Моделі обробки текстових бізнес-правил у системах підтримки прийняття рішень.
DOI:
https://doi.org/10.30837/bi.2025.2(103).15Ключові слова:
БІЗНЕС-ПРАВИЛА, DMN, СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ, ФОРМАЛЬНІ МОДЕЛІ, СТРУКТУРА ДАНИХ, СИНТАКСИЧНА ВАЛІДАЦІЯ, СЕМАНТИЧНА ВАЛІДАЦІЯ, АВТОМАТИЗОВАНЕ МОДЕЛЮВАННЯАнотація
У статті розглянуто проблему формалізації та автоматизованої обробки текстових бізнес-правил у системах підтримки прийняття рішень з урахуванням наявної структури даних та контексту предметної області. Запропоновано математичні моделі, що охоплюють три ключові етапи обробки правил: визначення структурних компонентів текстового бізнес-правила, побудову формальної таблиці рішень у нотації DMN та валідацію синтаксису й семантики згенерованої моделі за правилами логічної узгодженості. Модель структурного аналізу забезпечує формальне виділення умов, дій та залежностей із урахуванням доступних даних; модель генерації DMN визначає відповідність текстових конструкцій елементам таблиці рішень і враховує контекст системи підтримки рішень; модель валідації дозволяє виявляти логічні суперечності, неповноту та помилки узгодженості у формальній моделі. Представлено прототип програмної системи, що реалізує запропоновані моделі та дозволяє проводити експериментальне тестування їхньої ефективності. Результати експериментів демонструють коректність формалізації, повноту відображення бізнес-правил у DMN-таблиці та дієвість автоматичного виявлення структурних, синтаксичних і семантичних помилок.
Посилання
Cherednichenko O. AI-Based Efficient Automation of Decision Logic Representation / O. Cherednichenko, V. Maliarenko // Proc. of International Conference on Business Information Systems. – 2026. – P. 303–315. – doi: 10.1007/978-3-032-08614-3_19.
Object Management Group. Decision Model and Notation (DMN), Version 1.6 // OMG Specification. – 2023.
Batoulis K. Decision modeling and business process management / K. Batoulis, M. Weske // Business Process Management Journal. – 2018. – Vol. 24(2). – P. 451–470.
Etikala S. Text2Dec: Extracting decision logic from natural language / S. Etikala, S. Goossens, J. De Smedt // Proc. of International Conference on Business Process Management (BPM). – 2020. – P. 303–319.
Goossens S. Automatic extraction of decision models from textual descriptions / S. Goossens, J. De Smedt, J. Vanthienen // Decision Support Systems. – 2019. – Vol. 123. – P. 113–129.
Goossens S. Evaluating large language models for DMN decision table generation / S. Goossens, J. De Smedt // Proc. of IEEE International Conference on Business Informatics. – 2023. – P. 1–8.
Berkovitch S. Benchmarking large language models for structured table generation / S. Berkovitch, M. van der Aalst // Proc. of CAiSE. – 2023. – P. 145–160.
Shorten R. Structured generation with schema constraints / R. Shorten, J. Kelleher // Proc. of EMNLP. – 2022. – P. 5621–5633.
Li J. Retrieval-augmented generation: A survey / J. Li, Y. Liu, Z. Li // ACM Computing Surveys. – 2023. – Vol. 56(4). – P. 1–38.
Jeong S. Schema-aware retrieval for enterprise decision systems / S. Jeong, H. Kim // Information Systems. – 2022. – Vol. 107. – P. 101–119.
Liu P. On the challenges of contextual relevance in retrieval-augmented generation / P. Liu, X. Zhang // Proc. of ACL. – 2023. – P. 412–423.
Calvanese D. Detecting incompleteness and inconsistency in DMN decision tables / D. Calvanese, M. Montali // Proc. of KR. – 2018. – P. 318–327.
Corea C. Decision logic verification with Camunda DMN / C. Corea, M. Dumas // Software and Systems Modeling. – 2021. – Vol. 20(3). – P. 965–985.
