Практика применения ИИ для автоматизированного построения BPMN-диаграмм

#ФорсПрактика

Применение ИИ для автоматизированного построения BPMN-диаграмм на основе текстовых описаний процессов предполагает комплексный подход к выбору технологических решений. В первую очередь необходимо определиться с наиболее подходящей языковой моделью (LLM) диаграмм. В зависимости от доступности и функциональности могут использоваться, к примеру, ChatGPT, DeepSeek, Gemini, GigaChat, однако важно помнить, что они не подойдут в случае высоких требований к конфиденциальности данных. В нашем случае наиболее удобно было работать с DeepSeek. Его выбор оправдан для проектов, где важны скорость прототипирования и возможность итеративных улучшений схем без глубоких навыков программирования, также им можно пользоваться бесплатно. Ключевым преимуществом DeepSeek является возможность работать с текстовыми описаниями, выделять участников, задачи, условия и преобразовывать их в структурированные BPMN-элементы.

Технологический стек для автоматизированного построения BPMN-диаграмм включал в себя несколько взаимосвязанных компонентов. На первом этапе ИИ использовался для анализа текстового описания процесса и генерации BPMN-кода в формате XML, совместимого с Camunda Modeler. Для составления запроса в DeepSeek использовались детализированные промпты, которые включали роли (например, «бизнес-аналитик»), цель, объект и ожидаемый формат вывода. Далее сгенерированный XML импортировался в Camunda для визуализации и верификации. При необходимости диаграмма уточнялась через итеративные запросы к ИИ, например, для добавления пулов и дорожек, исправления ошибок в логике или структуре элементов. Такой подход позволил быстро преобразовывать текстовые описания в визуальные схемы, сокращая время на проектирование.

При использовании ИИ для автоматизированного построения BPMN-диаграмм пришлось столкнуться с определенными трудностями. Одна из основных — необходимость предоставления качественных и структурированных исходных данных: неоднозначные или размытые описания процессов могут привести к некорректным диаграммам. Кроме того, LLM могут испытывать сложности при обработке многоуровневых бизнес-правил и исключений, требующих глубокого контекстуального понимания. Для решения этих проблем был использован итеративный подход: верифицирование результатов, комбинирование ИИ с экспертной оценкой и использование техники промпт-инжиниринга для уточнения запросов. Это позволило минимизировать ошибки и достичь высокой точности в автоматизированном моделировании процессов. Также следует учитывать проблему обеспечения конфиденциальности данных при использовании облачных ИИ-сервисов, что особенно актуально для процессов, связанных, например, с государственными услугами.

Поскольку стандартные публичные LLM могут создавать риски утечки чувствительной информации, применялся итеративный подход с обезличиванием исходных данных: в промпты передавались только обобщенные и структурированные описания процессов без указания реальных клиентских данных, реквизитов или иной информации, подпадающей под NDA. Затем сгенерированная ИИ диаграмма проверялась на соответствие бизнес-логике и при необходимости дорабатывалась уже в локальной версии Camunda Modeler без повторного обращения к облачному сервису.

Таким образом, можно сказать, что Большие языковые модели при соблюдении определённых условий являются эффективным инструментом в проектах по цифровизации бизнес-процессов, их моделирования и построения BPMN-диаграмм.