Framgången av mönsterigenkänning inom AI (artificiell intelligens) har skapat höga förväntningar om att AI ska kunna appliceras inom vården, framför allt inom radiologi. Det danska företaget Radiobotics har utvecklat en maskininlärningsbaserad programvara som diagnostiserar knäartros, för att assistera vårdpersonalen i deras arbete. Denna AI-programvara vid namn RBknee analyserar en röntgenbild utifrån tre diagnostiska parametrar som förekommer vid knäartros, för att sedan sammanställa de radiologiska fynden i en skriftlig rapport tillsammans med en slutgiltig diagnos. För att få förståelse för hur RBknees analysförmåga påverkas av en bildkvalitetsförsämring undersöktes för vilken kontrast och brusnivå som RBknee genererar ett felaktigt utlåtande gällande de diagnostiska parametrarna och slutdiagnosen. Vidare undersöktes om graden av knäartros påverkade RBknee analysförmåga vid en bildkvalitetsförsämring. Ett bildunderlag med kliniskt tagna slätröntgenbilder av knän degraderades med avseende på kontrast och brus för att sedan analyseras av RBknee. Förändringar av RBknees utlåtande för de degraderade bilderna jämfört med originalbildens utlåtande sammanställdes och studerades. Resultatet visade att det inte gick att identifiera en specifik försämringsgrad av bildkvaliteten där RBknee genererade ett felaktigt utlåtande. RBknees förmåga att generera ett korrekt utlåtande var bättre vid en kontrastdegradering än vid en brusdegradering. Det konstaterades att en ökad brusnivå ökade risken för ett felaktigt utlåtande av RBknee, samt att brusets position på röntgenbilden hade en påverkan. Det gick även att fastställa att röntgenbilder av knän med en lägre grad av knäartros i högre grad riskerade att få felaktiga utlåtanden av RBknee. / The success of pattern recognition in AI (artificial intelligence) has brought high expectations for AI to be applied in healthcare, especially in radiology. A machine learning software for knee osteoarthritis diagnosis has been developed by the Danish company Radiobotics. The AI software, named RBknee, analyses digital radiographs and annotates osteoarthritis related findings. The findings, together with a conclusion, are compiled in a written report. RBknee is intended to assist healthcare professionals in radiographic analysis. How RBknees analytical ability is affected by a reduced image quality was studied by examining the contrast and noise level which cause RBknee to generate incorrect findings and conclusions. If the image quality reduction caused RBknees analytically ability to differ with different degrees of knee osteoarthritis, was also studied. The image quality of clinical digital radiographs of knees was reduced and analysed by RBknee. RBknees findings and conclusion were compared with the report of the original image, where the changes were compiled into tables. No specific reduction of image quality that restricted RBknee analytically ability was established in the study. An increased noise level seemed to increase the risk of receiving an incorrect report by RBknee. RBknees ability to generate correct report was better for contrast degraded images than for images with increased noise level. The position of the noise in the radiograph also seemed to have an impact on RBknees analytical ability. It was also possible to establish that knees with a lower degree of knee osteoarthritis were more likely to receive an incorrect report from RBknee.

When an organization receives invoices, accountants specify accounts and cost centers related to the purchases. This thesis investigated automated decision support with machine learning that gives suggestions to the accountant of what accounts and cost centers that can be used for invoices. The purpose was to identify benefits and risks of using machine learning automation for invoice processing and evaluate the performance of this technology. It was found that machine learning-based decision support for invoice processing is perceived to be beneficial by saving time, reducing the mental effort, create more coherent bookkeeping, detect errors, and enabling higher levels of automation. However, there are also risks related to implementing automation with machine learning. There is a high variety of how accounts and cost centers are used in different organizations and an uneven performance can be expected due to that some invoices are more complex to process than others. Machine learning experiments were conducted which indicated that the accuracy of suggesting the correct account was 73–76%. For cost centers, the accuracy was 50–62%. A method for filtering machine learning output was developed with the aim of raising the accuracy of the automated suggestions. With this method, the limited amount of suggestions that passed the filter achieved accuracy up to 100%. / När en organisation tar emot fakturor anges konton och kostnadsställen relaterade till inköpen. Detta examensarbete undersökte automatiserat beslutsstöd med maskininlärning som ger förslag på vilka konton och kostnadsställe som kan användas för fakturor. Syftet var att identifiera fördelarna och riskerna med att använda automatisering med maskininlärning för fakturahantering och utvärdera teknikens prestanda. Resultaten visade att maskininlärningsbaserat beslutsstöd för fakturabehandling uppfattas vara fördelaktigt genom att spara tid, minska mentala ansträngning, skapa mer sammanhängande bokföring, upptäcka fel, och möjliggöra högre automatiseringsnivåer. Men det finns också risker relaterade till implementering av automatisering med maskininlärning. Det är en stor variation gällande hur konton och kostnadsställen används i olika organisationer och en ojämn prestanda kan förväntas på grund av att vissa fakturor är mer komplexa att bokföra än andra. Maskininlärningsexperiment genomfördes som indikerade att korrektheten i att föreslå rätt konto var 73–76%. För kostnadsställe var korrektheten 50–62%. En metod för att filtrera maskininlärnings-förslagen utvecklades i syfte att höja korrektheten för automatiseringen. Med denna metod uppnådde den begränsade mängden förslag som passerade filtret en korrekthet upp till 100%.

Användandet av AI har tagit fart och har revolutionerat många företag. AI har också en stor roll att spela i Industri 4.0. Företag anpassar sig till en mer digital och autonom värld. Industrier satsar stora summor på detta för att inte hamna efter. AI har gått från en Idé till verklighet. Den här uppsatsen fokuserar på att undersöka hur tillverkande företag med hjälp av AI kan planera personal behovet och hur detta sedan leder till att öka resurseffektiviteten. Implementeringen av AI inom personalplanering är fortfarande på gräsrotsnivå. Det finns en inre resistans hos industriella företag att implementera detta kombinerat med att AI fortsätter att utvecklas och förbättras i en rask takt. Mer standardisering och bättre verktyg för att utvärdera träffsäkerhet och nytta. En annan bransch som har kommit längre i den här frågan är retail. Den branschen har redan börjat med att använda sig av AI för att planera personalbehoven och snart kanske flera branscher följer deras fotspår. Den tekniska utveckligen går snabbt fram och det är viktigt att hänga med i utveckligen. Även om AI inom personalplanering är i sin startfas så kan det snabbt ske förändringar när man ser nyttan av att införa ett sådant verktyg. / AI is gaining a lot of momentum and starting to revolutionize many businesses. It also has a huge role in Industry 4.0. Companies are starting to adapt to a more digital and autonomous world. Industries are investing heavily in this to not fall behind. AI has gone from something that was out of reach to something more widely used. This thesis is focused on how the industry can use AI to streamline the personnel planning and how this will save resources. The implementation of AI in personnel planning is still at a grass root level. There existan inner resistance at industrial companies to implement this. The other reason is that AI is still evolving and getting better day by day. More standardisation is needed and better tools to evaluate accuracy and benefits. Another sector which has already begun to use these types of tools is retail. They have just started using the technology and maybe soon other sectors will follow in there footsteps. Even though the use of AI in personnel planning is at its starting phase. The tides can turn very quick when the benefits of using such a technology are proven.

Artificial Intelligence (AI) is one of the most spoken-of technologies of today. The future of AI, how it will affect every aspect of our lives, and its potential associated to various sectors are intensively debated. The technology has in recent years started to emerge in the recruitment field, leading to an intensified discussion of its advantages and disadvantages in this context. This master thesis aims to examine and analyze where in recruitment processes it is favorable for organizations to use artificial intelligence, why that might be the case, and how it can be done. To answer the research objective, this thesis contains a literature review focusing on the recruitment process, AI in general, and AI in recruitment, as well as an interview study with key people in different job positions connected to recruitment. Following the results of this study, the main challenges in recruitment today, how AI can help overcome these challenges, and potential barriers preventing AI from doing so, are identified. The main challenges are identified as candidate shortage, distribution of resources, limitations in organizations’ ways of working, and keeping recruitments objective. AI has the potential of helping organizations with all of these challenges, mainly due to its superiority over humans regarding the processing of large volumes of information. The potential barriers identified are mainly connected to recruiters' technological knowledge, their trust in AI, and their view of AI as a threat towards their profession. The thesis concludes that the candidate shortage limiting the labor market today is driving the development of a more efficient and secure recruitment process where AI plays an increasingly important role. To enable the implementation of AI, organizations need to actively encourage the acquisition of knowledge about the technology among their HRM professionals, because, without their understanding of the technology and how it benefits them, its prominent advantages can not be achieved by the organization.

Denna uppsats undersöker hur artificiell intelligens (AI) kan integreras i projektledningsprocesser för att förbättra effektiviteten och hanteringen av projekt. Genom en kvalitativ forskningsmetodik, baserad på semistrukturerade intervjuer med professionella från olika sektorer, utforskas AI:s möjligheter och utmaningar inom projektledning. Studiens syfte är att identifiera de centrala sätten på vilka AI kan bidra till projektledning och att diskutera både de positiva effekterna och de potentiella svårigheterna med dess integration. De viktigaste resultaten visar att AI har potential att förändra projektledning genom optimering och effektivisering av arbetsprocesser, förbättrad riskhantering, samt effektivisering av kommunikation och beslutsstöd. Respondenterna framhäver hur AI kan automatisera repetitiva uppgifter, ge djupgående analyser för bättre beslutsfattande, och förbättra samarbetet inom projektteam. Trots dessa fördelar, identifieras även utmaningar såsom säkerhetsrisker, risk för överberoende av AI, samt behovet av kontinuerlig utbildning och anpassning till teknologiska framsteg. Studiens slutsatser betonar AI:s betydande potential att förbättra projektledningsprocesser, men understryker även vikten av en välövervägd integrering som tar hänsyn till både möjligheter och risker. Framtida forskning bör fokusera på att utveckla strategier för att övervinna identifierade utmaningar och ytterligare utforska AI:s roll i projektledning. / This thesis investigates how artificial intelligence (AI) can be integrated into project management processes to enhance efficiency and management of projects. Through a qualitative research methodology, based on semi-structured interviews with professionals from various sectors, the opportunities and challenges of AI within project management are explored. The purpose of the study is to identify the key ways in which AI can contribute to project management and to discuss both the positive effects and potential difficulties of its integration. The main results show that AI has the potential to revolutionize project management through optimization and streamlining of work processes, improved risk management, and streamlining of communication and decision support. Respondents highlight how AI can automate repetitive tasks, provide in-depth analyses for better decision-making, and improve collaboration within project teams. Despite these benefits, challenges such as security risks, the risk of over-reliance on AI, and the need for continuous education and adaptation to technological advances are also identified. The conclusions of the study emphasize AI's significant potential to improve project management processes but also underscore the importance of a well-considered integration that takes both opportunities and risks into account. Future research should focus on developing strategies to overcome identified challenges and further explore AI's role in project management.

This study examined how Swedish digital marketers use AI and its impact on their workflow, as well as the limitations of adopting AI for digital marketing. Semi-structured interviews were performed with Swedish digital marketing professionals, and a thematic analysis was conducted to identify themes and patterns that appeared in the data collection.  The software used by participants varied, but all seven utilized ChatGPT. Five used Google Ads and Google Analytics, three used Adobe software (including Adobe Firefly and Photoshop), and two used Midjourney. Other software was also used independently by participants. The findings indicate that AI has enhanced perceived productivity and proved valuable to marketers. Those who employed AI technology reported more effective work sessions and shorter work completion times. However, the study also identified significant limitations of AI in digital marketing. These limitations include AI's inability to match human creativity, which limits the development of creative brand storylines, campaign designs, and content production. Additionally, issues with the tone and accuracy of generative AI content highlight the need to maintain authenticity and reliability in marketing communications. Marketers expressed concerns about the accuracy and quality of AI-generated information and sought clearer guidelines and regulations regarding the use of AI tools.

Purpose The purpose of the present in vitro study was to evaluate and compare the aesthetic and anatomical design of single crowns created either by 3Shape Automate, an artificial intelligence program developed by 3Shape, or by dental technicians, through a blinded assessment test.  Materials and Methods A blinded evaluation test was conducted on 10 single crowns with four different design versions: 3Shape Automate, two dental technician students, and one dental technician from 3Shape. A total of 12 participants acted as evaluators and took part in the study. They were divided into four groups: one dentist group, one dental technician student group, two dental student groups. Each participant assessed each crown design using six criteria on a scale of 1-5. The data was analyzed using Mann-Whitney U-test and Kruskal-Wallis-test. Results Statistical differences could be seen between the dental technician and Automate, where the technician was graded higher, based on the following criteria: Buccal/Facial, Palatal/Lingual, Symmetry, and Cementability. Conclusion Within the limitations of the present study, following conclusions can be drawn: Posterior single crowns designed by 3Shape Automate are considered to have comparable aesthetics and anatomy to those created by a dental technician, while anterior single crowns are not deemed to have the same aesthetic and anatomical quality. There is a noticeable difference between 3Shape Automate and the 3Shape dental technician, the technician receiving higher scores in a blind evaluation test for the criteria Buccal/Facial, Palatal/Lingual, Symmetry, and Cementability. / Syfte Syftet med föreliggande in vitro-studie var att genom ett blindat utvärderings-test utvärdera och jämföra den estetiska och anatomiska designen av singelkronor skapade av antingen 3Shape Automate, ett artificiellt intelligensprogram utvecklat av 3Shape, eller av tandtekniker. Material och metod Ett blindat utvärderings-test utfördes på 10 designade kronor som hade fyra olika designversioner: 3Shape Automate, två tandteknikerstudenter och en tandtekniker från 3Shape. Totalt 12 deltagare agerade som utvärderare och deltog i studien och de var indelade i fyra grupper; tre tandläkare där samtliga hade cirka 20 års erfarenhet, tre tandteknikerstudenter på termin 6, tre tandläkarstudenter på termin 8 och tre tandläkarstudenter på termin 10. Varje deltagare fick granska och utvärdera varje design av singelkronorna enligt ett formulär genom 3D-vy och gradera sex olika kriterier på en skala 1–5. Data analyserades genom Mann-Whitney U-test och Kruskal-Wallis-test. Resultat Statistiska skillnader kunde ses mellan tandteknikern från 3Shape och Automate, där 3Shape’s tandtekniker värderades högst utifrån följande kriterier från formuläret: Buccalt/Facialt, Palatinalt/Lingualt, Symmetri och Cementerbarhet.  Slutsats Inom ramen för föreliggande studies begränsningar, kan följande slutsatser dras: Posteriora singelkronor designade av AI-tjänsten 3Shape Automate bedöms ha likvärdig estetik och anatomi som de som skapats av en tandtekniker, medan anteriora singelkronor inte anses ha samma estetiska och anatomiska kvalitet. Det finns en märkbar skillnad mellan 3Shape Automate och tandteknikern från 3Shape, där tandteknikern fick högre värden vid ett blindat utvärderings-test för kriterierna Buccalt/Facialt, Palatinalt/Lingualt, Symmetri och Cementerbarhet.

Revisionsbranschen präglas av hög personalomsättning och på senare år har antalet auktoriserade revisorer minskat (Hjorth, 2022; Revisorsinspektionen, 2024). Samtidigt ökar behovet av revision framför allt på grund av att redovisning och rapportering av hållbarhet blivit allt mer krävande (Johansson, 2022). Artificiell intelligens (AI) är ett verktyg som kan komma att bli väldigt viktigt för att hjälpa och avlasta revisorn i revisionsarbetet. Revisionsbyråerna, framför allt de fyra största KPMG, PWC, Deloitte och EY, har själva utvecklat en hel del AI-program som kan användas i olika delar av revisionsprocessen. Grunden till denna studien är tidigare forskning som studerat revisionskvalitet och AI inom revision. På grund av att AI inom revision är ett relativt outforskat område så har även studier om hur AI används inom andra branscher samt vad som påverkar användningen av en ny teknologi i allmänhet legat till grund för studien. Studien syftar till att undersöka hur användningen av AI ser ut bland auktoriserade revisorer i Sverige samt hur revisorns egenskaper, åsikter och uppfattningar om AI påverkar användningen av AI. Metoden som används för att besvara detta syfte är en kvantitativ enkätundersökning. För att kunna kartlägga användningen av AI inom revisionsbranschen i Sverige på ett så transparent och heltäckande sätt som möjligt så fick alla nästan auktoriserade revisorer i Sverige möjlighet att besvara enkäten. Ett av de mer intressanta resultaten i studien var att användningen av AI inom revisionsprocessen var relativt låg trots att de revisionsbyråer som utvecklat AI målar upp en bild om att utvecklingen av AI inom revision kommit ganska långt. Vidare visade det sig att ca 40% av de responderade revisorerna använder AI i någon form i sitt revisionsarbete, vilket däremot visar på att det används i andra delar i revisorers arbete. Det är vanligare att använda AI som byrån har infört jämfört med AI som individen själv infört. Av de granskningsfaser som undersöks i denna studie visade det sig att det idag används mest vid substansgranskningar och vid redovisnings- och skattefrågor. Det används minst för interna kontroller. Studien har hittat signifikanta samband för AI-användning mellan både åsikter och uppfattningar, samt egenskaper, trots den relativt låga användningen. Detta resulterade i att studiens hypoteser delvis kunde bevisas.

I omfattningen av teknologisk innovation har artificiell intelligens (AI) och maskininlärning(ML) framträtt som transformerande krafter inom flera sektorer. Dessa teknologier, somkännetecknas av deras förmåga att bearbeta stora mängder data och automatisera komplexabeslutsprocesser, lovar betydande framsteg i effektivitet och kapacitet. Deras potentialutmanas dock avsevärt av det kritiska problemet med bias som manifesterar sig i den data detränas på och de algoritmer som driver deras funktionalitet. Denna avhandling undersökernoggrant den nyanserade naturen av bias inom AI system, med särskilt fokus påimplikationerna av datainsamlingsmetodiker, algoritmiska biaser och de bredare samhälleligakonsekvenserna. Genom att dissekera ursprungen och spridningen av bias i AI, fråndatainsamling till modellträning och implementering, belyser studien hur demografiskaskillnader och sociala fördomar oavsiktligt fortsätter att föras vidare. Genom en kombinationav kvalitativa och kvantitativa forskningsmetoder, inklusive studier och experimentell analysmed avancerade AI modeller som DALL-E 3, kartlägger denna forskning inte bara biasenisolerat utan föreslår också strategier för att mildra bias inom AI system. Studiens resultatsyftar till att förbättra diskussionen om etisk AI utveckling och förespråkar robusta åtgärderför att säkerställa att AI teknologier utvecklas på ett sätt som är transparent, ansvarsfullt ochrättvist. Denna studie bidrar till en djupare förståelse av utmaningarna och etiskaöverväganden i AI, och uppmanar till antagandet av omfattande strategier för att mildra biasför att främja en framtid där teknik är i linje med principerna om rättvisa och rättfärdighet.

Studien utforskar hur AI och RPA påverkar revisorernas arbete, hur de ställer sig till teknologiska verktyg, och hur byråerna upplever att verktygen påverkar konkurrensen. En kvalitativ ansats har genomförts genom att intervjua 7 revisorer från olika små och stora revisionsbyråer. Resultaten belyser vikten av att hänga med i den teknologiska utvecklingen för att hålla sig konkurrenskraftig, men att det är viktigt att revisorerna accepterar och ser teknologin som användbar. Studien använder sig av en teoretisk referensram som innehåller två teorier, Technology Acceptance Model (TAM) och Task Technology Fit (TTF), samt två centrala begrepp som är Artificiell Intelligens (AI) och Robotic Process Automation (RPA), där ramverket sammanfattas med en egen framtagen analysmodell, figur 2. Resultaten visar genom studiens respondenter, som representerar olika byråer inom revisionsbranschen att byråerna upplever konkurrensfördel vid användandet av verktygen jämfört med om de inte hade använt dem. / The study explores how AI and RPA affect the work of accountants, how they approach technological tools, and how the agencies perceive the tools to influence the competition. A qualitative approach has been implemented by interviewing 7 auditors from various small and large audit firms. The results highlight the importance of keeping up with technological developments to remain competitive, but that it is important that auditors accept and see the technology as useful. The study uses a theoretical frame of reference that contains two theories, Technology Acceptance Model (TAM) and Task Technology Fit (TTF), as well as two central concepts which are Artificial Intelligence (AI) and Robotic Process Automation (RPA), where the framework is summarized with a proprietary analysis model, figure 2. The results show through the study`s respondents, who represent various firms within the auditing industry, that the firms perceive a competitive advantage when using the tool compared to if they had not used them.