Next4biz Ar-Ge Merkezi araştırmacılarının akademik iş birliğiyle hazırladığı “SPECTRE: A Multi-Purpose Autoencoder Model for Decontamination and Anomaly Detection on Anomalous Business Process Event Logs” başlıklı çalışma, Springer Nature tarafından yayımlanan uluslararası hakemli Cluster Computing: The Journal of Networks, Software Tools and Applications dergisinde 14 Temmuz 2026’da yayınlandı. Makale; Teoman Berkay Ayaz, Alper Özcan ve Akhan Akbulut tarafından kaleme alındı.
Yayınlandığı Dergi
Paralel ve dağıtık sistemler, yapay zekâ, bulut bilişim, yazılım ve yüksek performanslı bilgi işlem alanlarındaki güncel araştırmalara yer veren Cluster Computing; 5,5 etki faktörüne sahip, SCIE ve Scopus tarafından indekslenen bir dergidir. Dergi, JCR değerlendirmesinde Computer Science, Information Systems ve Computer Science, Theory & Methods kategorilerinde Q1 seviyesinde — diğer bir ifadeyle alanındaki bilimsel dergilerin üst yüzde 25’lik diliminde — yer almaktadır.
Çalışmamız: SPECTRE
Makalede tanıtılan SPECTRE (Spectral-channel Parallel Encoder with Contextual Attention for Reconstruction and Enhancement), iş süreçlerinin dijital izlerini oluşturan olay kayıtlarındaki (event log) hatalı ve anormal verileri temizlemek ve süreç anomalilerini tespit etmek amacıyla geliştirilen, denetimsiz öğrenmeye dayalı çok amaçlı bir autoencoder modelidir. Olay kayıtları gerçek dünyadaki operasyonel akışın dijital yansımaları olduğundan; basit operasyonel hatalardan sahtekârlığa kadar uzanabilen sapmalar bu kayıtlara yansır ve tespit edilmediklerinde ciddi kayıplara yol açabilir.
Yedi açık ve dört özel olmak üzere toplam 11 veri seti üzerinde test edilen model, veri temizlemede (dekontaminasyon) yüzde 99,94’e varan doğruluk ve olay seviyesindeki anomali tespitinde 0,996 F1 skoru elde ederken, yüksek hacimli süreç verilerinde doğrusala yakın ölçeklenebilirliğini de korumuştur. Çalışmada ayrıca, az sayıda iz içeren veri setlerinde modeli güçlendirmek için Reduction Window adı verilen bir veri artırma yöntemi kullanılmış; bu yaklaşım dekontaminasyon doğruluğunda yüzde 2’ye, zorlu kayıtlardaki anomali tespit performansında ise yüzde 45’e varan ek kazanım sağlamıştır.
Makaleye Springer üzerinden erişebilirsiniz: SPECTRE: A Multi-Purpose Autoencoder Model for Decontamination and Anomaly Detection on Anomalous Business Process Event Logs (DOI: 10.1007/s10586-026-06258-8)
