이벤트 로그 예측: 단순 에이전트 앙상블로 성능과 효율 모두 잡기

본 논문은 스트리밍 이벤트 로그(streaming event logs)에서 다음 활동(next-activity)을 예측하는 다양한 접근 방식을 비교하고 개선된 앙상블 방법을 제안합니다. 주요 목표는 모델의 정확도를 유지하면서도 계산 자원과 추론 오버헤드를 최소화하는 것입니다.

1. n-gram vs. 신경망 아키텍처 비교:
연구진은 가벼운 오토마타 기반 모델인 n-grams와 복잡한 신경망 구조(LSTM, Transformer)를 다음 활동 예측에 적용하여 성능을 비교했습니다. 합성 패턴과 5개의 실제 프로세스 마이닝 데이터셋에서 실험한 결과, 적절한 컨텍스트 창(context windows)을 가진 n-gram 모델이 신경망 모델과 유사한 수준의 정확도를 달성하는 것으로 나타났습니다. 가장 큰 장점은 자원 소모가 훨씬 적다는 점입니다.

또한, windowed neural architectures는 성능 패턴이 불안정할 수 있는 반면, n-grams는 안정적이고 일관된 정확도를 제공한다는 강점을 보여주었습니다.

2. 기존 앙상블 방법의 한계:
전통적인 앙상블 기법(예: 투표 방식, voting)을 사용하여 n-gram 성능을 개선할 수 있음은 입증되었지만, 이 방식들은 추론 과정에서 다수의 에이전트를 병렬로 실행해야 합니다. 이는 메모리 소비량과 지연 시간(latency) 증가라는 심각한 오버헤드를 초래합니다.

3. 제안하는 'Promotion 알고리즘':
이러한 한계를 극복하기 위해, 저자들은 'promotion 알고리즘'이라는 새로운 앙상블 방법을 제안했습니다. 이 알고리즘은 추론 과정에서 활성화된 두 개의 모델 사이를 동적으로 선택(dynamically selects)합니다. 이러한 방식은 기존의 투표 기반 스킴보다 오버헤드를 크게 줄이면서도, 실제 데이터셋에서 비-윈도우형 신경망 모델과 견줄 만하거나 능가하는 정확도를 낮은 계산 비용으로 달성할 수 있음을 보여줍니다.

결론적으로, 본 연구는 복잡한 신경망에 대한 의존도를 낮추고, 단순하지만 효율적인 오토마타 기반 접근 방식(n-grams)을 중심으로 최적화된 앙상블 프레임워크를 제시함으로써, 실시간 이벤트 로그 분석 시스템의 효율성을 크게 향상시킵니다.