Soutenance de thèse - Pierre Cry

Monsieur Pierre Cry (école doctorale INTERFACES, CentraleSupélec, Université Paris-Saclay) soutiendra publiquement ses travaux de thèse de doctorat intitulés :

“Des journaux d’événements aux modèles probabilistes : méthodes pour la découverte de processus stochastiques”

Sous la Direction de Monsieur Paolo Ballarini et Madame Pascale Le Gall.
Le vendredi 19 décembre 2025 à 14h00
À l’école CentraleSupélec, en Amphi IV - Bâtiment Eiffel.
Lien public de visio-conférence : à venir

Membres du jury :

• M. Sander LEEMANS, Professeur, Rapporteur & Examinateur, RWTH University
• M. Andrea VANDIN, Associate Professor, Rapporteur & Examinateur, Scuola Superiore Sant'Anna
• M. Benedikt BOLLIG, Directeur de recherche, Examinateur, CNRS & ENS Paris-Saclay
• Mme Natalia SIDOROVA, Directeur de recherche, Rapporteur & Examinateur, Eindhoven University
• M. Thomas CHATAIN, Associate Professor, ENS Paris-Saclay
• Mme Anne BARROS, Professeure, Examinatrice, CentraleSupelec Paris-Saclay

Résumé :

Les systèmes d’information modernes génèrent en continu de vastes volumes de données d’événements, qui offrent un enregistrement détaillé de la manière dont les processus sont exécutés en pratique. Exploiter ces données est essentiel pour comprendre le comportement des systèmes et étayer des améliorations fondées sur les données. Le minage de processus s’appuie sur cette idée en dérivant des modèles de processus à partir de journaux d’événements, c’est-à-dire des collections structurées d’événements où chacun consigne l’exécution d’une activité au sein d’une instance de processus. Alors que les techniques classiques de découverte se concentrent sur la perspective du flux de contrôle, soit les relations d’ordre et de branchement entre activités, elles négligent généralement la dimension stochastique des processus, à savoir la probabilité avec laquelle différents comportements se produisent. Cet aspect probabiliste est pourtant crucial pour l’analyse de performance, le suivi prédictif et l’aide à la décision. Cette thèse aborde le problème de la découverte de processus stochastiques, qui vise à construire des modèles reproduisant à la fois les relations structurelles entre activités et la distribution de probabilité sur les traces observées. Dans cette optique, nous développons des méthodes nouvelles selon deux axes complémentaires : l’estimation fondée sur l’optimisation et l’inférence statistique. Premièrement, nous introduisons une procédure de dépliage pilotée par le journal permettant le calcul exact du langage stochastique des réseaux de Petri stochastiques. Cette procédure sert de fondement à un cadre d’optimisation s’appuyant sur des mesures info-théoriques et basées sur des distances afin d’aligner les modèles sur les distributions issues des journaux d’événements. Deuxièmement, nous proposons une approche d’inférence fondée sur le calcul bayésien approximatif, qui estime les paramètres de probabilité par échantillonnage et simulation itératifs. Enfin, nous définissons le formalisme des arbres de processus stochastiques, alliant l’interprétabilité des arbres de processus à des sémantiques stochastiques, et proposons des algorithmes pour leur découverte. Des expériences approfondies sur des journaux réels issus des défis Business Process Intelligence (BPI Challenges) et sur des journaux synthétiques mettent en évidence l’efficacité et la scalabilité des approches proposées. Cette thèse pose les bases d’un cadre reproductible pour la découverte et l’analyse des comportements probabilistes dans les processus métier, permettant ainsi une analyse, une prédiction et une aide à la décision plus précises.

Abstract :

Modern information systems continuously generate vast amounts of event data, which provide a detailed record of how processes are executed in practice. Leveraging such data is essential to gain insights into system behaviour and to support evidence-based improvements. Process mining builds on this idea by deriving process models from event logs, that is, structured collections of events where each event records the execution of an activity within a process instance. While traditional discovery techniques focus on the control-flow perspective, the ordering and branching relations between activities, they usually neglect the stochastic dimension of processes, which concerns the likelihood with which different behaviours occur. This probabilistic aspect is, however, crucial for performance analysis, predictive monitoring, and decision support. This thesis addresses the problem of stochastic process discovery, which aims to construct models that reproduce both the structural relations among activities and the probability distribution over observed traces. Building upon this objective, we develop novel methods along two complementary directions: optimisation-based estimation and statistical inference. First, we introduce a log-driven unfolding procedure that enables the exact computation of the stochastic language of stochastic workflow nets, which serves as the foundation for an optimisation framework leveraging information-theoretic and distance-based measures to align models with event log distributions. Second, we propose an inference approach grounded in approximate Bayesian computation, which estimates probability parameters through iterative sampling and simulation. Finally, we define the formalism of stochastic process trees, combining the interpretability of process trees with stochastic semantics, and provide algorithms for their discovery. Extensive experiments on real-life event logs from the Business Process Intelligence challenges and on synthetic benchmarks demonstrate the effectiveness and scalability of the proposed approaches. This thesis lays the foundations of a reproducible framework for discovering and analysing probabilistic behaviours in business processes, thereby enabling more accurate analysis, prediction, and decision support.