BPMN i, pe an , no pode c ea un da ase amb gai es egis es. Tamb´e po oc´o e que la u ili zaci´o de llib e ies no semp e uncioni co ec amen . En aques cas s’hau `a d’in e i mol m´es emps a c ea al e na i es. Teni su icien in o maci´o disponible pe a e un p ojec e ´es impo an , i el e que no es pugui oba p ou documen aci´o sob e un ema ´es un isc a eni en comp e. A m´es a m´es, s’ha de eni p esen que el emps ´es limi a , pe an , ´es possible que no semp e es puguin assoli o s els objec ius ma ca s. 24 Ca ega da ase - MD-C Pe a c ea un model de Deep Lea ning p ime es ca ega el da ase desi ja . Aix´ı doncs, s’hau `a de llegi el i xe que con ´e les dades amb una llib e ia adequada. En p incipi sembla una asca `acil, pe `o la lec u a de i xe s semp e po dona p oblemes. I m´es quan el conjun de dades ha sigu au ogene a . S’es ima que la du ada d’aques a asca ´es d’unes 26 ho es. Aques a asca no es po inicia ins que no s’hagi inali za o l’apa a de Ges i´o de P ojec es (GP) i l’apa a de Gene aci´o del Da ase (GD). En ena model - MD-E A con inuaci´o, ja es po en ena el model usan les dades ca egades. D’en ada, en aques a asca s’ha de de ini quina a qui ec u a es ol e se i en el model. Desp ´es es de ini an uns pa `ame es i es p ocedi `a a en ena el model p edic iu. Si no s’han ob ingu uns bons esul a s, es po can ia els pa `ame es amb la in enci´o de millo a la gene aci´o inal del ex , pe `o no ´es necessa i. S’es ima que la du ada d’aques a asca ´es d’unes 48 ho es. Aques a asca no es po inicia ins que no s’hagi inali za la asca de ca ega el da ase (MD-C). P o a model - MD-P Aques a asca consis eix a comp o a si els esul a s s´on p ou bons. Com que no es ac a d’un p oc´es de classi icaci´o au om`a ic alida que la so ida ob inguda ´es un p oc´es manual i, pe an , cos ´os. Aques a asca es du `a a e me p `ac icamen alho a que la d’en ena el model. S’es ima que la du ada d’aques a asca ´es d’unes 38 ho es. Aques a asca no es po inicia ins que no s’hagi inali za la asca d’en ena un model (MD-E). 6.1.5 Documen aci´o - DO La documen aci´o ´es una asca mol impo an del eball, ja que ´es la que pe me explica com s’ha o gani za , eali za i quins esul a s s’ha ob ingu . S’ha de du a e me pa al- l·lelamen du an o el desen olupamen . En aques apa a s’espe a in e i unes 120 ho es en o al. Mem`o ia - DO-M Aques a asca es a `a alho a que la es a del p ojec e i con ex uali za `a el eball, es de alla an o s els passos que s’han segui i es jus i ica `a cada decisi´o p esa. S’es ima que la du ada d’aques a asca ´es d’unes 90 ho es. P esen aci´o - DO-P En aques a asca es c ea `a una p esen aci´o que con ind `a un b eu esum del p ojec e elabo a . Aques a se `a un aju isual de ca a a la p esen aci´o que es aci d’aques eball da an del ibunal que a alu¨ı el p ojec e. Tamb´e s’hi ha de eni en comp e el emps 31 pe a p epa a l’explicaci´o o al. S’es ima que la du ada d’aques a asca ´es d’unes 30 ho es. La asca no es po inicia ins que no s’hagi inali za la es a del eball (GP, GD, MD, DO-M). Codi Nom Tasca Temps Es ima Depend`encies Tempo als Recu sos GP-C Con ex uali zaci´o i abas 15 h - R1, R2 GP-T Plani icaci´o empo al 13 h GP-C R1, R2 GP-M Me odologia 13 h GP-C R1, R2 GP-P P essupos 13 h GP-C R1, R2 GP-S In o me de sos enibili a 13 h GP-C R1, R2 GP-I Ins al.laci´o p og ama i 20 h - R1, R2 GD-O Ob eni models BPMN 13 h - R1, R2, R3 GD-P Pa seja BPMN 27 h GD-O R1, R2, R3 GD-I Iden i ica e bs 47 h GD-P R1, R2, R3 GD-D C ea desc ipcions 70 h GD-I R1, R2, R3 GD-C C ea da ase 33 h GD-C R1, R2, R3 MD-C Ca ega da ase 26 h GD R1, R2, R3 MD-E En ena model 48 h MD-C R1, R2, R3 MD-P P o a model 38 h MD-E R1, R2, R3 DO-M Mem`o ia 90 h - R1, R2 DO-P P esen aci´o 30 h DO-M R1, R2 Taula 6.1: Taula de les asques. Fon : Elabo aci´o p `opia. 32 6.2 Es imacions i Gan En aques apa a s’u ili za un diag ama de Gan pe a isuali za l’o d e i du aci´o de cadascuna de les asques desc i es an e io men . Un diag ama de Gan [40] ´es un ipus de g `a ic que il.lus a el calenda i d’un p ojec e. Aques diag ama mos a les asques que s’han d’execu a en l’eix e ical i en l’eix ho i zon al mos a el momen d’inici, el momen de inali zaci´o i la du aci´o de cada asca. Com s’ha comen a an e io men en l’apa a de Plani icaci´o empo al 6 en cada se mana es disposa de 21 h pe a execu a les di e en s asques. A con inuaci´o, es mos a el diag ama de Gan . 33 Figu a 6.1: Diag ama de Gan del p ojec e. Visuali za en la web Asana. Fon : Ela- bo aci´o p `opia 34 6.3 Plans al e na ius i obs acles En o p ojec e s’ha de eni p e is que puguin apa `eixe incon enien s. En con- seq¨u`encia cal pensa b´e quins p oblemes poden so gi en cada ase del eball i p oposa una soluci´o al e na i a. A con inuaci´o s’explica quins plans es poden segui en cas que apa eguin alguns obs acles. •Un dels p incipals p oblemes que so geix a quasi o s els p ojec es ´es la manca de emps. Pe abo da aques obs acle s’ha decidi que no cal c ea cap asca al e na i a, sin´o que s’in en a `a eballa m´es ho es de les p oposades pe pode a iba a emps a la da a l´ımi . Tamb´e s’ha ingu p esen aix`o a l’ho a d’assigna la c`a ega a cada asca. Es po eu e que el emps es ima o al pe a la eali zaci´o del p ojec e ´es d’unes 509 ho es, pe `o en TFG s’hau ien de dedica unes 540 ho es. Lla o s es ´e unes 31 ho es que es poden eali za de m´es i con inua acaban a emps el pla. A m´es, en l’an`alisi de emps dedica a cada asca amb´e s’ha ingu en comp e que en ena i p o a el model no so i `a b´e de seguida. Pe an , en els emps es ima s ja ´e en comp e que es pugui a da a ob eni un esul a desi jable. •Un al e dels p oblemes que po apa `eixe ´es que la in o maci´o sob e el ema del eball no sigui gai e ex ensa, aix`o suposa un p oblema pe qu`e cos a m´es en end e com s’ha de p ocedi . La soluci´o ´es esp ´eme al m`axim la in o maci´o disponible i ap end e a pa i de la in es igaci´o p `opia. •Un al e p oblema que po so i ´es que el da ase c ea no sigui p ou di e s o que no es inguin gai es models BPMN pe a c ea el da ase . Si un d’aques s casos apa eix, implica ia que mai es pod ia ob eni un bon model de Deep Lea ning. Com que aix`o no ´es ole able s’hau ia de c ea una no a asca anomenada C e- a models BPMN in en a s (GD-O). Es ac a ia d’usa da a augmen a ion pe a ob eni m´es models BPMN i aix´ı in en a aconsegui un da ase m´es di e s. E iden men , aix`o ´es complica de eali za i no ga an eix uns bons esul a s, pe `o s’hau ia de p o a . La eali zaci´o d’aques a asca pod ia du a unes 15-25 ho es. •L’´ul im possible obs acle que s’ha anali za ´es que no es disposi de ecu sos su i- cien s pe a en ena el model. En aques cas, la soluci´o p oposada ´es execu a el codi en se ido s al n´u ol amb m´es eloci a de p ocessamen que les nos es m`aquines en local. Aques s pod an se an de pagamen com g a u¨ı s. S’in en- a `a u ili za semp e l’opci´o m´es econ`omica. Si cal e se i aques s se eis, no compo a `a un emps a egi , ja que, la posada a pun d’aques s se ido s ´es mol `apida i in u¨ı i a. 35 6.4 Can is en la plani icaci´o Du an el anscu s del eball es a decidi enda e i la da a de inali zaci´o del eball. Aques a a passa de se del gene del 2022 al juny del 2022. Aques can i es a e pe qu`e compagina el p ojec e, amb la eina i una assigna u a de la uni e si a a se impossible. Aix`o implica que s’ha ingu m´es dies dels que es an calcula inicialmen , pe `o el nomb e es ima d’ho es dedicades o als ´es el ma eix. Tamb´e hi a ha e un enda e imen en la p ime a e apa del p ojec e, la de pa seja els models BPMN. En la plani icaci´o empo al inicial no es a eni en comp e que aques a e apa podia a da an , ja que sembla a una pa `acil del p ojec e. Es a in en a busca eines o p og ames que llegissin els models. Malau adamen , l’eina escollida a esul a se poc iable i es a ha e de comen¸ca de nou. A m´es a m´es, es a in en a p og ama de ze o un pa se que llegeixi cada model, pe `o inalmen es a decidi u i- li za la llib e ia Camunda. Els mo ius d’aques a decisi´o s’expliquen m´es enda an en l’apa a d’An`alisi d’al e na i es 9.2. Un al e obs acle que es a oba du an la eali zaci´o del eball ´es que l’´us de la lli- b e ia jBPT 9.1.4 a esul a se m´es complica del que s’espe a a. Aques a eina no es `a ben documen ada i a emps que els desen olupado s no hi in odueixen can is ni millo es. Aix`o ha p o oca que l’ap enen a ge hagi sigu un p oc´es lla g i complex, en el que ha calgu expe imen a amb les classes i uncions de la llib e ia pe a en end e el seu uncionamen . En aques a expe imen aci´o amb´e s’ha oba que ec´o e un a b e RPST 9.1.5 no ´es i ial, ja que, un dels m`e odes que cal e se i (ob eni els ills d’un node de l’a b e) no unciona co ec amen pe qu`e e o na els ills deso dena s. Aix`o ha implica c ea uncions que esolguin aques compo amen e oni. A causa dels obs acles esmen a s an e io men es a ha e d’adap a la plani icaci´o em- po al. Es a can ia la da a d’en ega i es a decidi dedica menys ho es se manalmen . Tamb´e es a amplia el nomb e o al d’ho es dedicades a la asca de llegi els models BPMN. Aix`o a compo a que la asca d’en ena un model de Deep Lea ning amb les dades del da ase se sup im´ıs de la plani icaci´o. 6.4.1 Can is als objec ius Com s’ha comen a p `e iamen , els objec ius an a ia lleuge amen , ja que en la pla- ni icaci´o inicial es a a p e is c ea un model p edic iu, pe `o aques objec iu es a ha e de sup imi . Es conside a que no ´es una g an p`e dua pe qu`e no e a l’objec iu p incipal, sin´o una o ma d’ensenya la eina e a. To i aix`o, l’objec iu p incipal e a gene a un conjun de dades i aques s’ha man ingu en la plani icaci´o al e na i a. 36 6.4.2 Can is als cos os No hi ha hagu can is als cos os inals del eball. Malg a que s’ha desen olupa el eball amb m´es dies no hi ha hagu un augmen de les ho es de eina i, pe an , els cos os de pe sonal s’han man ingu . Tampoc s’han inc emen a els cos os pe so wa e pe qu`e no es enia cap llic`encia mensual. 37 7 P essupos En aques apa a s’elabo a una an`alisi econ`omica del p ojec e amb la inali a de decidi si ´es ac ible du -lo a e me. Cal anali za i es ima les seg¨uen s classes de cos os: cos os de pe sonal, cos os de les asques, maquina i, p og ama i i cos os d’espai de eball. Tamb´e s’ha de eni en comp e els possibles con a emps que puguin so gi i e una es imaci´o del que poden cos a . A con inuaci´o es de allen les classes esmen ades. 7.1 Cos os de pe sonal Abans de es, s’ha de de ini quins ols hi ha in oluc a s en el p ojec e. En aques cas, hi ha el c`a ec de Cap de P ojec e, que ´es la pe sona enca egada de plani ica , supe isa i di igi -lo du an la eali zaci´o d’aques . ´ Es un ol compa i en e els codi ec o s del TFG i l’au o d’aques . Tamb´e exis eix el ol de p og amado , que ´es la pe sona que dissenya, esc iu i depu a el codi del p ojec e. En aques cas el ol nom´es l’execu a l’au o del TFG. A la aula 7.1 es po eu e el sou b u , el que s’ha de paga de Segu e a Social (SS) i la e ibuci´o o al de cadascun dels c`a ecs esmen a s an e io men . Els sous b u s han sigu ex e s de la p`agina web Glassdoo [41]. Rol Sou b u SS Re ibuci´o Cap de p ojec e 22,5 e/ho a 6,75 e/ho a 29,25 e/ho a P og amado 12 e/ho a 3,6 e/ho a 15,6 e/ho a Taula 7.1: Rols del p ojec e i la ac u aci´o pe ho a. Fon : Elabo aci´o p `opia. 7.2 Cos os pe asca El emps de desen olupa cada asca ´es di e en , pe an , cal calcula pe a cada una de les ac i i a s el seu cos . El emps de cada asca es `a desc i a l’apa a de Plani icaci´o 38 empo al 6. Tamb´e cal conside a que cada asca po se desen olupada pel Cap del P ojec e o pel P og amado . Les ac i i a s associades a la Ges i´o del P ojec e (GP) 6.1.2 i a la Documen aci´o 6.1.5 les du `a a e me ´ın eg amen el Cap del P ojec e. Les asques de Gene aci´o del Da ase 6.1.3 les desen olupa `a el P og amado . En can i, les asques d’En enamen del Model 6.1.4 les a an el Cap del P ojec e i el P og ama- do , aix`o s´ı, el P og amado ´es el que hi ha d’in e i m´es emps. En aques es asques el Cap del P ojec e simplemen ajuda `a a dissenya el model i decidi `a si ´es co ec e o no. Codi Nom Tasca Cap del p ojec e P og amado Cos GP-C Con ex uali zaci´o i abas 15 h 0 h 438,75 e GP-T Plani icaci´o empo al 13 h 0 h 380,25 e GP-M Me odologia 13 h 0 h 380,25 e GP-P P essupos 13 h 0 h 380,25 e GP-S In o me de sos enibili a 13 h 0 h 380,25 e GP-I Ins al.laci´o p og ama i 0 h 20 h 312,00 e GD-O Ob eni models BPMN 0 h 10 h 156,00 e GD-P Pa seja BPMN 0 h 14 h 218,40 e GD-I Iden i ica e bs 0 h 31 h 483,60 e GD-D C ea desc ipcions 0 h 47 h 733,20 e GD-C C ea da ase 0 h 28 h 436,80 e MD-C Ca ega da ase 0 h 36 h 561,60 e MD-E En ena model 16 h 56 h 1.341,60 e MD-P P o a model 12 h 52 h 1.162,20 e DO-M Mem`o ia 90 h 0 h 2632,50 e DO-P P esen aci´o 30 h 0 h 877,50 e Taula 7.2: Taula del cos pe cada asca. Fon : Elabo aci´o p `opia. En la aula 7.2 s’hi oba el codi i nom de o es les asques que s’han de eali za . Tamb´e s’hi eu el emps que hi dediquen an el Cap del P ojec e com el P og amado . I inalmen amb´e hi ha el cos o al de cada asca, aques s’ha calcula en unci´o del p eu pe ho a calcula a la aula 7.1. En o al el cos de o es les asques ´es de 10.875,15 e. 7.3 Cos os gen`e ics En aques apa a s’expliquen els cos os gen`e ics que ´e el p ojec e. Aques s cos os s´on la suma dels cos os de maquina i, de p og ama i i del ele eball. A con inuaci´o es de allen cadascun d’ells. 7.3.1 Maquina i En o p ojec e in o m`a ic es necessi a un maquina i pe a du -lo a e me. En aques cas s’ha e se i un moni o Newskill Ica us RGB IC27QRS 27”, un po `a il Ace Aspi e 3 39 A315-51-59SU, un a ol´ı Logi ech G603 i un ecla Logi ech G213. A la aula 7.3 s’hi eu el seu p eu de me ca l’oc ub e del 2021 i amb´e el seu cos amo i za . Pe a calcula el cos amo i za s’ha de eni en comp e que el maquina i ´e un emps de ida es ima de 4 anys. Pe a e el c`alcul de les ho es eals que pe me eballa cada eina cal eni en comp e que un any disposa d’uns 231 dies h`abils (251 dies labo ables menys 20 dies de acances) i que 1 dia h`abil comp a de 8 ho es. Com ja s’ha explica a l’apa a de Plani icaci´o 6, es calcula que es a `a se i aques es eines unes 540 ho es. Pe an , la ´o mula que es a se i ´es la seg¨uen . 4 anys ·231 dies labo ables ·8 ho es = 7392 ho es h`abils 540 ho es de p ojec e 7392 ho es h`abils = 0,073 Pe an , es mul iplica el p eu de me ca de cada p oduc e pe 0,073 pe a ob eni el cos amo i za . Nom del maquina i P eu de me ca Cos amo i za Moni o 239 e17,45 e Po `a il 519 e37,89 e Ra ol´ı 49 e3,50 e Tecla 62 e4,53 e To al 869 e63,37 e Taula 7.3: Cos os del maquina i. Fon : Elabo aci´o p `opia. 7.3.2 P og ama i Ac ualmen , al me ca hi ha disponible una g an quan i a de p og ama i. Aques po se g a u¨ı o de pagamen . No malmen , es po oba so wa e g a u¨ı de quali a que ens pe me execu a la asca i a m´es es al ia dine s. Pe a du a e me aques eball s’ha in en a edui al m`axim els cos os de p og ama i. ´ Es pe aix`o que el llis a de p og ames que es mos a a la aula 7.4 ´es o almen g a u¨ı . Alguns dels se eis que es a an se i amb´e enen una e si´o de pagamen , pe `o en p incipi amb la e si´o m´es b`asica d’aques s ens ´es su icien . Tamb´e ´es impo an comen a que el PyCha m Edu ´es nom´es g a u¨ı pe a es udian s, com que l’au o d’aques eball ho ´es es po e se i , si no ens cos a ia 19,90 eal mes. 7.3.3 Tele eball Com que el eball es eali za en mig d’una pand`emia, ´es millo e i a els espais p´ublics i, pe an , el eball es a ´ın eg amen a casa. S’ha de calcula quan cos a el e d’es a ele eballan a casa. Aix`o implica el mobilia i ( aules, cadi es, e c.), la llum, el llogue 40 Figu a 9.1: Logo ip de Camunda. Fon : camunda.com Tal com explica Cha les Humble [48] aques a pla a o ma ´e un mo o de p ocessamen de models BPMN 2.0 implemen a en Ja a. Cons a amb´e de Cockpi , una eina de se- guimen i adminis aci´o. Un plugin pe a Eclipse i un p oduc e anomena Cycle que es a se i pe sinc oni za diag ames BPMN amb els execu ables desen olupa s amb Modele . Com es po eu e, Camunda Pla o m ´es una eina mol comple a, anma eix, en aques p ojec e nom´es es a se i com a pa se dels models BPMN. ´ Es a di , l’eina s’u ili za pe a llegi els diag ames emmaga zema s en XML i con e i -los en objec es de Ja a. Aques s con enen m`e odes de consul a que pe me en ex eu e els a ibu s que es consi- de en m´es impo an s i desp ´es gua da -los en una al a es uc u a de dades. En aques cas, es gua den en un i xe JSON. 9.1.2 F eeling Tal com s’ha explica en l’apa a Abas 4 en aques eball amb´e es a se i F eeLing [29] [30] [31] [32] [33]. ´ Es un p ojec e de codi obe di igi pe Llu´ıs Pad ´o, un dels di ec o s d’aques eball. Es a c ea amb l’objec iu de compa i amb la comuni a els esul a s de la ece ca eali zada pel g up de ece ca en p ocessamen del llengua ge na u al de la UPC. F eeLing es desen olupa i es man ´e pel Cen e de Rece ca TALP [49], a la Uni e si a Poli `ecnica de Ca alunya. Tamb´e ep mol es con ibucions ex e nes de pa de la comuni a . ´ Es una llib e ia de C++ que pe me l’an`alisi del llengua ge en mol s idiomes. Alguns d’aques s idiomes s´on l’angl`es, el ca al`a, el po ugu`es, el us, l’alemany, el cas ell`a, en e d’al es. Alguns dels p incipals se eis que inclou aques a llib e ia s´on la okeni zaci´o de ex , di isi´o de ases, una an`alisi mo ol`ogica, econeixemen de pa aules compos es, e ique a ge PoS, e c. En aques p ojec e es a se i una e si´o modi icada del F eeling que u ili za una g am`a ica pe a busca ases en o ma d’accions, com pe exemple ”en ia missa ge al clien ”. Aques a adap aci´o e o na un JSON amb in o maci´o sob e el p edica , l’ob- jec e di ec e i al es complemen s de la ase. Tamb´e e o na in o maci´o sob e el g`ene e, 47 el n´ume o, el emps del nucli de cada componen de l’acci´o. 9.1.3 SimpleNLG SimpleNLG [23] ´es una API de Ja a pe a gene a ex os en llengua ge na u al. El codi o iginal a se desen olupa pe Ehub Rei e al depa amen de ci`encies de la compu a- ci´o de la uni e si a d’Abe deen, pe `o com que ´es un p ojec e de codi obe , ha ingu di e ses con ibucions pe pa de la comuni a . Tamb´e exis eix una e si´o de l’API pe a Py hon, desen olupada pe B ad Jascob [50]. Aques a adap aci´o ´es p `ac icamen igual a l’o iginal, malg a o , no o es les classes i els m`e odes han pogu se eplica s. Aques a eina implemen a un sis ema l`exic i mo ol`ogic que calcula les o mes lexionades, un eali zado que gene a ex os de o ma sin `ac ica, i un mic oplani icado . O iginal- men , es a desen olupa pe a c ea ex os en angl`es, a ui en dia ja unciona amb el anc`es, l’i ali`a, el b asile , el nee land`es, l’alemany o el gallec. En aques p ojec e es a se i la uncionali a del ealise o eali zado . Aques a pe me c ea ases a pa i de c ides a uncions. Les ases es poden c ea mi jan¸can un ex os ing, o b´e, de inin pe sepa a els componen s d’una ase (subjec e, complemen s, p edica , e c.). Aques a lexibili a ´es mol p `ac ica pe qu`e pe me c ea una ase de SimpleNLG de la mane a m´es con enien . Amb les dades ob ingudes p `e iamen pel F eeling 9.1.2 es po gene a una ase no a. La u ili a d’aix`o ´es que es po ajun a la pe sona que eali za l’acci´o (lane) amb la ma eixa acci´o ( ex de l’elemen BPMN) i c ea una ase amb sen i . Desp ´es, aques es ases es conca ena an, en se i les Coo dina edPh ase i els Documen Elemen , pe a o ma pa `ag a s que desc iu an el p oc´es BPMN. 9.1.4 jBPT La llib e ia de Ja a jBPT [51] ´es un conjun de ecnologies que ajuden a la in es igaci´o sob e disseny, execuci´o i a aluaci´o de p ocessos emp esa ials. Aques a llib e ia o e eix una `amplia gamma d’an`alisis i u ili a s que es poden amplia `acilmen pe qu`e ´es de co- di obe . Vas se desen olupada l’any 2012 pe A em Poly yanyy i Ma hias Weidlich en e mol s d’al es. Algunes de les se es uncionali a s s´on les `ecniques pe calcula RPST, a b es de lux de eball, descomposici´o modula d’un a b e, desen olupa i desen eda d’un sis ema de xa xa de Pe i, en e mol es al es. En el p ojec e es a se i pe a gua da el model BPMN com a un g a i pos e io men con e i -lo a un Re ined P ocess S uc u e T ee (RPST) 9.1.5. Aix`o pe me llegi el BPMN com un a b e i, pe an , e i a cicles. En l’´ul ima pa del eball aix`o ´es mol ´u il de ca a a ajun a les ases en un sol pa `ag a . 48 9.1.5 RPST Un RPST (Re ined P og am S uc u e T ee) ´es un a b e que s’u ili za pe a pa seja models BPMN, aques s con enen en els seus nodes la in o maci´o necess`a ia pe a emma- ga zema els elemen s d’un model i les elacions en e ells. Fo malmen , es po desc iu e de la seg¨uen mane a. Un RPST ´es l’a b e dels agmen s can`onics d’un model de p oc´es G, de mane a que el pa e d’un agmen can`onic F´es el agmen can`onic m´es pe i de Gque con ´e F[52]. Aques s a b es an se c ea s pe Jussi Vanha alo, Hagen V¨olze i Jana Koehle amb la in enci´o de millo a les `ecniques de pa seig de BPMN que exis ien. La se a soluci´o aconsegueix una descomposici´o m´es ina. L’a b e esul an de pa seja un BPMN amb aques a `ecnica ´es ´unic, modula i g anula . A m´es, es po calcula en emps lineal. Figu a 9.2: Exemple de con e si´o d’un g a BPMN a un a b e RPST. Fon : The Re ined P ocess S uc u e T ee. Jussi Vanha alo, Hagen V¨olze , Jana Koehle Els nodes d’aques s a b es s’anomenen agmen s. Cada agmen ep esen a una secci´o del model pa seja . Aques a secci´o ´e un elemen d’en ada i un de so ida. Vol di que pe a iba a o s els elemen s BPMN que s´on dins del agmen cal ha e passa abans pe l’elemen d’en ada, i o s els elemen s de dins el agmen han d’a iba a l’elemen de so ida. Cada agmen de l’a b e po eni m´es agmen s com a ills. Aix`o implica que els RPST donen una o ma o denada de pode ec´o e el model. En un RPST hi ha di e en s ipus de agmen s [52]. •T i ials: S´on agmen s que con enen exac amen una a es a. •Pol´ıgon: Un pol´ıgon ´es un g a que con ´e almenys es nodes, exac amen an es a es es com nodes, de mane a que hi ha un cicle que con ´e o s els seus nodes i o es les se es a es es. En la igu a 9.3 els g a s P1 i P2 ho s´on. •Bond o Vincles: S´on g a s que con ´e exac amen dos nodes i almenys dues a es es en e ells. En la igu a 9.3 els g a s B1 i B2 ho s´on. 49 •R´ıgid: S´on agmen s que no s´on ni un componen i ial, ni pol´ıgon, ni enlla¸c. Aques s s´on els m´es di ´ıcils de eballa , ja que pe llegi els elemen s no hi ha un o d e cla es able . En aques eball s’ha decidi no ac a -los pe qu`e no hi ha p ou emps de c ea una es a `egia pe p ocessa -los. En la igu a 9.3 els g a s T1 iT2 ho s´on. Figu a 9.3: Tipus de agmen s d’un RPST. Fon : J. Vanha alo e al. Da a & Knowledge Enginee ing 68 (2009) 793–818 9.2 An`alisi d’al e na i es En aques apa a s’expliquen les decisions que s’han p es i el mo iu de cada una d’elles. 9.2.1 Pa se BPMN Inicialmen , es a pensa que se ia millo desen olupa el p ojec e en Py hon, ja que ´es m´es `acil de e se i i l’au o es `a m´es acos uma a u ili za -lo. Pe aix`o es a comen¸ca a busca pa se s de BPMN que es poguessin e se i en aques llengua ge. Desa o unadamen , no exis eixen llib e ies iables i es a ha e d’op a pe un p ojec e de codi obe anomena py hon-bpmn-engine [53]. Aques no comp a a amb una bona documen aci´o i no eia exac amen el qu`e es olia i inalmen es a desca a usa -lo. 50 Amb els di ec o s del p ojec e es a p oposa implemen a un pa se des de ze o en Py hon, o b´e e se i la llib e ia Camunda. Fe -lo de nou enia els a an a ges de se en un llengua ge m´es ac a pel desen olupado i que es podia dissenya com es olgu´es. Pe con a, implica a mol es ho es de eina pe a eni una e si´o inal. Finalmen , desp ´es d’aconsegui ins al.la el Camunda es a e se i aques a llib e ia. Es `a mol ben documen ada i ja ´e mol s m`e odes c ea s. Pe an , els ´unics p oblemes an se a l’ho a d’ins al.la -la i d’ap end e el seu uncionamen . 9.2.2 F eeLing La llib e ia F eeLing es a escolli pe qu`e un dels di ec o s a pa icipa en el seu desen- olupamen . Aix`o implica que du an el eball s’ha ingu supo de p ime a m`a pe pa d’un dels c eado s. Ha sigu especialmen ´u il quan s’ha oba algun p oblema amb l’eina pe qu`e ha sigu mol senzill de esold e. 9.2.3 SimpleNLG i jBPT En el cas d’aques es dos llib e ies amb´e an se p opos es dels di ec o s del p ojec e. To i que amb´e s’ha es udia si exis eixen al e na i es millo s, no se n’ha oba . En el cas de SimpleNLG amb´e es a anali za si e a millo e se i la llib e ia en Py hon o Ja a. Al inal es a decidi en Ja a, ja que e a el llengua ge o iginal i es a a plenamen documen a i desen olupa . 9.3 Implemen aci´o En aques a secci´o s’explica com s’ha desen olupa cada pa del p ojec e. El desen o- lupamen del p ojec e s’ha di idi en cinc pa s di e en s. Cada m`odul ´es independen de la es a, aix`o ol di que semp e que es disposi d’una en ada adequada el m`odul po execu a -se sense execu a la es a. Aix`o pe me una g an lexibili a an a l’usua i del p og ama, com als desen olupado s. To s els m`oduls llegeixen els i xe s co esponen s (el pa h s’indica abans d’inicia el p og ama), els ac en i gene en nous i xe s. Aques s i xe s de so ida s´on els que, m´es a d, es poden u ili za com a en ada de la es a de m`oduls. Malg a se independen s, la p ime a execuci´o (quan enca a no s’ha ob ingu cap i xe de so ida) cal e -la seq¨uencialmen i en el ma eix o d e que es an desc i s a con inuaci´o. En la igu a 9.4 s’obse a el conjun de m`oduls que con o men el p ojec e i com es elacionen en e ells. Una a es a en an indica l’ex ensi´o dels i xe s d’en ada, i una a es a so in indica l’ex ensi´o dels a xius de so ida. Si hi ha un as e isc da an del nom de l’ex ensi´o, ol di que aquell m`odul llegeix o esc iu m´ul iples a xius. Tamb´e s’hi indica el di ec o i on s’emmaga zema cada a xiu pe de ec e. 51 Figu a 9.4: Diag ama que mos a la elaci´o en e els m`oduls del p ojec e. Fon : Elabo- aci´o p `opia 9.3.1 Llegi els models BPMN Aques m`odul ´es l’enca ega de llegi (pa seja ) els models BPMN i ob eni la in o ma- ci´o necess`a ia pe a pode ac a -los m´es a d. El p og ama busca pe de ec e els models a la ca pe a ../bpmn_models, pe `o es po can ia passan un a gumen amb el pa h desi ja a l’execu able del p og ama. Dins d’aques a ca pe a s’hi busquen o s els a xius .bpmn que hi hagi (enca a que es i- guin en subca pe es). Aques s a xius s´on XML modi ica s que se eixen pe a especi ica els diag ames. Pe a llegi aques s i xe s s’ha e se i la llib e ia Camunda. Tal com s’ha explica en l’apa a 9.1.1, la llib e ia ens se eix pe a con e i l’en ada en objec es de Ja a. D’aques a mane a es poden llegi i ac a els elemen s que es conside en necessa is. Aques s elemen s es gua den dins de la ca pe a ../bpmn_pa sed en un i xe JSON. En un ma eix model BPMN po ha e -hi a is S a E en s (esde enimen s inicials). Aix`o po passa quan hi ha di e sos subp ocessos dins del model. Aix`o suposa a un p oblema a l’ho a de c ea l’a b e RPST en el m`odul d’uni les ases 9.3.4. Pe e i a di icul a s s’ha decidi ac a cada subp oc´es com si os un model BPMN di e en . Pe a cada a xiu es gua den o s els seus elemen s (esde enimen s, ac i i a s i po es). I pe cada elemen s’emmaga zema l’iden i icado , el nom, el ipus, el lane al qual pe any i l’iden i icado i nom de l’a es a de cada elemen que segueix. En la igu a 9.5 s’hi eu un exemple d’un BPMN pa seja . 52 Figu a 9.5: Pa d’un BPMN pa seja gua da com a JSON. Visuali za en la web JSON Edi o . Fon : Elabo aci´o p `opia 9.3.2 An`alisi mo osin `ac ica Pe a ob eni l’an`alisi mo osin `ac ica dels noms de cada elemen d’un BPMN, s’ha c ea un clien de F eeling 9.1.2 en Py hon.´ Es imp escindible que pe a c´o e aques p o- g ama es igui execu an -se una ima ge pe sonali zada del Docke del F eeling. Aques a ima ge ha es a adap ada pels di ec o s del p ojec e pe a pode -la e se i en aques p ojec e de i de g au. La igu a 9.6 mos a un exemple d’una ase p ocessada amb aques p og ama. En aques eball, nom´es cal e se i els seg¨uen s elemen s: •p edL: Indica el lema del nucli cel p edica . Es a se i pe ob eni el e b de la ase. •objW: Indica les pa aules que o men l’objec e di ec e de l’acci´o. •objMSD: Indica la in o maci´o mo ol`ogica del nucli de l’objec e di ec e (g`ene e, nume o, emps, e c.). •compW: Indica les pa aules que o men els complemen s de l’acci´o (a qui s’en ia, on s’en ia, des d’on, e c.). 53 Figu a 9.6: Exemple d’un JSON e o na pel F eeling. Fon : Elabo aci´o p `opia En el cas que alguna ase no segueixi el o ma accep a pel F eeling (nom´es accep a accions) po se que no es e o ni es. Lla o s, no es po ap o i a o el po encial del SimpleNLG, ja que aques a eina necessi a que li indiquis cla amen quins s´on els elemen s de la ase. ´ Es a di , cal indica el e b, els subjec e, els adjec ius, e c. En aques s casos es po ob ia l’an`alisi o b´e ac a l’elemen abans d’en ia -lo. Ob ia l’an`alisi implica c ea un objec e de SimpleNLG com si os un s ing, pe an , no ´es ecomanable. ´ Es millo in en a e un p e ac amen . Pe `o ´es complex, ja que no semp e cal ac ua igual. Un dels p oblemes que ´e F eeling ´es de ec an ases que con enen un signe d’in- e ogaci´o. Pe aix`o, el que es a ´es sup imi l’in e ogan abans d’en ia -los al F eeling. Ac ualmen , aques ´es l’´unic p e ac amen que eben les ases abans de se p ocessades pel F eeling. El clien es `a con igu a amb uns pa `ame es pe de ec e que pe me en ca ega els a xius d’en ada, la connexi´o amb el Docke i esc iu e la so ida. Els pa `ame es i els seus alo s pe de ec e s´on aques s: •-l o--lang: Con igu a l’idioma del F eeling. Pe de ec e en. •-p o--pa sedpa h:Pa h dels JSON d’en ada. Pe de ec e ../bpmn_pa sed. •-dh o--hos :Hos de la ima ge de F eeling. Pe de ec e 172.17.0.2. •-lp o--langpo :Po del de ec o d’idioma de F eeling. Pe de ec e 50005. •- p o-- eelingpo :Po del F eeling. Pe de ec e 60006. 54 •- o-- esppa h:Pa h dels JSON de so ida. Pe de ec e ../ eeling_ esponses/. L’en ada que ep el clien ´es el conjun de i xe s JSON que s’ha c ea en el m`odul an e- io . Un cop llegi un i xe , es p ocessa i s’en ia el nom de cada elemen a l’anali zado de ases. Un cop anali za , es ep un objec e JSON. Es p epa a la in o maci´o e o nada i s’a egeix en el JSON o iginal pe a o ma un a xiu nou. Aques s a xius s´on la so ida del p og ama. 55 9.3.3 Gene a ases simples En aques m`odul s’aga en els noms de cada elemen i es p ocessen amb SimpleNLG 9.1.3 en se i la in o maci´o ecopilada en el bloc an e io . Es ac a de p epa a els noms dels elemen s pe qu`e inguin un aspec e m´es na u al, en comp es del o ma d’acci´o ( e b + objec e). Hi ha ases que han de se du es a e me pe una pe sona o en i a , en BPMN es de ineix com a lane. Semp e que un elemen en ingui, aques se `a a egi com a subjec e de la ase. Figu a 9.7: Exemple simple de c eaci´o d’una ase amb SimpleNLG. Fon : Elabo aci´o p `opia L’en ada del p og ama s´on els a xius .json que s’han c ea an e io men . Pe de ec e, es busquen en la ca pe a ../ eeling_ esponses/, pe `o aques pa h es po can ia en ian un a gumen a l’execu able amb la u a desi jada. Aques m`odul es `a p og ama en Ja a, ja que la e si´o de SimpleNLG e a m´es iable i es able en aques llengua ge. Un cop s’ha p ocessa cada ase d’un model, es modi ica el JSON o iginal pe a con- eni la in o maci´o no a. Aques a ´es un s ing inalSen ence que con ´e la ase inal gene ada. I amb´e un objec e de JSON inalPh ase, que con ´e els elemen s necessa is pe a pode econs ui una ase en SimpleNLG. Aix`o ens se `a ´u il en el m`odul seg¨uen pe a pode u ili za les no es ases c eades. Aques a in o maci´o es gua da en la u a ../sen ences_gene a ed/. En la igu a 9.8 s’hi po obse a un exemple d’un i xe JSON gene a pe aques p og ama. 56 cicle es pe di l’o d e l`ogic del p oc´es. Alguns exemples s´on C.4.0.1. x ,C.7.0.1. x . Tamb´e s’ha oba que no es gene a una desc ipci´o sa is ac `o ia quan el p oc´es (o sub- p oc´es) ´e m´es end e en que s a e en . Aix`o ´es un p oblema de i a de la llib e ia jBPT 9.1.4, ja que no gene a co ec amen els a b es RPST 9.1.5 quan enen m´ul iples end e en . Un exemple mol cla ´es aques C.4.0.1. x , que o i se un BPMN simple no ´es capa¸c de oba un dels camins que po a a un dels end e en . En algunes desc ipcions es po obse a que manquen mol s elemen s. Aix`o acos uma a passa en els models amb mol s elemen s, pe `o no s’ha pogu de ec a el pe qu`e. Pod ia se que, en el momen de llegi els models, algun dels elemen s no s’hagu´es gua da co ec amen i, pe an , m´es a d no es po oba . Alguns exemples s´on C.5.0.1. x , FU Be lin.1. x ,FU Be lin.2. x ,Muens e .3. x ,Po sdam.1. x . En la aula 10.2 s’hi mos a l’an`alisi de allada de les desc ipcions aconseguides pe a cada model. Pe a cada model s’han anali za les se es desc ipcions enin en comp e els c i e is esmen a s an e io men . Cada model po eni un o m´es p ocessos, aix`o implica que s’ha gene a una desc ipci´o pe a cada p oc´es. En els models amb di e ses desc ipcions gene ades s’ha ingu en comp e l’an`alisi m´es es ic i a. ´ Es a di , es mos a el esul a de la que ha ingu un pi jo esul a . Aques a decisi´o s’ha basa en el e que en un model o s els p ocessos s´on necessa is pe qu`e s’en engui co ec amen . 63 Model Real Complexi a N. s a e en N. end e en Con ´e ´ıgids A10 No Senzill 1 1 No A20 No Senzill 1 1 No A21 No Senzill 1 1 No A30 No Senzill 1 2 No A40 No Complex 4 5 No A41 No Complex 4 5 No B10 No Complex 4 5 No B20 No Complex 9 10 S´ı C10 S´ı Complex 2 4 No C11 S´ı Complex 1 2 S´ı C20 S´ı Complex 5 6 S´ı C30 S´ı Complex 1 3 S´ı C40 S´ı Complex 4 4 No C50 S´ı Complex 2 4 No C60 S´ı Complex 3 7 No C70 S´ı Senzill 1 1 No C80 S´ı Senzill 1 1 No Cologne S´ı Complex 2 2 No cook S´ı Senzill 1 1 No F ank u S´ı Complex 2 2 No FU Be lin S´ı Complex 2 2 No Hohenheim S´ı Complex 4 4 No IIS E langen S´ı Complex 2 2 No model 01 No Senzill 1 1 No Muens e S´ı Complex 4 4 No O de Full illemen S´ı Senzill 3 7 No paymen S´ı Complex 1 2 No Po sdam S´ı Complex 2 2 No TU Munich S´ı Complex 2 2 No Wue zbu g S´ı Complex 2 2 No Taula 10.1: Taula de l’an`alisi dels models. Fon : Elabo aci´o p `opia. 64 Model Segueix o d e To s els elemen s S’en ´en Valo aci´o C10 No S´ı No Accep able C11 No S´ı No Accep able C20 No S´ı No Accep able C30 S´ı No S´ı Accep able C40 No S´ı No Accep able C50 S´ı No No Accep able C60 S´ı S´ı S´ı Sa is ac o i C70 No No No No sa is ac o i C80 S´ı S´ı S´ı Sa is ac o i Cologne S´ı S´ı S´ı Sa is ac o i cook S´ı S´ı S´ı Sa is ac o i F ank u S´ı No No Accep able FU Be lin S´ı No No Accep able Hohenheim No No S´ı Accep able IIS E langen S´ı No No Accep able Muens e S´ı No No Accep able O de Full illemen No No No No sa is ac o i paymen S´ı No S´ı Accep able Po sdam No No No No sa is ac o i TU Munich S´ı S´ı S´ı Sa is ac o i Wue zbu g No No No No sa is ac o i Taula 10.2: Taula de l’an`alisi de les desc ipcions gene ades pe model. Fon : Elabo aci´o p `opia. 65 11 T eball u u Un cop acaba el p ojec e, cal pensa quins han de se els seg¨uen s passos a eali za . Aques apa a se cen a, p incipalmen , en la eina que es olia e des d’un p incipi i que no s’ha pogu aconsegui pe di e sos ac o s, pe `o amb´e s’hi plan eja una idea pe segui la ece ca en aques camp. 11.1 T ac a els ´ıgids Tal com s’ha comen a en l’apa a 9.1.5, els agmen s ´ıgids d’un a b e RPST s´on complexos de ac a , ja que en con eni cicles no hi ha una o ma `acil de desc iu e’ls en ex na u al. Pe aix`o, una de les possibles millo es a e se ia dissenya una es a `egia pe a ac a -los. A em Poly yanyy desen olupa en la se a esi doc o al [56] un m`e ode que ees uc u a els models amb ´ıgids i els con e eix en e sions equi alen s ben es uc u ades. Un p oc´es es `a ben es uc u a , si pe a cada node amb m´ul iples a cs de so ida (bi- u caci´o), hi ha un node co esponen amb m´ul iple a cs d’en ada (uni´o) i ice e sa, de mane a que el agmen del model en e la bi u caci´o i la uni´o o ma un componen single-en y-single-exi (SESE) [57]. Si no es compleix aques a condici´o, es conside a que el model ´es deses uc u a . Malg a o , no o s els models es poden con e i , pe an , p `e iamen cal comp o a que es puguin con e i . La llib e ia de Ja a que es po e se i es diu bps uc [57]. Aques a eina ans o ma els p ocessos deses uc u a s i els es uc u a co ec amen . ´ Es una millo a que pe me ia augmen a la quan i a de diag ames BPMN que es poden p ocessa co ec amen amb aques p og ama. Aix`o se ia in e essan pe qu`e, ac ualmen , 66 si es ol e se i el conjun de dades pe a en ena un model d’ap enen a ge au om`a ic, se `a mol complica que el model sigui capa¸c de gene a co ec amen els BPMN amb ´ıgids. 11.2 Aconsegui esul a s m´es na u als Una al a millo a consis i ia a implemen a es a `egies pe qu`e les desc ipcions esul an s siguin menys au oma i zades, m´es a iades i semblin m´es eals. Cal eni en comp e que desen olupa aques can i po millo a la quali a del model gene a amb el da ase e- sul an . Hi ha di e ses o mes d’aconsegui -ho, pe `o una senzilla d’implemen a se ia amplia la quan i a de connec o s que es an se i en l’apa a 9.3.4. A con inuaci´o es conc e en algunes millo es que es poden aplica . Una possibili a pod ia se a egi un connec o al da an d’un end e en . Se i ia pe indica cla amen que el p oc´es acaba en aquell pun . Algunes cons uccions que es pod ien a egi s´on Finally,To conclude,And inally,Las ly,The p ocess inishes when. Ac ualmen , no es a cap con ol de la lla gada d’una ase. Aix`o no es a conside a p io i a i du an el p ojec e pe qu`e no hi ha ia gai es ases amb una ex ensi´o mol g an. Aix´ı i o , alguna o aci´o po se massa lla ga. Pe an , si s’a egeix un con ol del nomb e de pa aules pe ase, es po millo a la llegibili a d’algunes les desc ipcions. N’´es un exemple la desc ipci´o C.2.0.4. x . T ac a els di e en s ipus de bi u cacions ´es complica a causa del e que n’hi ha de di e sos ipus i no o es es an es uc u ades de la ma eixa o ma. Hi ha bi u cacions que no enen nom a les a es es que po en cap als di e en s camins. Aix`o compo a que la cons ucci´o escollida en aques eball quedi a i icial. Es po eu e als models TU Munich.2. x iIIS E langen.2. x . Una u u a modi icaci´o pod ia p ocessa de o ma di e en les bi u cacions d’aques ipus. En aques ma eix sen i , amb´e es pod ia di e encia la o ma en qu`e es ac en les in- clusi e ga eway de les exclusi e ga eways. Es pod ia a egi uns connec o s que deixin cla el ipus de bi u caci´o. Hi ha models que desp ´es d’una bi u caci´o els camins es o nen a uni . Quan els camins s´on senzills i cu s no es a di ´ıcil en end e que els camins s’han o na a uni , pe `o quan s´on m´es lla gs es po e complica segui el lux del p oc´es. Es pod ia inco po a un connec o que indiqui quins camins s’es an unin i en quin momen . Pe acaba , amb´e es pod ia millo a el p e ac amen de les ases abans d’en ia -les al F eeling. Com s’ha comen a en l’apa a 9.3.2, hi ha egades que una ase no es de ec ada co ec amen pel F eeling i aques no e o na es o e o na una an`alisi 67 e `onia. Aix`o implica que la in o maci´o no es po p ocessa d’una o ma `op ima. Si s’aconsegueix e un bon p e ac amen pe la majo ia de casos, es millo a ia la qua- li a de les desc ipcions. Un exemple de mala de ecci´o en el F eeling ´es el model cook.1. x , on s’obse a la ase Once he no iced is hunge ed, pe `o hau ia de mos- a Once he hunge is no iced. 11.3 C ea model Deep Lea ning Finalmen , pe a con inua in es igan en el camp dels models BPMN, es p oposa c ea un model Deep Lea ning que ebi una desc ipci´o en llengua ge na u al d’un BPMN i el ans o mi en el diag ama co esponen . Aques model s’en ena ia amb les dades que s’han gene a en aques eball. Inicialmen , es a conside a e una pe i a p o a del conjun de dades amb un model senzill, pe `o pe manca de emps no s’ha pogu du a e me. Reali za aques a p o a se ia impo an pe a alida el da ase , o b´e, sabe si cal e -hi modi icacions. Aconsegui eni un model iable que con e eixi de ex a diag ama, se ia mol posi iu pe a o a pe sona que eballi dissenyan diag ames BPMN. Li es al ia ia emps i es o ¸cos en dibuixa el diag ama i, pe an , pod ia dedica -se, plenamen , a desc iu e el p oc´es. 68 12 Conclusions Un cop acaba el p ojec e, ´es impo an e una an`alisi de com ha ana el eball i ex- eu e’n conclusions i e una au oc ´ı ica que ha de se i pe millo a en eballs u u s. En aques apa a s’a aluen q¨ues ions, a escala pe sonal, com la ges i´o del emps, els coneixemen s adqui i s. Tamb´e es a un b eu esum de les p incipals con ibucions d’a- ques eball. 12.1 Ges i´o del emps P ime de o , cal ema ca que la ges i´o del emps en aques eball no ha sigu p ou bo. En la plani icaci´o inicial 6 es a alla a l’ho a de calcula les ho es disponibles pe a desen olupa el eball. No es a eni p ou en comp e que eballa a emps comple , es udia una assigna u a de la uni e si a i e el eball e en incompa ibles. Men e a exis i la c`a ega de l’assigna u a no es a a an¸ca p `ac icamen es amb el p ojec e. M´es a d, el p ojec e es a pode du a e me de o ma con inuada, pe `o segui amb la eina ha implica no pode -hi dedica mol es ho es se manalmen . To aix`o ha compo a di e sos enda e imen s en la da a d’en ega. De ca a al u u , aques a ges i´o del emps cal millo a -la pe a e i a aques s e a ds en nous p ojec es. 12.2 Me odologia El e de eballa en una emp esa du an el eball amb´e ha apo a coses bones. Ini- cialmen , el coneixemen de me odologies de eball e a gai eb´e esc`as. En la secci´o de me odologia 5 s’explica com s’escull Kanban. Aques a ´es o almen `alida pe aques p ojec e, pe `o com que no es enia p ou coneixemen sob e eines de ges i´o de p ojec es, 69 ´es possible que no s’hagi ap o i a o el seu po encial. En la eina es eballa a amb Sc um (mol simila a la que em se i , pe `o m´es ´ıgida) i aix`o ha pe m`es descob i no es eines, com Azu e De Ops, que es an especiali zades en Agile. Aques s ins umen s pe me en con ola i ca ego i za millo la eina a eali za . I, pe an , sabe `acilmen quines asques cal p io i za . 12.3 Coneixemen s adqui i s El p ojec e ha se i pe millo a mol a ´ı ol pe sonal. Du an el desen olupamen s’han ap `es nocions de ges i´o de p ojec es, com decidi qu`e s’ha d’implemen a i qu`e no, p io i za la eina, comunica -se amb els di ec o s del p ojec e i co egi la eina a pa i del seu eedback. Tamb´e s’ha millo a la capaci a d’o gani za un p ojec e de so wa e i amb´e de p o- g ama en Ja a. Al p incipi, ac a amb aques llengua ge a se complica pe qu`e es enia un ni ell b`asic. Pe `o, a poc a poc s’ha ap `es a e -lo ana millo . A m´es a m´es, el descob imen i ap enen a ge de les llib e ies Camunda,F eeling,SimpleNLG ijBPT ha sigu mol posi iu. Ja que, ´es possible que algun dia es dugui a e me algun p ojec e pe sonal amb alguna d’aques es eines. I inalmen , s’han adqui i mol s coneixemen s sob e els models BPMN. Quan es a comen¸ca el eball no es coneixia l’exis `encia d’aques s. G `acies al eball s’ha e una ece ca que ha po a a ap end e qu`e s´on, pe a qu`e es an se i i com e -los se i en p ojec es so wa e. 12.4 Apo acions d’aques eball En aques eball de i de g au s’ha aconsegui c ea un p og ama que, donada una en ada de di e sos models BPMN, gene i una desc ipci´o en llengua ge na u al pe a cada un dels models. El p og ama llegeix (pa seja) els models, anali za mo osin `ac icamen les ases dels elemen s, gene a unes ases simples en se i l’an`alisi mo osin `ac ica i inalmen , gene a la desc ipci´o unin les ases i a egin connec o s en e elles pe qu`e quedi m´es na u al. Tamb´e s’ha c ea un da ase , o ma pe pa ells de models BPMN i les se es desc ipcions en llengua ge na u al. Aques conjun de dades es pod ia e se i pe a en ena un model de Deep Lea ning. Pe a desen olupa el p og ama s’han es udia i emp a di e ses eines que han ajuda a ob eni un millo esul a . Pe llegi els models s’ha e se i Camunda, pe e l’an`alisi 70 mo osin `ac ica s’ha e ana F eeling, pe c ea i combina ases simples s’ha e se i SimpleNLG i pe a gene a i ec´o e a b es RPST s’ha u ili za jBPT. Desp ´es d’ha e u ili za aques es eines, es po conclou e que la inclusi´o d’eines de NLP i NLG, com s´on F eeling iSimpleNLG, ha pe m`es ob eni un esul a m´es eal en la gene aci´o de desc ipcions en llengua ge na u al a pa i de models BPMN. Aix`o demos- a el po encial que enen aques es llib e ies quan s’u ili zen jun es en la gene aci´o de qualse ol ex en llengua ge na u al. Com s’ha comen a en l’apa a d’An`alisis del Da ase 10 du an el desen olupamen d’aques p ojec e s’han oba complicacions que no han pe m`es ob eni uns esul a s `op ims. La documen aci´o d’aques s p oblemes po guia a u u s es udis a millo a i a esold e aques es di icul a s m´es `acilmen . I pe acaba , el p og ama s’ha dissenya de o ma modula . De al mane a que cada secci´o eali za una unci´o independen men de les al es. Pe an , esul a senzill ap o i a i eu ili za algun dels m`oduls sense necessi a de e -los se i o . A m´es a m´es, al com s’explica en l’ap`endix B, el codi es `a publica de o ma open sou ce. Pe an , qualse ol que ho conside i po consul a -lo o modi ica -lo. 71 13 Ag a¨ımen s Vull comen¸ca aques a secci´o ag ain a la FIB i a la UPC la g an o maci´o acad`emica que m’han dona du an el g au. La p epa aci´o donada m’ha pe m`es eni una g an base pe ap end e i millo a `acilmen en la majo ia de llengua ges i eines de p og amaci´o. Tamb´e ull dona g `acies al Josep i al Llu´ıs pe la eina que han e com a di ec o s del eball. M’han ensenya eines mol ´u ils, m’han in odu¨ı a l’`ambi del modela ge de p ocessos emp esa ials i m’han dona g ans consells pe a millo a el meu p ojec e. Finalmen , amb´e ull ag ai a la meua am´ılia, a la Ma ia i a l’A es el e d’ha e -me aconsella i d’ha e es a al meu cos a du an el desen olupamen del eball, ja que aix`o m’ha se i pe con inua enda an i pode a iba ins aqu´ı. 72 C10 C.1.0.png Figu a A.1 ii C.1.0.1. x C.1.0.1. x Once he ecei ed is in oiced, he in oice is scanned, he o iginal is a chi ed, app o e o be assigned hen is assigned. I he answe is null hen in oice e iew needed hen e iew and documen esul . I he answe is null hen 7 days. C.1.0.2. x C.1.0.2. x Once eam assis an in oices he ecei ed, eam assis an assigns, app o e app o es he in oice hen he condi ion does in oice he app o ed is checked, accoun an p epa es he bank ans e , accoun an a chi es he in oice hen accoun an in oices he p ocessed, he condi ion does e iew he success ul is checked hen in oice no p ocessed, echnung kl¨a en hen he condi ion does e iew he success ul is checked, he condi ion does in oice he app o ed is checked hen app o e app o es he in oice. iii C11 C.1.1.png Figu a A.2 i C.1.1.1. x C.1.1.1. x Once he ecei ed is in oiced, is assigned, he in oice is app o ed hen he condi ion does in oice he app o ed is checked, he bank ans e is p epa ed, he in oice is a chi ed hen he p ocessed is in oiced, he condi ion does e iew he success ul is checked hen in oice no p ocessed, he in oice is app o ed, he condi ion does in oice he app o ed is checked hen echnung kl¨a en hen he condi ion does e iew he success ul is checked. C20 C.2.0.png Figu a A.3 i C.2.0.1. x C.2.0.1. x Once he c edi ca d in o ma ion is ecei ed, he paymen is aken hen he esul is sen . C.2.0.2. x C.2.0.2. x Once he i ems a e picked, he uck is loaded hen he i ems a e deli e ed. C.2.0.3. x C.2.0.3. x Once he p oduc s a e b owsed on amazon, he i em is added o ca hen he condi ion done shopping is checked hen he p oduc s a e b owsed on amazon, checkou hen he i ems a e ecei ed. C.2.0.4. x C.2.0.4. x Once he o de is payed hen he condi ion does e y is checked hen he o de is payed, he condi ion paymen accep ed is checked hen he o de is sen , he condi ion paymen accep ed is checked hen he condi ion does e y is checked. ii C.2.0.5. x C.2.0.5. x Once picke ecei es he o de , picke picks he i ems, picke places in bin, ecei e and package i ems hen package sends o ca ie dock. iii C30 C.3.0.png Figu a A.4 ix C.3.0.1. x C.3.0.1. x Once he cus ome eques is ecei ed, he cus ome eques is analysed hen he condi ion se ice ype is checked. The condi ion he le el is se iced is checked. I he answe is p emium hen he epai is pe o med hen he comple ed is epai ed. I he answe is s anda d hen he epai is pe o med hen he comple ed is epai ed. x C40 C.4.0.1.png Figu a A.5 xi C.5.0.2.png Figu a A.10 x iii C.5.0.1. x C.5.0.1. x Once cus ome in e es ed in bank o e , p i a e cus ome accoun manage in e iews he cus ome , p o e/p o ide iden i y, he condi ion legal en i y o indi idual is checked hen co po a e accoun manage documen s he iden i y o he economic owne hen he condi ion iden i y o he economic owne ce i iable is checked. C.5.0.2. x C.5.0.2. x Once is checked o connec ed clien s, check i g oup o connec ed clien s exis s, he condi ion does g oup o connec ed clien s exis ing is checked hen documen g oup o connec ed clien s acco ding o capi al equi emen s egula ion c . xix C60 C.6.0.png Figu a A.11 xx C.6.0.1. x C.6.0.1. x Once he a el eques is ecei ed hen he ligh s and ho el o e is made. I he answe is null hen he app o ed is o e ed, he c edi ca d in o ma ion is eques ed, booking is made, he c edi ca d is cha ged, booking is con i med hen booking con i med. I he answe is null hen 24 hou s, he cus ome o e expi ed is no i ied hen he expi ed is o e ed. I he answe is null hen he eques is canceled, he cus ome eco d is upda ed hen he cancelled is eques ed. C.6.0.2. x C.6.0.2. x Once i he answe is null hen he ho el is bookedi he answe is null hen he ligh is booked hen he booked is a eled. C.6.0.3. x C.6.0.3. x Once booking. I he answe is null hen ho el. I he answe is null hen ligh . xxi C70 C.7.0.png Figu a A.12 xxii C.7.0.1. x C.7.0.1. x Once hi ing manage jobs he acancy, hi ing manage w i es he desc ip ion, ec ui men comple es he ad e isemen hen hi ing manage app o es he ad e isemen hen he condi ion ad e isemen app o ed is checked hen ec ui men comple es he ad e isemen . I he answe is null hen ec ui men publishes on homepage. I he answe is null hen ec ui men selec s he o he pla o ms hen ec ui men publishes on o he pla o ms hen acancy ad e ised. xxiii C80 C.8.0.png Figu a A.13 xxi C.8.0.1. x C.8.0.1. x Once aca ion eques ecei ed, he aca ion in o ma ion is e ched hen he app o al is aca ioned. I he answe is manual alida ion equi ed hen manually app o e aca ion i he answe is app o ed hen he employee o app o al is no i ied, emaining aca ion is upda ed hen he app o ed is aca ioned by manage i he answe is e used hen he employee o e usal is no i ied hen aca ion e used by manage . I he answe is e used hen he employee o e usal is no i ied hen he e used is aca ioned. I he answe is app o ed hen he employee o app o al is no i ied, emaining aca ion is upda ed hen he app o ed is aca ioned. xx Cologne Cologne.png Figu a A.14 xx i Cologne.1. x Cologne.1. x Once he online is applied, he online p o oc¨al is sen hen he documen s a e sen by pos . I he answe is null hen is payed o ap i ude es . I he answe is null hen he ap i ude es is aken hen is wai ed o esul s. I he answe is null hen accep ed. I he answe is null hen ejec ed. Cologne.2. x Cologne.2. x Once documen s ecei ed, he documen s a e checked hen is e alua ed. I he answe is null hen is kep in he applican pool. I he answe is null hen is in i ed o an ap i ude es hen ank s uden s acco ding o gpa and he es esul s. I he answe is null hen he le e o accep ance is sen . I he answe is null hen he le e o ejec ion is sen . xx ii Hohenheim Hohenheim.png Figu a A.18 xxxi Hohenheim.1. x Hohenheim.1. x Once applican chooses he mas e p og am, comple e and send applica ion o m online hen applican ecei es he applica ion numbe and passwo . I he answe is null hen applican p in s he online applica ion o m. I he answe is null hen applican p in s he online applica ion o m, applican sends he all he equi emen s o he sec e a ial o ice o s uden s, wai ing o he esponse hen ejec ion, en ollmen hen en ollmen . Hohenheim.2. x Hohenheim.2. x Once he applica ion is ecei ed. I he answe is null hen ank applica ion on scale om 1 o 10. I he answe is null hen assessmen o applica ion. I he answe is null hen p oo o uni deg ee p o ided hen p oposed as ese ed. I he answe is null hen high anking equi emen s a e me hen p oposed as accep ed. I he answe is null hen equi emen s a e no me o low anking hen p oposed as ejec ed hen inal con i ma ion by head o he uni e si y. Hohenheim.3. x Hohenheim.3. x Once ecei ing he w i en applica ions hen checking i comple e. I he answe is null hen is ma ked as comple e hen he documen s a e sen o selec ion commi ee. I he answe is null hen ma k as no comple e hen ejec ion. I he answe is null hen he applican s a us is upda ed. I he answe is null hen publishing he le e s. Hohenheim.4. x Hohenheim.4. x xxx Once he online applica ions a e documen ed hen he an applica ion numbe and passwo d is alloca ed o each applican . xxx i IIS E langen IIS E langen.png Figu a A.19 xxx ii IIS E langen.1. x IIS E langen.1. x Once en ollmen adminis a ions ecei es he applica ion. I he answe is null hen en ollmen adminis a ions checks he applica ion in ime. I he answe is null hen en ollmen adminis a ions checks he applica ion comple e hen he condi ion comple e and in ime is checked. Hand applica ion o e o examining boa d hen examining boa d ecei es he applica ion. I he answe is null hen examining boa d sco es he mo i a ion. I he answe is null hen examining boa d sco es he quali ica ions. I he answe is null hen sco e bachelo s g ade hen examining boa d sums he sco es. IIS E langen.2. x IIS E langen.2. x Once he applica ion is comple ed. I he answe is null hen he ce i ica e o english language is added. I he answe is null hen he ce i ica e o bachelo deg ee is added. I he answe is null hen he applica ion o m is illed. I he answe is null hen c ea e and add english le e o mo i a ion. I he answe is null hen c ea e and add c . I he answe is null hen he condi ion ge man is checked hen he ce i ica e o ge man language is added, he ce i ica es o u he language skills a e added hen he ce i ica es o u he language skills a e added hen he ce i ica es o quali ica ion a e added hen he ce i ica es o quali ica ion a e added, compa e and send applica ion hen he in e iew is aken. xxx iii Muens e Muens e .png Figu a A.20 xxxix Muens e .1. x Muens e .1. x Once applican chooses he cou ses o s udies hen applican comple es he online in e iew. I he answe is null hen applican ecei es he ejec ion o cou se o s udies. I he answe is null hen applican ecei es he applica ion o m, upload bachelo ’s deg ee / ansc ip o eco ds / diploma supplemen , applican uploads he c , applican uploads he cou se desc ip ion, applican uploads he language ce i ica e hen applican uploads he language ce i ica e, applican uploads he uni e si y en ance ce i ica e hen applican uploads he le e o mo i a ion, p in ou and sign applica ion o m, applican collec s he addi ional equi ed documen s hen applican sends he applica ion o m and documen s. Muens e .2. x Muens e .2. x Once he applica ion is ecei ed. I he answe is null hen check and e alua e applica ion. I he answe is null hen he ansc ip o applican is c ea ed hen anking is c ea ed. I he answe is null hen he applican is ma ked as sui able. I he answe is null hen he applican o in e iew is in i ed, he in e iew is done hen he quali ica ion is discussed. I he answe is null hen ma k applican as no sui able hen he in o ma ion is sen o applica ion o ice. Muens e .3. x Muens e .3. x Once ecei e and so applica ion hen he ci izenship is checked. I he answe is null hen he applica ion is checked in ime eu coun ies. I he answe is null hen he applica ion is checked in ime non-eu coun ies, he condi ion in ime is checked, he applica ion comple e is checked hen he applica ion sys em is upda ed. I he answe is null hen he ejec ion is sen . I he answe is null hen he accep ance is sen . xl Muens e .4. x Muens e .4. x Once he esponses a e checked hen he condi ion does mee he basic equi emen s is checked. I he answe is yes hen he applica ion o m is sen . I he answe is no hen he in e iew is ejec ed hen he s a us o applica ion is upda ed. xli O de Full illemen O de Ful illmen and P ocu emen .jpg Figu a A.21 xlii P ocu emen .jpg Figu a A.22 xliii TU Munich TU Munich.png Figu a A.26 l TU Munich.1. x TU Munich.1. x Once documen s ecei ed hen admission o ice checks he bachelo ’s deg ee. Admission o ice checks he documen s, o wa d documen s hen depa men o in o ma ics e alua es. I he answe is null hen depa men o in o ma ics sends he le e o ejec ion. I he answe is null hen depa men o in o ma ics sends he le e o accep ance. I he answe is null hen depa men o in o ma ics sends he in e iew in i a ion hen depa men o in o ma ics conduc s he in e iew. I he answe is null hen depa men o in o ma ics sends he le e o accep ance. I he answe is null hen depa men o in o ma ics sends he le e o ejec ion. TU Munich.2. x TU Munich.2. x Once he online is applied, he documen s a e sen by pos hen is wai ed o esul s. I he answe is null hen accep ed. I he answe is null hen ejec ed. I he answe is null hen in i ed o an in e iew hen is gone o he in e iew i he answe is null hen accep ed i he answe is null hen ejec ed. li Wue zbu g Wue zbu g.png Figu a A.27 lii Wue zbu g.1. x Wue zbu g.1. x Once p echeck o documen s, checking o comple eness hen he condi ion does comple e is checked hen checking o comple eness hen he condi ion does comple e is checked. Wue zbu g.2. x Wue zbu g.2. x Once he uni is chosen. I he answe is null hen is illed in online o m o applica ion hen he ge man applica ion is sen . I he answe is null hen is illed in p in ed o m o applica ion o in e na ional s uden s hen he in e na ional applica ion is sen hen wai ing o esponse. I he answe is null hen he commi men is ecei ed hen is ma icula ed. I he answe is null hen he ejec ion is ecei ed. liii Ap`endix B Codi To el codi desen olupa en aques p ojec e, els models u ili za s i les desc ipcions gene ades es poden oba al seg¨uen eposi o i de Gi hub h ps://gi hub.com/guillempla/TFG. El codi es `a publica so a la llic`encia GNU Gene al Public License 3.0. li