Open Access

Hohenadl Tom

• Despite significant technological advancements, the development lifecycle of Robotic Process Automation (RPA) bots remains heavily labor-intensive and difficult to scale. Robotic Process Mining (RPM) has emerged to automate this lifecycle by discovering routine behaviors directly from user interaction (UI) logs. However, current state-of-the-art RPM tools depend on clean, pre-segmented recordings, effectively shifting the burden of task isolation onto the user. In reality, unsegmented real-world UI logs are highly unstructured, contextually diverse, and filled with intra- and inter-routine noise. This cumulative dissertation addresses these limitations through a strategic and operational enhancement of the RPM pipeline across four research essays. First, it examines how human developer decision-making shapes RPA bot programming and maps these practices to identify gaps in current automation tools. To bridge the semantic gap between recorded actions and deployable code, an ontology-driven conceptual framework is introduced toDespite significant technological advancements, the development lifecycle of Robotic Process Automation (RPA) bots remains heavily labor-intensive and difficult to scale. Robotic Process Mining (RPM) has emerged to automate this lifecycle by discovering routine behaviors directly from user interaction (UI) logs. However, current state-of-the-art RPM tools depend on clean, pre-segmented recordings, effectively shifting the burden of task isolation onto the user. In reality, unsegmented real-world UI logs are highly unstructured, contextually diverse, and filled with intra- and inter-routine noise. This cumulative dissertation addresses these limitations through a strategic and operational enhancement of the RPM pipeline across four research essays. First, it examines how human developer decision-making shapes RPA bot programming and maps these practices to identify gaps in current automation tools. To bridge the semantic gap between recorded actions and deployable code, an ontology-driven conceptual framework is introduced to formalize user actions and RPA building blocks. The technical core of the dissertation introduces two novel unsupervised time-series data mining approaches designed to decouple routine discovery from human intervention. By leveraging Word2Vec encoding, matrix profiles, and grammar induction, these methods adaptively segment variable-length automation candidates directly from continuous, high-noise work sessions. Ultimately, the artifacts presented in this work resolve critical semantic and scalability bottlenecks, paving the way for fully autonomous and resilient hyper-automation enterprise capabilities.…
• Trotz erheblicher technologischer Fortschritte ist der Entwicklungslebenszyklus von Software-Robotern (RPA) nach wie vor stark arbeitsintensiv und schwer zu skalieren. Robotic Process Mining (RPM) hat sich als Forschungsrichtung etabliert, um diesen Prozess zu automatisieren, indem wiederkehrende Routinen direkt aus den Protokollen von Nutzerinteraktionen (UI-Logs) extrahiert werden. Aktuelle RPM-Werkzeuge setzen jedoch saubere, vorsegmentierte Aufzeichnungen voraus, wodurch die Last der Isolierung einzelner Aufgaben fälschlicherweise auf den Endnutzer verlagert wird. In der Realität sind unsegmentierte UI-Logs aus echten Arbeitsumgebungen jedoch hochgradig unstrukturiert, kontextuell divers und von erheblichem Rauschen innerhalb und zwischen den Routinen geprägt. Diese kumulative Dissertation adressiert diese Einschränkungen durch eine strategische und operative Verbesserung der RPM-Pipeline im Rahmen von vier Forschungsessays. Zunächst wird untersucht, wie die Entscheidungsfindung menschlicher Entwickler die RPA-ProgrammierungTrotz erheblicher technologischer Fortschritte ist der Entwicklungslebenszyklus von Software-Robotern (RPA) nach wie vor stark arbeitsintensiv und schwer zu skalieren. Robotic Process Mining (RPM) hat sich als Forschungsrichtung etabliert, um diesen Prozess zu automatisieren, indem wiederkehrende Routinen direkt aus den Protokollen von Nutzerinteraktionen (UI-Logs) extrahiert werden. Aktuelle RPM-Werkzeuge setzen jedoch saubere, vorsegmentierte Aufzeichnungen voraus, wodurch die Last der Isolierung einzelner Aufgaben fälschlicherweise auf den Endnutzer verlagert wird. In der Realität sind unsegmentierte UI-Logs aus echten Arbeitsumgebungen jedoch hochgradig unstrukturiert, kontextuell divers und von erheblichem Rauschen innerhalb und zwischen den Routinen geprägt. Diese kumulative Dissertation adressiert diese Einschränkungen durch eine strategische und operative Verbesserung der RPM-Pipeline im Rahmen von vier Forschungsessays. Zunächst wird untersucht, wie die Entscheidungsfindung menschlicher Entwickler die RPA-Programmierung beeinflusst, um technologische Lücken aktueller Mining-Tools aufzudecken. Um die semantische Lücke zwischen aufgezeichneten Aktionen und ausführbarem Code zu schließen, wird ein ontologiebasiertes, konzeptionelles Framework zur Formalisierung von Nutzeraktionen und RPA-Bausteinen eingeführt. Den technischen Kern der Dissertation bilden zwei neuartige, unüberwachte zeitserienbasierte Mining-Verfahren, die die Routine-Erkennung vollständig von menschlicher Intervention entkoppeln. Durch den Einsatz von Word2Vec-Codierung, Matrix-Profilen und Grammatikinduktion ermöglichen es diese Methoden, Automatisierungskandidaten mit variabler Länge adaptiv aus kontinuierlichen, verrauschten Arbeitssitzungen zu segmentieren. Zusammenfassend lösen die in dieser Arbeit vorgestellten Artefakte kritische semantische und skalierungsbezogene Engpässe und ebnen den Weg für vollständig autonome und resiliente Hyperautomatisierung im Unternehmenskontext.…