Organizations try to gain competitive advantages, and to increase customer satisfaction. To ensure the quality and efficiency of their business processes, they perform business process management. An important part of process management that happens on the daily operational level is process controlling. A prerequisite of controlling is process monitoring, i.e., keeping track of the performed activities in running process instances. Only by process monitoring can business analysts detect delays and react to deviations from the expected or guaranteed performance of a process instance. To enable monitoring, process events need to be collected from the process environment. When a business process is orchestrated by a process execution engine, monitoring is available for all orchestrated process activities. Many business processes, however, do not lend themselves to automatic orchestration, e.g., because of required freedom of action. This situation is often encountered in hospitals, where most business processes are manually enacted. Hence, in practice it is often inefficient or infeasible to document and monitor every process activity. Additionally, manual process execution and documentation is prone to errors, e.g., documentation of activities can be forgotten. Thus, organizations face the challenge of process events that occur, but are not observed by the monitoring environment. These unobserved process events can serve as basis for operational process decisions, even without exact knowledge of when they happened or when they will happen. An exemplary decision is whether to invest more resources to manage timely completion of a case, anticipating that the process end event will occur too late. This thesis offers means to reason about unobserved process events in a probabilistic way. We address decisive questions of process managers (e.g., "when will the case be finished?", or "when did we perform the activity that we forgot to document?") in this thesis. As main contribution, we introduce an advanced probabilistic model to business process management that is based on a stochastic variant of Petri nets. We present a holistic approach to use the model effectively along the business process lifecycle. Therefore, we provide techniques to discover such models from historical observations, to predict the termination time of processes, and to ensure quality by missing data management. We propose mechanisms to optimize configuration for monitoring and prediction, i.e., to offer guidance in selecting important activities to monitor. An implementation is provided as a proof of concept. For evaluation, we compare the accuracy of the approach with that of state-of-the-art approaches using real process data of a hospital. Additionally, we show its more general applicability in other domains by applying the approach on process data from logistics and finance. / Unternehmen versuchen Wettbewerbsvorteile zu gewinnen und die Kundenzufriedenheit zu erhöhen. Um die Qualität und die Effizienz ihrer Prozesse zu gewährleisten, wenden Unternehmen Geschäftsprozessmanagement an. Hierbei spielt die Prozesskontrolle im täglichen Betrieb eine wichtige Rolle. Prozesskontrolle wird durch Prozessmonitoring ermöglicht, d.h. durch die Überwachung des Prozessfortschritts laufender Prozessinstanzen. So können Verzögerungen entdeckt und es kann entsprechend reagiert werden, um Prozesse wie erwartet und termingerecht beenden zu können. Um Prozessmonitoring zu ermöglichen, müssen prozessrelevante Ereignisse aus der Prozessumgebung gesammelt und ausgewertet werden. Sofern eine Prozessausführungsengine die Orchestrierung von Geschäftsprozessen übernimmt, kann jede Prozessaktivität überwacht werden. Aber viele Geschäftsprozesse eignen sich nicht für automatisierte Orchestrierung, da sie z.B. besonders viel Handlungsfreiheit erfordern. Dies ist in Krankenhäusern der Fall, in denen Geschäftsprozesse oft manuell durchgeführt werden. Daher ist es meist umständlich oder unmöglich, jeden Prozessfortschritt zu erfassen. Zudem ist händische Prozessausführung und -dokumentation fehleranfällig, so wird z.B. manchmal vergessen zu dokumentieren. Eine Herausforderung für Unternehmen ist, dass manche Prozessereignisse nicht im Prozessmonitoring erfasst werden. Solch unbeobachtete Prozessereignisse können jedoch als Entscheidungsgrundlage dienen, selbst wenn kein exaktes Wissen über den Zeitpunkt ihres Auftretens vorliegt. Zum Beispiel ist bei der Prozesskontrolle zu entscheiden, ob zusätzliche Ressourcen eingesetzt werden sollen, wenn eine Verspätung angenommen wird. Diese Arbeit stellt einen probabilistischen Ansatz für den Umgang mit unbeobachteten Prozessereignissen vor. Dabei werden entscheidende Fragen von Prozessmanagern beantwortet (z.B. "Wann werden wir den Fall beenden?", oder "Wann wurde die Aktivität ausgeführt, die nicht dokumentiert wurde?"). Der Hauptbeitrag der Arbeit ist die Einführung eines erweiterten probabilistischen Modells ins Geschäftsprozessmanagement, das auf stochastischen Petri Netzen basiert. Dabei wird ein ganzheitlicher Ansatz zur Unterstützung der einzelnen Phasen des Geschäftsprozesslebenszyklus verfolgt. Es werden Techniken zum Lernen des probabilistischen Modells, zum Vorhersagen des Zeitpunkts des Prozessendes, zum Qualitätsmanagement von Dokumentationen durch Erkennung fehlender Einträge, und zur Optimierung von Monitoringkonfigurationen bereitgestellt. Letztere dient zur Auswahl von relevanten Stellen im Prozess, die beobachtet werden sollten. Diese Techniken wurden in einer quelloffenen prototypischen Anwendung implementiert. Zur Evaluierung wird der Ansatz mit existierenden Alternativen an echten Prozessdaten eines Krankenhauses gemessen. Die generelle Anwendbarkeit in weiteren Domänen wird examplarisch an Prozessdaten aus der Logistik und dem Finanzwesen gezeigt.

Die Erforschung der neuronaler Grundlagen des Arbeitsgedächtnisses (WM) fand breite Aufmerksamkeit, konzentrierte sich aber auf die Speicherung sensorischer Inhalte. Beweise für die kurzfristige Aufrechterhaltung abstrakter, verbaler oder kategorischer Informationen sind selten. Ziel dieser Arbeit ist die Untersuchung der neuronalen Repräsentation von WM-Inhalten auf verschiedenen Abstraktionsebenen. Ich stelle hier drei empirische Studien vor, in denen fMRT, multivariate Musteranalyse oder probabilistische Modelle als Hauptmethoden eingesetzt wurden. Die erste Studie identifizierte kortikale Regionen, die den WM-Inhalt eines Skripts behielten. Chinesische Muttersprachler wurden gebeten, sich bekannte chinesische Zeichen zu merken, was die verbale Kodierung stark fördern. Die Ergebnisse zeigten links lateralisierte sprachbezogene Hirnareale als Kandidatenspeicher für verbale Inhalte. Die zweite und dritte Studie zielten darauf ab, die Hypothese zu testen, dass Farbe als eine Kombination aus einer visuellen Repräsentation und einer kategorischen Repräsentation gespeichert wird. Die zweite Studie verwendete ein sensorisches Kodierungsmodell und ein empirisch basiertes kategorisches Kodierungsmodell, um jeweils zwei Quellen neuronaler Repräsentationen zu charakterisieren. Farbinformationen wurden in drei farbbezogenen ROIs dekodiert: V1, V4, VO1, und insbesondere wurde eine Erhöhung der kategorischen Repräsentation in vorderen kortikalen Arealen beobachtet. In der dritten Studie wurde die verzögerte Verhaltensreaktion untersucht, die ein systematisches Bias-Muster zeigte; es wurde ein probabilistisches Dual-Content-Modell implementiert, das ein mit den experimentellen Ergebnissen hoch korreliertes Antwortmuster erzeugte; dies bestätigte die Hypothese der mnemonischen Dual-Content Repräsentation. Diese Studien zusammen schlagen eine Arbeitsteilung entlang der rostro-kaudalen Achse des Gehirns, die auf der Abstraktionsebene der gespeicherten Inhalte basiert. / Research on the neural basis of working memory (WM) has received broad attention but has focused on storage of sensory content. Evidence on short-term maintenance of abstract verbal or categorical information is scarce. This thesis aims to investigate neural representation of WM content at different levels of abstraction. I present here three empirical studies that employed fMRI, multivariate pattern analysis or probabilistic modeling as major methods. The first study identified cortical regions that retained WM content of a script. Native Chinese speakers were asked to memorize well-known Chinese characters which strongly facilitated verbal coding. Results indicated left lateralized language-related brain areas as candidate stores for verbal content. The second and the third studies aimed to test the hypothesis that color is memorized as a combination of the low-level visual representation and the abstract categorical representation. The second study utilized a conventional sensory encoding model and a novel empirical-based categorical encoding model to characterize two sources of neural representations. Color information was decoded in three color-related ROIs: V1, V4, VO1, and notably, an elevation in categorical representation was observed in more anterior cortices. In the third study, the delayed behavioral response was examined, which exhibited a systematic bias pattern; a probabilistic dual-content model was implemented, which produced response patterns highly correlated with experimental results; this confirmed the hypothesis of dual-content mnemonic representations. These studies together suggest a division of labor along the rostral-caudal axis of the brain, based on the abstraction level of memorized contents.