Koneoppimispohjaiset poikkeamien havainnointimenetelmät suoratoistodatassa

Suoratoistavien sovellusten määrä kasvaa, ja samalla niiden datan määrä lisääntyy. Poikkeamien havainnointi (engl. Anomaly detection, AD) vaatii yhä useammin koneoppimista menetelmien taustalla suoriutumaan suoratoistodatan haasteista, kuten reaaliaikasuudesta ja moniulotteisuudesta. Tämä tutkielma on toteutettu kirjallisuuskatsauksena, jossa käydään läpi vuosina 2021-2025 julkaistua aihetta käsittelevää aineistoa. Tarkastelun kohteena on suoratoiston sovellusalueen merkitys AD-menetelmää valittaessa, sekä aiheen tulevaisuuden tutkimussuunnat. Tutkielman perusteella AD-menetelmät soveltuvat eri tavoin eri sovellusalueisiin, ja sovellusalueen merkitys menetelmää valitessa tulee kasvamaan. Soveltuvuuteen vaikuttaa koneoppiminen AD-menetelmän taustalla, suoratoistodatan ominaisuudet ja kontekstisidonnaisuus, sekä AD:n tarpeet ylipäätään. Tulevaisuudessa kontekstisidonnaisuus tulee todennäköisesti kasvamaan, ja saatavilla oleva opetusdata tulee vaikuttamaan algoritmien ja menetelmien kehitykseen. Samaan aikaan tarvitaan yhtenäisyyttä menetelmien tutkimiseen, jotta saadaan vertailukelpoisia tuloksia tulevaisuuden kirjallisuuskatsauksiin. Tutkielman perusteella AD-menetelmät soveltuvat eri tavoin eri sovellusalueisiin, ja sovellusalueen merkitys menetelmää valitessa tulee kasvamaan. Soveltuvuuteen vaikuttaa koneoppiminen AD-menetelmän taustalla, suoratoistodatan ominaisuudet ja kontekstisidonnaisuus, sekä AD:n tarpeet ylipäätään. Tulevaisuudessa kontekstisidonnaisuus tulee todennäköisesti kasvamaan, ja saatavilla oleva opetusdata tulee vaikuttamaan algoritmien ja menetelmien kehitykseen. Samaan aikaan tarvitaan yhtenäisyyttä menetelmien tutkimiseen, jotta saadaan vertailukelpoisia tuloksia tulevaisuuden kirjallisuuskatsauksiin.