LUTPub (LUT University)
Not a member yet
24632 research outputs found
Sort by
Assessing effectiveness of freemium in AIaaS companies : benefits and challenges
Get PDFThe study explores the application and effectiveness of the freemium business model within the distinct context of AI as a Service (AIaaS) companies. It specifically investigates the unique benefits and challenges that arise from inherent AI complexities, such as high computational costs, intensive data requirements, and significant ethical considerations. Employing a qualitative methodology, the study uses thematic analysis to interpret data gathered from semi-structured interviews with professionals and insights from industry podcasts used as a secondary source. The findings reveal that the primary benefits include accelerated user acquisition and rapid, data driven product improvement, creating a powerful data flywheel effect through lean, cost-effective iteration. These advantages are counterbalanced by significant challenges, notably the high computational cost per user, converting users conditioned by a free mentality, designing premium tiers that provide clear value without cannibalizing the free offering and the critical need to balance high operational costs against the imperative of maintaining user trust and regulations. The findings culminate in a set of Primary Empirical Conclusions (PECs) that model these dynamic interactions. This study extends freemium theory by contextualizing it for the AIaaS sector. It offers valuable, actionable insights and suggestions for future work for academics and practitioners on navigating freemium adoption in AIaaS
Kirjojen mainoskulujen ja -myynnin ennustaminen koneoppimisen avulla
No full textThis thesis addresses the challenge of forecasting daily advertising spend and attributed book sales within the Amazon Ads ecosystem, using advanced machine learning methodologies. Utilizing comprehensive data from a verified Amazon Ads partner agency, combined with contextual product data retrieved via the Keepa API, the research constructs predictive models leveraging historical advertising performance, book-specific attributes, and contextual variables. A robust predictive analytics workflow is implemented, evaluating multiple models – XGBoost, Random Forest, Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU) – against naïve carry-forward and ARIMA baselines. A Boruta-SHAP feature selection algorithm is implemented to identify the most promising features before model fitting.
The findings demonstrate that machine learning models, particularly GRU, consistently outperform the naïve model in forecasting both advertising spend and attributed sales overall. A notable observation was that due to the heavy imbalance of the sales data, none of the models could beat the simple naïve prediction among cases where the actual spend was positive. The neural models excelled at identifying the zero-sales cases. The incremental value of variables outside the target variable’s own history was also revealed to be very marginal for both prediction tasks.Tämä pro gradu -tutkielma käsittelee päivittäisten mainoskulujen ja mainoksille attribuoidun kirjamyynnin ennustamista koneoppimista hyodyntäen. Tutkimuksessa käytetään yhteistyössä toimineen mainostoimiston keräämää Amazon Ads -mainosalustan dataa, ja Keepa-rajapinnan kautta haettuja kontekstuaalisia tuotetietoja kirjoista. Näiden avulla rakennetaan ennustemalleja, jotka pohjautuvat aiemman mainonnan historialliseen suoriutumiseen, kirjakohtaisiin ominaisuuksiin ja muihin kontekstimuuttujiin. Työssä arvioidaan analyyttisesti useita malleja – XGBoost, Random Forest, Long Short-Term Memory (LSTM) ja Gated Recurrent Units (GRU) – vertaamalla niitä yksinkertaiseen naiiviin (“carry forward”) -malliin ja ARIMAan. Lupaavimmat selittävät muuttujat tunnistetaan ennen mallinnusta Boruta-SHAP-algoritmilla.
Tulokset osoittavat, että koneoppimismallit, erityisesti GRU, päihittävät naiivin vertailumallin sekä mainoskulujen että attribuoidun myynnin ennustamisessa kokonaisuudessaan. Merkittävä havainto on kuitenkin se, että myyntidatan voimakkaan epätasapainon vuoksi mikään malli ei kyennyt päihittämään yksinkertaista naiivia ennustetta niissä tapauksissa, joissa todellista myyntiä esiintyi. Neuroverkkomallit sen sijaan onnistuivat erinomaisesti nollamyyntitilanteiden tunnistamisessa. Lisäksi havaittiin, että tavoitemuuttujan oman historian ulkopuolisten muuttujien lisäarvo oli kummankin ennustetehtävän kannalta varsin marginaalinen
CCS development in Europe
No full textHiilidioksidin talteenotto ja varastointi mahdollistaa hiilidioksidipäästöjen poistamisen niiltä sektoreilta, joista se olisi muuten joko teknisesti tai taloudellisesti haastavaa. Tämän takia CCS-teknologian avulla voidaan todennäköisemmin saavuttaa haastavat ilmastotavoitteet niin Euroopassa, kuin myös muulla maailmassa.
Tässä kandidaatintyössä perehdytään erilaisiin hiilidioksidin talteenotto- ja varastointitekniikoihin, sekä tutkitaan, minkä takia CCS-teknologioilla voi olla merkittävä vaikutus ilmastotavoitteiden saavuttamiseen. Tutkielman tarkoituksena on selvittää, millaiset kehitysnäkymät CCS-teknologialla on Euroopassa ja miten ne vertautuvat muiden johtavien CCS-alueiden kehitysnäkymiin.
Tutkielmassa havaittiin, että hiilidioksidin talteenottotekniikoista polton jälkeinen talteenotto on tällä hetkellä lupaavin tekniikka, sillä se on mahdollista yhdistää jo olemassa oleviin laitoksiin kohtuullisilla investointikustannuksilla. Tulevaisuudessa kuitenkin talteenotto hyödyntäen kalsiumkiertoa voi olla paras vaihtoehto sen halvempien kustannusten takia.
Lisäksi työssä havaittiin, että Euroopan CCS kehitys lähivuosina keskittyy vahvasti hiilidioksidin kuljetus- ja varastointi-infrastruktuurin laajentamiseen. Hiilidioksidin talteenottotekniikat saavat aikaa kehittyä kaupallisesti valmiiksi samalla, kun luodaan laajaa varastointi-infrastruktuuria, jolloin talteenottoinvestoinnit ovat tulevaisuudessa entistäkin houkuttelevimpia. Euroopan CCS kehitykseen vaikuttavat taloudellisen kannattavuuden kehityksen lisäksi vahvasti poliittiset päätökset, sekä päästökaupan ja siihen liittyvien osa-alueiden kehitys.Carbon capture and storage enables the removal of carbon dioxide emissions from sectors where it would otherwise be technically or economically challenging. For this reason, CCS technology can significantly increase the likelihood of meeting ambitious climate targets, both in Europe and globally.
This bachelor's thesis explores various carbon capture and storage techniques and investigates why CCS technologies may play a significant role in achieving climate goals. The purpose of the thesis is to examine the development outlook for CCS technology in Europe and how it compares to the prospects in other leading CCS regions.
The study found that post-combustion capture is currently the most promising carbon capture technique, as it can be integrated into existing facilities with relatively reasonable investment costs. However, in the future, calcium looping may become the preferred method due to its lower costs.
Furthermore, the thesis revealed that in the coming years, CCS development in Europe will focus heavily on expanding carbon dioxide transport and storage infrastructure. This allows capture technologies time to mature commercially while broad infrastructure is being built, making future capture investments even more attractive. In addition to the development of economic feasibility, political decisions, as well as the evolution of emissions trading systems and related fields, strongly influence the progress of CCS in Europe
Suitability assessment of brownfield land areas for solar power projects
No full textDiplomityössä arvioidaan joutomaiden soveltuvuutta aurinkovoimahankkeiden perustamiselle. Joutomaiden soveltuvuutta tarkastellaan aurinkovoimahankkeiden ympäristövaikutukset, luvittamiskäytänteet ja rakennettavuus huomioiden. Diplomityö perustuu aineistolähtöiseen analyysiin, jota täydennettiin viranomaishaastatteluilla.
Suomessa aurinkovoimahankkeiden sijoittumiseen vaikuttaa monenlaiset tekijät, kuten aurinkoisuus, sähkönsiirron kapasiteetti, perustettavuus, kohteen luontoarvot sekä mahdolliset maankäyttöpaineet tai -rajoitukset. Jokaisella kunnalla ja kaupungilla voi olla erilaiset käytänteet aurinkovoimahankkeiden luvituksen osalta.
Työssä pystyttiin kuitenkin arvioimaan jokaisen työhön valitun joutomaan kohdalla kohteen soveltuvuutta aurinkovoimahankkeiden käyttöön. Tuloksien perusteella nähdään, että käytöstä poistunut maatalousmaa sekä lentokentät ovat joutomaista sellaisia, mitkä soveltuisivat tämän diplomityön tulosten pohjalta kaikkein otollisimmin aurinkopuiston perustamiselle.
Työn yhteydessä huomattiin, että joutomailla voi esiintyä kohteesta ja joutomaatyypistä riippuen erilaisia luontoarvoja. Kuitenkin luontoarvot nähdään vähäisempinä kuin metsämaiden luontoarvot. Näin ollen olisi suositeltavaa hyödyntää joutomaita aurinkovoimahankkeille mahdollisuuksien mukaan.The master's thesis assesses the suitability of brownfield area for establishing large solar power plant. The suitability of brownfield area is examined considering the environmental impacts of solar power plants, permitting practices and constructability. The master's thesis is based on a data-driven analysis, which was supplemented by interviews with Finnish authorities.
In Finland, the location of solar power projects is influenced by a variety of factors, such as sunshine, electricity transmission capacity, feasibility, the natural values of the site and possible land use pressures or restrictions. Each municipality and city also could have different practices regarding the permitting of solar power plant projects.
However, it was able to assess the suitability of the brownfield site for solar power plant projects for each brownfield area selected for the work. Based on the results, disused agricultural land and airports are brownfield areas that would be most suitable for establishing a solar park based on the results of this master's thesis.
In connection with the work, it was noticed that brownfield area can have different natural values, depending on the site and type of land. However, the natural values are seen as being less than those of forest lands. Therefore, it would be advisable to utilize brownfield area for solar power plants whenever possible
A quantitative experimental case study on optimizing fermentation process OEE using the Lean Six Sigma DMAIC framework
No full textTässä tutkimuksessa tarkasteltiin käymisprosessin kokonaistehokkuuden (OEE) optimointia Lean Six Sigma -menetelmän DMAIC-mallin avulla. Tutkimuksen tavoitteena oli optimoida prosessin tehokkuutta ja laatua tunnistamalla keskeiset suorituskykytekijät ja vakiinnuttaa parannustoimenpiteet osaksi päivittäistä toimintaa.
Tutkimus toteutettiin kvantitatiivisena kokeellisena tapaustutkimuksena. Käymisprosessiin rakennettiin reaaliaikainen OEE-mittausjärjestelmä. Sen osa-alueita, käytettävyyttä, suorituskykyä ja laatua, analysoitiin ennen ja jälkeen parannustoimenpiteiden toteutuksen. Kehitystoimet kohdistettiin erityisesti suurten käymistankkien täyttöasteisiin sekä RNT- ja NT-käymisten laatutuloksiin.
Tulokset osoittivat, että erityisesti suorituskyvyn ja laadun osa-alueet paranivat merkittävästi, mikä johti käymisprosessin kokonaisvaltaiseen tehostumiseen. OEE-arvo nousi 47 prosentista 69 prosenttiin, ja samalla prosessin potentiaalinen suorituskyky (Cp) parani tasolta 2,5 σ tasolle 3,3 σ, mikä osoittaa merkittävää kehitystä tuotantoprosessin tehokkuudessa ja laadunhallinnassa. Parannustoimenpiteet standardoitiin osaksi tuotantoprosessin vakiokäytäntöjä, ja niiden vaikuttavuutta seurattiin systemaattisesti ohjausvaiheen aikana.
Tutkimuksen tulokset osoittivat, että DMAIC-menetelmä soveltuu erinomaisesti panimoteollisuuden panosprosessien kehittämiseen ja optimointiin. Tutkimus tuotti sekä sovellettavia ratkaisuja että teoreettista viitekehystä, vahvistaen kohdeyrityksen kykyä hyödyntää dataohjautuvaa päätöksentekoa. Lisäksi tutkimus osoitti, että systemaattinen mittaus ja analyysi voivat paljastaa aiemmin havaitsemattomia pullonkauloja ja kehityskohteita. Tämä edistää jatkuvan parantamisen kulttuurin juurtumista tuotantoympäristössä.This thesis explored the optimization of Overall Equipment Effectiveness (OEE) in a fer-mentation process through the application of the Lean Six Sigma DMAIC model. The study focused on optimizing process efficiency and quality by identifying key performance drivers and integrating standardized improvement actions into daily operations.
The study was conducted as a quantitative experimental case study. A live OEE monitoring system was implemented for the fermentation process. Its key components, availability, performance and quality, were analyzed before and after the improvement measures. Development efforts focused on optimizing the fill levels of large fermentation tanks and improving he impact on quality of RNT and NT fermentations.
The results demonstrated notable improvements, particularly in performance and quality, contributing to a comprehensive improvement of the fermentation process. The OEE increased from 47% to 69%, while the process capability (Cp) improved from 2.5σ to 3.3σ, indicating significant advancements in production efficiency and quality control. The improvement measures were integrated into the production process as standardized practices, and their effects were systematically monitored during the control phase.
The findings confirm the strong applicability of the DMAIC methodology for developing and optimizing input processes in the brewing industry. The study provided both practical solutions and theoretical insights, improving the case company's capacity to make informed decisions based on systematic data analysis. The research demonstrated how systematic measurement, and analysis can reveal previously unidentified bottlenecks and improvement opportunities. These findings help support a culture of continuous improvement within the production environment
Large language model agents in professional services automation
Get PDFLarge language models (LLM) are powerful tools for understanding and generating written text. These models are frequently used in chatbot applications, where users can send messages to the LLM which then generates an appropriate answer to the users' query. Recent applications have increasingly focused on the use of LLMs as intelligent agents. This study aims to implement an LLM based multi-agent system (MAS) to control professional services automation (PSA) software. The baseline approach is hierarchical MAS, where a controller agent redirects the users' queries to a task-specific agent. The proposed improvement to the MAS is to introduce retrieval-augmented generation (RAG) to provide it with few-shot examples of previously accomplished tasks. To evaluate the performance of the agent system, a test environment in the PSA software was set up and populated with a month of data. An evaluation data set and an automatic evaluation pipeline were constructed based on the data in the test environment. The best result for the baseline approach was achieved using GPT 4.1-mini LLM, with an accuracy of 85%. This was further improved when the few-shot RAG approach was added to the agent system, with an accuracy of 89%. The results indicate that the MAS can be used to help users control the PSA software and get answers based on their data. Implementing new agents to automate tasks or provide additional insights from the data should be the next steps to further improve the MAS.Suuret kielimallit (LLM) ovat tehokkaita työkaluja ymmärtämään ja generoimaan luonnollista tekstiä. Näitä malleja käytetään usein keskustelubottisovelluksissa. Keskustelubotin avulla käyttäjät voivat lähettää viestejä kielimallille, joka generoi sopivan vastauksen viestiin. Uusimmat lähestymistavat hyödyntävät suuria kielimalleja älykkäinä agentteina. Tässä työssä on tarkoitus kehittää suuriin kielimalleihin perustuva moniagenttijärjestelmä (MAS) kontrolloimaan asiantuntijayritysten toiminnanohjauksen (PSA) sovellusta. Alustava lähestymistapa on hierarkkinen MAS, jossa kontrolleriagentti ohjaa käyttäjän pyynnöt sopivalle tehtäväkohtaiselle agentille. Tätä lähestymistapaa pyritään parantamaan hakutehostetulla generoinnilla (RAG), missä esimerkkejä aikaisemmin suoritetuista tehtävistä haetaan lisäkontekstiksi MAS:ille. Agenttijärjestelmän suorituskyvyn arvioimiseksi PSA-sovellukseen luotiin testiympäristö, johon generoitiin kuukauden ajalta dataa. Tämän datan pohjalta rakennettiin arviointiaineisto ja automaattinen arviointiputki aineiston läpikäyntiä varten. Paras tulos alustavalle lähestymistavalle saatiin käyttämällä GPT 4.1-mini -kielimallia, jolloin tarkkuus oli 85%. Tätä tulosta parannettiin edelleen hyödyntäen RAG-lähestymistapaa, jolloin tarkkuudeksi saatiin 89%. Tulokset osoittavat, että MAS:ia voidaan hyödyntää käyttäjien tukena PSA-ohjelmiston käytössä. Seuraavana kehitysaskeleena MAS:iin tulisi kehittää uusia agentteja, jotka automatisoivat käyttäjien tehtäviä tai tarjoavat uusia näkökulmia datasta
On graphics processing units for simulation of mass spectra
Get PDFMass spectrometry (MS) is an important technique in analytical chemistry for identifying molecules. Accurate identification often relies on high-quality datasets of experimental mass spectra. Unfortunately, the existing datasets are not large enough to capture the full diversity of biological molecules. Expanding these datasets with new experiments is a slow and expensive process. An alternative to experimental data is the simulation of mass spectra in silico using computational quantum chemistry. These approaches are often computationally intensive, which limits their use to only the most well-equipped computational chemistry labs. In recent years, the mass adoption of Artificial intelligence (AI) programs has led to a soaring demand for high-performance graphics processing units (GPUs). This study demonstrates that offloading parts of the in silico mass spectra calculations to a GPU can lead to substantial speedups. In these settings, it is shown that a single state-of-the-art NVIDIA GPU can provide an equivalent computational power of over 300x central processing units (CPUs). In this way, it is demonstrated that the hardware typically used for AI inference can also be effectively utilized for the simulation of mass spectra
Logistiikan hiilijalanjäljen laskeminen valmistavan teollisuuden yrityksen toimitusketjussa
No full textLogistics activities are a crucial part of modern supply chains, ensuring that different materials and products end up in the right place at the right time. Due to the major increase in demand, they produce more emissions each year, with no decrease in demand in sight. However, the forecasted demand increases are not sustainable without drastic reductions to the emissions produced by transport, and tightening regulatory pressure is encouraging companies to reduce the emissions emerging from their transport activities. To ensure that the reduction attempts are effective, the emissions need to be quantified correctly, guiding the efforts towards correct sources.
This study investigates how emissions emerging from logistics activities can be accurately measured in a manufacturing company setting. It utilizes multiple research methods, combining an extensive literature review to a case study of a multinational manufacturing company. To help the case company track and forecast their emissions more accurately, an interactive tool was developed as a part of the study. In manufacturing companies, logistics are usually outsourced, challenging the calculation process as both the quantity and quality of the data are typically more restricted than in a company handling their logistics in-house.
This study finds that successful measurement requires information about the transport distances, weight of the payload, transport modality and type of vehicle used, with other factors such as loading efficiency improving the accuracy of the calculations as they are introduced. Using distance-based approaches, manufacturing companies are able to both quantify past emissions as well as forecast future emissions. The results of these actions can be used to support decisions in supplier selection, production localization and transport mode selection.Logistiikkatoiminnot ovat kriittinen osa nykyaikaisia toimitusketjuja, varmistaen raaka-aineiden ja lopputuotteiden päätymisen oikeaan paikkaan oikeaan aikaan. Kasvaneen kysynnän vuoksi logistiikka tuottaa vuosi vuodelta enemmän päästöjä, eikä tämän kaltainen kasvutahti ole kestävää ilman merkittäviä vähennyksiä kuljetusten päästöihin. Samanaikaisesti tiukentuvat säädökset rohkaisevat yrityksiä vähentämään päästöjään. Jotta vähennystoimenpiteet kohdentuvat oikeisiin toimintoihin, tarvitaan tuloksekasta päästölaskentaa niiden löytämiseen.
Tämä diplomityö tutkii, kuinka valmistavan teollisuuden yrityksessä voidaan toteuttaa onnistunutta logistiikkatoimintojen päästölaskentaa. Työ hyödyntää useampaa tutkimusmenetelmää, yhdistäen laajan kirjallisuuskatsauksen käytännön tutkimukseen ja data-analyysiin monikansallisessa valmistavan teollisuuden yrityksessä. Työn tuotoksena yritykselle kehitettiin interaktiivinen työkalu, jota yritys voi hyödyntää päästöjen laskennassa ja ennustamisessa. Tyypillisesti valmistavan teollisuuden yritykset ulkoistavat logistiikkatoimintonsa, mikä hankaloittaa laskentaa datan määrän ja laadun ollessa heikompaa kuin toiminnot itse hoitavassa yrityksessä.
Tutkimuksessa havaittiin, että onnistunut päästölaskenta vaatii dataa kuljetusmatkoista, kuljetettavan tavaran painosta, kuljetusmuodosta ja kulkuneuvon tyypistä. Lisätietojen, kuten lastaustehokkuuden, sisällyttäminen laskelmiin parantaa laskelmien tarkkuutta. Matkaperusteisia laskelmia hyödyntämällä teollisuuden yritykset pystyvät sekä laskemaan että ennustamaan logistiikkatoimintojensa päästöjä. Laskelmista saatavia tuloksia voidaan hyödyntää päätöksenteossa niin toimittajavalintaa, tuotannon sijoittelemista kuin kuljetusmuotojenkin valintaa koskien
Attributes of regional innovation : comparative analysis of different models
Get PDFRegional innovation has gained substantial attention in recent years as a cornerstone of economic development, territorial cohesion, and long-term competitiveness. As regions increasingly seek structured approaches to promote innovation-led growth, a number of conceptual frameworks have emerged to guide strategic action. Among these, four models have drawn particular interest from researchers and policymakers alike due to their wide application and theoretical depth: the Regional Innovation System (RIS), Cluster Model, Smart Specialisation Strategy (S3), and Triple Helix (TH) model. Despite their popularity, limited efforts have been made to systematically compare these models across shared analytical dimensions, leaving uncertainties in their relative strengths and practical relevance. This study addresses this gap by integrating a systematic literature review of 133 academic sources with empirical insights gathered from an expert survey. A structured comparative framework was applied to assess how each model performs across six dimensions: conceptual focus, geographic scope, actors and stakeholders, innovation process, roles and activities of actors, and nature of interaction. The results reveal distinct priorities among the models, such as the emphasis on institutional collaboration in RIS and TH, the importance of agglomeration in the Cluster Model, and the policy-driven, place-based orientation of S3. Triangulated findings indicate both alignment and divergence between theoretical assumptions and stakeholder perspectives, particularly in the models’ adaptability and digital readiness. The study concludes by advocating for hybrid innovation strategies that combine the complementary strengths of these models. By offering a comprehensive comparison supported by both theoretical and empirical evidence, this research contributes to a more coherent understanding of regional innovation and provides practical implications for policy and future study
Artificial intelligence in interpreting cybersecurity threats
No full textDigitalisaation yleistyessä myös tietoliikenteeseen kohdistuvat hyökkäykset ovat lisääntyneet. Palomuurit tallentavat lokitietoihinsa tietoa näistä hyökkäyksistä, mutta suurin osa tavallisista tietotekniikan käyttäjistä ei ymmärrä, mitä on tapahtunut tai miten hyökkäykset ovat toteutuneet. Koska uhkiin on reagoitava, tekoälyä voidaan hyödyntää lokitietojen tulkitsemisessa ja esittämisessä käyttäjäystävällisessä muodossa.
Työssä tarkastellaan, miten tekoälyä voidaan kouluttaa ja hyödyntää lokitietojen analysoinnissa siten, että tiedot ovat ymmärrettäviä myös asiantuntemattomalle. Lisäksi tutkitaan, miten lokitietoihin koulutettu tekoäly voisi ennustaa ja tunnistaa uusia ja tuntemattomia uhkia. Tutkimus suoritetaan systemaattisena kirjallisuuskatsauksena, jossa käsitellään tarkasti valittua tutkimusaiheeseen liittyvää kirjallisuutta sekä aikaisempia tutkimustuloksia.
Työssä havaittiin, että nykyinen tutkimus lokitietojen analysoinnista keskittyy koneoppimiseen ja suurten kielimallien teknologiaan. Kirjallisuuskatsauksen tuloksena esitetään, että koneoppimisen avulla voidaan tunnistaa mahdollisia poikkeavuuksia, sekä suurilla kielimalleilla muuttaa lokitiedot luettavampaan muotoon.
Kuitenkin työssä todettiin, että koneoppimisen ja suurten kielimallien teknologiat osoittavat potentiaalia kyberturvallisuuden parantamisessa, mutta ne vaativat edelleen lisätutkimusta tuodakseen merkittävämpää arvoa kyberturvallisuuden alalle.As digitalization becomes more widespread, attacks targeting data communications have also increased. Firewalls log information about these attacks, but most ordinary IT users do not understand what has happened or how the attacks were carried out. Since threats must be addressed, artificial intelligence can be used to interpret log data and present it in a user-friendly format.
This study examines how artificial intelligence can be trained and utilized to analyse log data in a way that makes the information understandable even to non-experts. It also explores how AI trained on log data could predict and identify new and unknown threats. The research is conducted as a systematic literature review, focusing on carefully selected literature and previous research related to the topic.
The study found that current research on log data analysis focuses on machine learning and large language model technologies. The results of the literature review suggest that machine learning can be used to detect potential anomalies, and large language models can transform log data into a more readable format.
However, the study also concluded that while machine learning and large language model technologies show potential for improving cybersecurity, they still require further research in order to bring more significant value to the field of cybersecurity