At a glance
O capítulo de Wenrui Zhang na CAiSE 2026 transforma dados de decisão de ML em logs de recursos para que a mineração de processos revele como as entradas se combinam. Um avanço de explicabilidade focado em finanças.
Uma decisão de crédito dentro de um modelo de aprendizagem de máquina não é um único veredicto.É uma sequência de julgamentos menores: primeiro renda, depois dívida pendente, depois histórico de reembolso, depois a pontuação final.Um artigo apresentado em junho de 2026 na 38a Conferência Internacional sobre Engenharia de Sistemas de Informação Avançados em Verona trata essa sequência como um processo - e a mina.
O estudo, liderado por Wenrui Zhang, um candidato de pesquisa superior na Universidade de Adelaide, propõe usar a mineração de processos para tornar os modelos de decisão de aprendizagem de máquina mais fáceis de explicar. Modelos de aprendizagem de máquina são cada vez mais usados no setor financeiro, mas muitas vezes funcionam como caixas pretas. Isso obscurece duas coisas: como uma decisão é tomada e como as características de entrada se relacionam umas com as outras.
Por que isso importa agora não é difícil de ver. A Lei da IA da União Europeia classifica a pontuação de crédito como um uso de alto risco da IA, o que traz transparência, documentação e obrigações de supervisão humana. Um banco que não pode explicar um declínio automatizado enfrenta não apenas um cliente zangado, mas um problema regulatório. Pense em um modelo de aprendizado de máquina como uma cozinha. As ferramentas de explicabilidade existentes muitas vezes atuam como um teste de gosto: eles lhe dizem qual ingrediente fez o caldo muito salgado. A mineração de processos faz algo diferente. Ele reconstrói a receita passo a passo, mostrando quando cada recurso entra na decisão e como os recursos interagem.
Uma visão de processo de uma decisão de máquina
A mineração de processos é um campo de análise de dados que extrai conhecimento de registros de eventos. Um registro de eventos registra casos e atividades. Para um pedido de empréstimo, um caso pode ser o próprio aplicativo, e as atividades podem ser ações como confirmação de rendimentos, verificação de dívidas pendentes e consulta a uma agência de crédito. Algoritmos de descoberta de processos levam esse registro e produzem um modelo de como o trabalho realmente flui.
Os pesquisadores de Adelaide e Munique adaptam a mesma máquina ao interior de um modelo aprendido. Na sua abordagem, as características de entrada individuais se tornam atividades, e cada instância de decisão se torna um caso. O resultado é chamado de um log de características. É construído a partir dos dados disponíveis, que contém tanto as características de entrada quanto os resultados de decisão correspondentes. Cada entrada captura um caso distinto e detalha a combinação específica de características consideradas durante o processo de tomada de decisão.
Os autores aplicam então a descoberta de processos e análises avançadas de relações de atividade ao log do recurso.Este passo revela dependências entre as características.O artigo descreve o resultado como a validação do método como uma ponte entre a interpretabilidade do aprendizado de máquina e as técnicas de mineração de processos.A abordagem ajuda a explicar as decisões do modelo e ajuda a destacar as diferenças entre os modelos.
Como o log do recurso é construído
A construção segue uma sequência clara.O log de características não é rasgado dos pesos internos do modelo. É montado a partir dos dados disponíveis em torno do modelo, o que significa que o método pode funcionar mesmo quando o algoritmo subjacente é opaco.
- Comece com dados contendo características de entrada e os resultados de decisão correspondentes.
- Tratar cada instância de decisão individual como um caso separado.
- Representa a combinação específica de características consideradas nessa decisão como atividades.
- Aplicar algoritmos de descoberta de processos para mapear a ordem e as relações entre os recursos.
- Utilize análises avançadas de relações de atividade para encontrar dependências que as ferramentas mais simples de importância de recursos perdem.
- Leia o modelo de processo resultante como uma imagem de como os recursos se movem juntos em direção a uma decisão.
Esta é a explicação da bar-bet: em vez de perguntar apenas qual característica importava, o método pergunta como as características se comportaram juntas em uma sequência.
Finanças são a cama de testes
O setor financeiro é a configuração para a qual os autores retornam ao longo do artigo. A pontuação de crédito e a detecção de fraudes são exatamente os lugares onde os modelos de aprendizado de máquina são poderosos e pesadamente examinados. Um modelo de crédito pode pesar renda, obrigações existentes, histórico de reembolso e tipo de aplicação. Métodos de explicabilidade existentes podem atribuir uma pontuação de importância a cada recurso, mas raramente mostram a interação entre os recursos à medida que a decisão se desenvolve.
A pesquisa faz parte de uma colaboração entre a Universidade de Adelaide e a Universidade Técnica de Munique.A Universidade Técnica de Munique descreve a colaboração como financiada pela BayIntAn, um programa da Baviera que apoia a iniciação de projetos de pesquisa internacionais.O perfil de Zhang lista a Universidade de Adelaide Research Scholarship como sua fonte de financiamento, e ele completou um Bacharelado em Ciência em Software com Honras de Primeira Classe e um Mestrado em Ciência da Computação na Universidade de Melbourne antes de começar seu trabalho de doutorado no Semestre 1 2024.
O capítulo completo, publicado como parte de Lecture Notes in Computer Science volume 16559, páginas 167 a 183, está disponível através do DOI do editor.Explicando modelos de decisão baseados em ML através de técnicas de mineração de processosOs fundos do projeto estão descritos naPágina do projeto da Universidade Técnica de Munique. o
O que o método pode e não pode dizer
O documento enquadra seu resultado como uma validação, não como uma ferramenta industrial acabada. O que o método descobre são dependências entre características como elas aparecem em instâncias de decisão. Dependências não são necessariamente causas. Uma relação descoberta entre duas características é uma co-ocorrência observada nos dados, não prova de que um recurso causou o outro a se tornar importante.
Zhang descreve a mudança no enquadramento desta forma: “Você pára de perguntar apenas qual recurso importava e começa a perguntar como os recursos se moveram juntos em uma decisão.” Essa visão orientada para o processo é a contribuição. O método não substitui as ferramentas de atribuição de recursos, como SHAP ou LIME. Ele oferece uma lente diferente, uma que pode ser mais fácil para um agente de conformidade ou um interessado em empréstimos ler.
Há razões para ser cauteloso. Um especialista em mineração de processos independente, solicitado para uma visão crítica, disse: “A força de um log de recursos depende de se a ordem de recursos reflete o procedimento de decisão real do modelo. Se essa ordem é construída pelo analista, o mapa de processos resultante pode parecer coerente enquanto permanece desconectado da forma como o modelo computa.”
Os próximos cinco anos
O teste prático será se os logs de recursos podem suportar auditorias financeiras reais e fluxos de trabalho de documentação de modelo.Se eles o fizerem, os bancos podem usá-los ao lado de relatórios de importância de recursos para mostrar aos reguladores não apenas o que importava, mas como os fatores foram combinados ao longo de uma decisão.
Para os pesquisadores, a pergunta aberta é se a mineração de processos pode mudar de descrever dependências de recursos para apoiar a reengenharia genuína de modelos de decisão de aprendizagem de máquina.O papel se coloca nessa fronteira.Se a ponte permanecer, a próxima geração de ferramentas de explicabilidade pode ler menos como uma lista de ingredientes e mais como a história completa de como uma decisão veio juntos.
Photo by Albert Hyseni on Unsplash
- mineração de processos
- aprendizado de máquina
- IA explicável
- logs de recursos
- Wenrui Zhang

