Automating Event Detection for Automata Learning

This thesis presents the development and validation of a user-friendly event detection tool designed for complex systems with a focus on Stochastic Hybrid Automata (SHA). The primary aim was to create a tool that allows domain experts to perform sophisticated event detection without requiring extensive software engineering expertise. The tool leverages modern Python techniques to enhance flexibility and usability. A notable innovation is the implementation of dynamic event detection through code generation based on user inputs. The development process identified three key event categories, tested through toy examples to ensure robustness and adaptability. Validation against the original L ∗ SHA framework demonstrated that the new event de- tection methods accurately identified the same events in the same order, confirming its reliability and precision. This was further substantiated through a significant use case in Order Management, effectively reducing the number of suspicious orders requiring manual inspection and enhancing operational efficiency. Despite its success, challenges were noted, such as the need for more intuitive user in- terfaces and the necessity for users to have some algorithmic thinking to configure event detection tasks effectively. These insights highlight the importance of bridging the gap between domain expertise and technical configuration. Future work includes developing a graphical user interface (GUI) or a web-based applica- tion to improve usability and accessibility, and creating a more flexible data parser within the L ∗ SHA framework to enhance its ability to handle various data configurations. This thesis underscores the potential for combining domain expertise with advanced data analysis to drive innovation and efficiency in complex systems, making advanced event detection techniques more accessible and user-friendly.

Questa tesi presenta lo sviluppo e la validazione di uno strumento di rilevamento di eventi intuitivo progettato per sistemi complessi, con un focus sugli Automi Ibridi Stocastici (SHA). L’obiettivo principale era creare uno strumento che permettesse agli esperti di dominio di eseguire un sofisticato rilevamento degli eventi senza richiedere una vasta competenza in ingegneria del software. Lo strumento sfrutta tecniche moderne di Python per essere flessibile e usabile. Un’innovazione notevole è l’implementazione del rilevamento dinamico degli eventi tramite la generazione di codice basata sugli input degli utenti. Il processo di sviluppo ha iden- tificato tre categorie chiave di eventi, testate attraverso esempi didattici per garantire robustezza e adattabilità. La validazione rispetto al framework originale (chiamato L ∗ SHA ) ha dimostrato che i nuovi metodi di rilevamento degli eventi identificano accuratamente gli stessi eventi nello stesso ordine, confermando la loro affidabilità e precisione. Ciò è stato ulteriormente comprovato attraverso un caso d’uso significativo nella gestione degli ordini, riducendo efficacemente il numero di ordini sospetti che richiedono ispezione manuale e migliorando l’efficienza operativa. Nonostante il successo, sono emerse delle sfide, come la necessità di interfacce utente più intuitive e la necessità per gli utenti di avere una certa attitudine agli approcci algo- ritmici per configurare efficacemente i compiti di rilevamento degli eventi. Ciò mostra l’importanza di colmare il divario tra competenza di dominio e configurazione tecnica. Il lavoro futuro include lo sviluppo di un’interfaccia grafica utente (GUI) o un’applicazione web per migliorare l’usabilità e l’accessibilità dello strumento, e la creazione di un parser dati più flessibile all’interno del framework L ∗ SHA per migliorare la sua capacità di gestire varie configurazioni di dati. Questa tesi sottolinea il potenziale di combinare la competenza di dominio con l’analisi avanzata dei dati per guidare l’innovazione e l’efficienza nei sistemi complessi, rendendo le tecniche avanzate di rilevamento degli eventi più accessibili e facili da usare.