Fakultät: Fakultät für Angewandte Informatik

Lehrstuhl: Lehrprofessur für nebenläufige Systeme

Art des Stipendiums: Reisestipendium

Laufzeit: 01.04.2025 - 30.06.2025

Kurzvita

Patrizia Schalk ist seit März 2021 wissenschaftliche Mitarbeiterin an der Lehrprofessur für nebenläufige Systeme an der Fakultät für Angewandte Informatik der Universität Augsburg. Dort betreut sie insbesondere große Lehrveranstaltungen mit rund 500 Informatikstudierenden. Zudem verbindet sie Lehre und Forschung, indem sie Studierende für Themen der theoretischen Informatik begeistert und ein kleines Team im Bereich Process Mining und Conformance Checking aufgebaut hat.

Forschungsschwerpunkte:

•        Process Mining (automatische Bestimmung grafischer, mathematischer Modelle für reale Prozesse)

•        Conformance Checking (Analyse, wie gut die Modelle zu dem Prozessverhalten passen, das abgebildet werden sollte)

•        Komplexität von Prozessmodellen (Maße zur Erfassung, wie schwer Modelle zu verstehen sind)

•        Analyse von Ereignisdaten (Untersuchung der Ursachen für komplexe Modelle)

Kurzbeschreibung der Reise

"Mind the Gap: On Formal Relationships Between Log Complexity and the Complexity of Discovered Models"

Werden für einen realen Prozess automatisiert mathematische Modelle entdeckt, so ist ein gängiger Wunsch, dass diese Modelle so einfach wie möglich zu verstehen sind. Zur Bewertung der Komplexität von Modellen gibt es in der Literatur viele verschiedene Maße, welche vornehmlich die strukturellen Eigenschaften des entdeckten Modells bewerten. Zu komplexe Modelle sind allerdings nicht nur der Wahl des Algorithmus' geschuldet, der sie entdeckt hat. Ist der Prozess an sich schon komplex, so lässt sich nicht erwarten, dass ein für diesen Prozess entdecktes Modell besonders einfach ist. Daher beschäftigt sich ein weiterer Forschungszweig mit der Bewertung der Komplexität von Ereignisdaten, die als Eingabe für die automatisierte Entdeckung von Modellen genutzt werden.

Im Rahmen der geförderten Forschungsreise wurde gemeinsam in einem internationalen Forscherteam untersucht, ob die Komplexität von Ereignisdaten mit der Komplexität entdeckter Modelle zusammenhängt. Dafür wurden einfache Datensätze entwickelt, die sukzessive um neue Daten erweitert wurden. Nach jeder Erweiterung wurde untersucht, wie sich die Komplexität automatisiert entdeckter Modelle entwickelt hat.
Wie sich herausstellte, gelingt es keinem der gängigen Komplexitätsmaße für Ereignisdaten, die Komplexität automatisiert entdeckter Modelle vorherzusagen. Manchmal führt eine Erhöhung der Komplexität der Ereignisdaten zu einer Verringerung und manchmal zu einer Erhöhung der Komplexität der Modelle. Da man in der Literatur aber bisher von einem starken Zusammenhang zwischen der Komplexität von Ereignisdaten und der Komplexität automatisch entdeckter Modelle ausging, zeigen diese Ergebnisse eine gefährliche Lücke zwischen Erwartung und Realität auf, die in zukünftigen wissenschaftlichen Arbeiten geschlossen werden muss.