Este documento proporciona un estudio comparativo de métodos de aprendizaje automático no supervisado (ML) para la detección de anomalías en el monitoreo de datos de vuelo (FDM). El estudio aplica diversas técnicas de ML no supervisadas a datos de vuelo del mundo real y compara los resultados con las técnicas de análisis de datos de vuelo de última generación aplicadas en la industria. Los resultados son validados por expertos industriales. El estudio encuentra que un enfoque híbrido de Factor de Outlier Local (LOF) ofrece ventajas significativas en comparación con el estado actual y otras técnicas de ML porque requiere menos ajuste de hiperparámetros, reduce el número de falsos positivos, proporciona la capacidad de establecer tendencias entre toda la flota y tiene la capacidad de investigar anomalías en cada instante dentro de cada vuelo. Finalmente, el estudio proporciona una revisión en profundidad de algunos de los casos destacados por el LOF híbrido y discute los casos particulares proporcionando perspectivas desde un punto de vista académico y de seguridad/operaciones de vuelo. El análisis realizado por el experto humano respecto a los resultados producidos por una técnica de ML está predominantemente ausente en la investigación académica, ofreciendo así un valor adicional. El estudio presenta un argumento convincente para la transición del enfoque actual, basado en el análisis de ocurrencias a través de los excedentes de un valor umbral, hacia un método basado en ML que proporciona una naturaleza proactiva del análisis de datos. El estudio muestra que hay una oportunidad no aprovechada para procesar datos de vuelo y lograr información valiosa para mejorar la seguridad del transporte aéreo y las operaciones de aviación.