onlineklusterointia

Onlineklusterointi on klusteroinnin muoto, jossa data saapuu virtaavana ja klusterit päivitetään jatkuvasti tai lähes reaaliaikaisesti. Sen tavoitteena on löytää ja ylläpitää ryhmiä niin, että mallit sopeutuvat uudenlaisiin tai muuttuviin tietoihin ilman, että koko aineistoa tarvitsee säilyttää muistissa.

Se eroaa perinteisestä eräklusteroinnista (batch clustering), jossa koko datasarja kerätään ennen analyysiä ja malli rakennetaan yhdellä kertaa. Onlineklusteroinnissa data käsitellään yksittäin tai pienissä erissä, muistirajoitteet huomioiden, jotta malli reagoi nopeasti mahdollisiin muutoksiin.

Yleisimmät lähestymistavat perustuvat tiivistettyihin tilastoihin ja mikrokeskuksiin. Mikrokeskukset ovat pieniä, ajantasaisia esityksiä saapuvista datapisteistä, joita päivitetään jatkuvasti. Näistä mikrokeskuksista voidaan muodostaa suurempia, ajantasaisia klustereita. Tunnettuja suuntauksia ovat online-k-means (jonkinlainen streaming-k-means), CluStream-, DenStream- ja D-Stream -mallit. CluStream käyttää mikrokeskuksia ja makroklustereita sekä ajoitettuja päivityksiä; DenStream ja D-Stream laajentavat tiheysperusteista lähestymistapaa virtaavaan dataan.

Tärkeimmät haasteet ovat konseptikohinan (concept drift), rajoitettu muistialue ja oikea päätöksentekoparametrien valinta sekä arviointi reaaliaikaisesti. Sähköiset, verkkoliikenne-, telekommunikaatio- ja IoT-sovellukset sekä reaaliaikainen anomaly detection ovat yleisiä käyttökohteita.

Yhteenvetona onlineklusterointi tarjoaa kehyksen jatkuvasti muuttuvan datan ryhmittelyyn ja sopeutumiseen ilman kattavaa aineistoarkistoa, mikä mahdollistaa nopean reagoinnin ja reaaliaikaisen tiedon hyödyntämisen.