BPMN-AI

Eine Bachelorarbeit bei IWB, die schriftliche Prozessbeschreibungen in gültige BPMN-2.0-Modelle umwandelt. Das System läuft lokal, evaluiert Open-Source-Sprachmodelle und verbindet LLM-gestützte Analyse mit deterministischer Prüfung, XML-Erzeugung und Layoutalgorithmen.

Bachelorarbeit: Konzept, LLM-Evaluation, Prompt Engineering, Pipeline zur BPMN-Modellierung und Frontend-Entwicklung.

Prozessmodelle bilden die Grundlage für Automatisierung, Analyse und Verbesserung. Ihre manuelle Erstellung ist jedoch zeitaufwendig, braucht mehrere Abstimmungen und setzt knappe BPMN-Fachkenntnisse voraus.

Ich entwickelte eine lokale Pipeline, die Beschreibungen liest, ihre semantische Struktur als JSON erfasst, Gateways und Alternativpfade prüft, Dokumente und Systeme zuordnet, BPMN-XML erzeugt und per Regelwerk ein lesbares Layout erstellt.

Das Projekt zeigt, wie Prozessverantwortliche schneller von Alltagssprache zu einem gültigen, bearbeitbaren BPMN-Entwurf gelangen. Prüfung, Korrektur und Freigabe bleiben in menschlicher Verantwortung.

Ein lokales KI-System entwickeln, mit dem Prozessverantwortliche und Analysten schneller BPMN-2.0-Modelle erstellen. Dazu kam die wissenschaftliche Frage: Welche Open-Source-Sprachmodelle und Prompt-Strategien eignen sich am besten, um Beschreibungen in strukturierte Prozessmodelle zu übersetzen?

BPMN-AI erleichtert den Einstieg. Eine Beschreibung wird zum ersten gültigen Entwurf, den Menschen prüfen und verbessern können. Sprachmodelle übernehmen das semantische Verständnis. Deterministischer Code erledigt die Aufgaben, die regelbasiert zuverlässiger lösbar sind.

Warum dieses Projekt gebraucht wurde

IWB verfügt bereits über viele Prozessmodelle. Noch nicht jede Abteilung hat ihre Abläufe jedoch dokumentiert. Das ist relevant, weil Prozessmodelle die Basis für Automatisierung, Analyse, Konsistenzprüfungen und das Erkennen von Ineffizienzen bilden.

Ein Prozessmodell entsteht selten in einem Durchgang. Verantwortliche vergessen Schritte, Analysten brauchen Klärungen, Gateways und Alternativpfade erfordern mehrere Prüfrunden. BPMN-AI soll den ersten Entwurf beschleunigen und die menschliche Prüfung erhalten.

JSON zuerst, jeder Schritt nachvollziehbar

Für vertrauliche Prozessdaten entwickelt

Das System ist für den lokalen Betrieb ausgelegt, weil Prozessbeschreibungen vertrauliches Betriebswissen enthalten können. Eine Übertragung an Cloud-Modelle war nicht Teil der Zielarchitektur.

Ein Kern der Bachelorarbeit war die Evaluation von Open-Source-Sprachmodellen und Prompt-Strategien. Das Portfolio erläutert Methode und Architektur auf hoher Ebene. Detaillierte Evaluationsdaten und interne Prozessbeispiele bleiben privat.

Vom Prompt zu BPMN, Schritt für Schritt

Spezialisierte Prüfungen aus mehreren Blickwinkeln

Warum zuerst JSON? Der direkte Vergleich

Die grösste Hürde: ein lesbares Diagramm

Ein technisch gültiges BPMN-Modell kann visuell unbrauchbar sein. Das Layout gehörte zu den schwierigsten Aufgaben: Lanes, Aufgaben, Ereignisse, Gateways, Dokumente und Systeme müssen prüfbar angeordnet sein. Elemente dürfen sich nicht überlappen, Lanes müssen zum Inhalt passen, Datenobjekte neben ihren Aufgaben liegen und Flusskreuzungen möglichst selten bleiben.

Die Ausgabe ist eine bearbeitbare BPMN-2.0-Datei. Sie wird im Frontend dargestellt, lässt sich verfeinern, in Standardtools öffnen und vor der Veröffentlichung für bestimmte Modellierungsumgebungen umwandeln.

Von der Bachelorarbeit zum Fachartikel

Das Projekt wurde auch zur Grundlage eines wissenschaftlichen Artikels. Die Arbeit wurde bereits an der Society 5.0 Conference vorgestellt. Eine Veröffentlichung auf SpringerLink ist geplant.

Der Artikel behandelt Architektur, Prompt-Strategien, Modellevaluation und Governance beim Einsatz lokaler LLMs zur BPMN-Erzeugung. Der Publikationslink folgt.

Was das System leistet