Titel: Framgångsfaktorer vid implementering av artificiell intelligens Författare: Wilhelm Abele och Simon Starfelt Handledare: Jon Engström Nyckelord: Artificiell intelligens (AI), AI-implementering, framgångsfaktorer, hinder, organisation. Bakgrund: Artificiell intelligens (AI) har funnits sedan år 1956 men det är först det senaste årtiondet som AI blivit applicerbart inom organisationer. Forskning tyder på att AI har stor värdepotential och företagsledare menar att AI kommer ha stor påverkan på organisatoriska processer. Samtidigt som värdepotentialen ser lovande ut, visar undersökningar att majoriteten av de företag som investerar i AI upplever minimalt eller inget värde från investeringen. Tidigare forskning menar att svårigheterna ligger i implementeringsprocessen av AI och att organisationer bör ha ett affärsmässigt perspektiv för att uppleva värde. Därmed ska de faktorer som påverkar implementeringsprocessen undersökas. Syfte: Syftet med studien är att undersöka framgångsfaktorer vid implementering av AI i en organisation. Vidare är syftet att skapa ett ramverk organisationer kan förhålla sig till under implementeringsprocessen av AI. Genomförande: Studien är en tentativ flerfallstudie med kvalitativ karaktär. Empirin har samlats in genom intervjuer från sex organisationer av olika karaktär, där de antigen utvecklar AI-system själva eller köpt in externt. Detta för att skapa ett brett perspektiv för vilka framgångsfaktorerna är. Slutsats: Studien resulterar i ett ramverk som innefattar de faktorer som anses avgörande för en framgångsrik implementering av AI i en organisation. Ramverket är uppdelat i tre faser: (1) Förberedelsefas, (2) Implementeringsfas och (3) Utvärderingsfas. Framgångsfaktorerna kopplade till en lyckad implementering är: affärsdrivet syfte, involvering av intressenter, datakvalitet- och hantering, kunskapsdelning och organisationsstruktur, samt utvärdering och feedback. / Title: Success factors in the implementation of artificial intelligence Authors: Wilhelm Abele & Simon Starfelt Supervisor: Jon Engström Key Words: Artificial intelligence (AI), AI-implementation, Success factors, Obstacles, Organization. Background: Artificial intelligence is a concept that has existed for a while; however, it is only recently that the technology has caught up with the concept. Recent studies show that many organizations realize AI’s huge value potential, however, the majority of the organizations that have invested in AI generates minimal or no business value at all from the investment. Research shows that organizations face complications during the implementation process of AI and in order to generate value, the purpose of the AI solution should be business-driven, not IT-driven. Therefore, shall the factors impacting the implementation process of AI be studied further. Purpose: The purpose of this study is to examine what factors determine success when implementing AI solutions in organizations. In addition, an aim of this study is to suggest a framework for implementing AI solutions that organizations can use as a guide. Completion: The study is a tentative, multiple case study characterized by qualitative approach. The empirical data has been collected through interviews with six different companies that either produce and deliver AI solutions, or have bought AI solutions. These companies have been selected through a target-oriented selection process. Conclusion: The study results in the creation of a framework consisting of the factors deemed decisive for a successful implementation of AI in an organization. The framework is divided into three phases: (1) Preparation phase, (2) Implementation phase, and (3) Evaluation phase. The success factors associated with a fruitful AI implementation are: a business-driven purpose, stakeholder involvement, data- quality and handling, knowledge sharing and organizational structure, evaluation and feedback.

Konceptet automatiserad igenkänning och avläsning av registreringsskyltarhar utvecklats mycket de senaste åren och användningen av Artificiellaneurala nätverk har introducerats i liten skala med lovande resultat. Viundersökte möjligheten att använda detta i ett automatiserat system förgarageportar och implementerade en prototyp för testning. Den traditionellaprocessen för att läsa av en skylt kräver flera steg, i vissa fall upp till fem.Dessa steg ger alla en felmarginal som aggregerat kan leda till över 30% riskför ett misslyckat resultat. I denna uppsats adresseras detta problem och medhjälp av att använda oss utav Artificiella neurala nätverk utvecklades enkortare process med endast två steg för att läsa en skylt, (1) lokaliseraregistreringsskylten (2) läsa karaktärerna på registreringsskylten. Dettaminskar antalet steg till hälften av den traditionella processen samt minskarrisken för fel med 13%. Vi gjorde en Litteraturstudie för att identifiera detlämpligaste neurala nätverket för uppgiften att lokalisera registreringsskyltarmed vår miljös begränsningar samt möjligheter i åtanke. Detta ledde tillanvändandet av Faster R-CNN, en algoritm som använder ett antal artificiellaneurala nätverk. Vi har använt metoden Design och Creation för att skapa enproof of concept prototyp som använder vårt föreslagna tillvägagångssätt föratt bevisa att det är möjligt att implementera detta i en verklig miljö. / The concept of automated recognition and reading of license plates haveevolved a lot the last years and the use of Artificial neural networks have beenintroduced in a small scale with promising results. We looked into thepossibility of using this in an automated garage port system and weimplemented a prototype for testing. The traditional process for reading alicense plate requires multiple steps, sometimes up to five. These steps all givea margin of error which aggregated sometimes leads to over 30% risk forfailure. In this paper we addressed this issue and with the help of a Artificialneural network. We developed a process with only two steps for the entireprocess of reading a license plate, (1) localize license plate (2) read thecharacters on the plate. This reduced the number of steps to half of theprevious number and also reduced the risk for errors with 13%. We performeda Literature Review to find the best suited algorithm for the task oflocalization of the license plate in our specific environment. We found FasterR-CNN, a algorithm which uses multiple artificial neural networks. We usedthe method Design and Creation to implement a proof of concept prototypeusing our approach which proved that this is possible to do in a realenvironment.

Dagens studier visar på att revisionsbranschen förändras i takt med digitaliseringens framfart, vilket gör det därför omöjligt för revisionsbyråer att välja bort digitaliseringen. Tidigare forskning påvisar att revisionsbranschen är en av de branscher som blivit mest påverkad av digitaliseringens framfart, eftersom flera arbetsuppgifter har ersatts av den nya tekniken. Syftet med studien har varit att undersöka hur revisionsprocessen samt revisorsrollen har påverkats av den allt mer digitaliserade arbetsmiljön. För att uppnå studiens syfte har en kvalitativ metod använts där fem medarbetare på PwC har intervjuats. Empirin analyseras sedan med hjälp av studiens insamlade teori i syfte att besvara studiens två frågeställningar. Därefter har en innehållsanalys utförts där funna samband ur den insamlade empirin ställts mot studiens teori. Studiens resultat påvisar att digitaliseringen redan har bidragit till förändringar i revisionsprocessens olika faser. Vidare har digitaliseringen påverkat revisorsrollen där revisorn har fått en mer betydande roll för revisionen. Fortsättningsvis påvisar den insamlade empirin att digitaliseringen har resulterat i ett effektivare arbetssätt samt att trovärdigheten på revisionen har ökat. Avslutningsvis förutspår digitaliseringens utveckling att fortsätta och dessutom påverka värdeskapandet i revisionsbranschen. Vidare tyder teorin och empirin på att det kommer skapas mervärde genom att revisorerna således kommer fokusera på att skapa värde för kunden. Slutligen förväntas digitaliseringen påverka efterfrågan på revisionen och vilka egenskaper som behövs hos en revisor, vilket är sociala och tekniska egenskaper samt bedömningsförmågan. / There are studies that indicate big changes concerning audit industries as the digitalization continues to develop. It is known that the audit offices can no longer ignore the fact that digitalization has taken an important role in our society. Previous research shows that the audit industry is one of the many industries that has been affected by digitalization, this because many of the tasks have been replaced by new technology. The purpose of this study has been to investigate how digitalization has affected the audit industry. In this report, a qualitative method has been used where five employees by PwC have been interviewed. The empiricism that was collected during the interviews was analyzed through the use of the theories presented with the aim of answering the study’s two main questions. Subsequently, an analysis of the content was performed where correlations found by the collected empiricism were compared to the theories of the study. The result of the study was that the digitalization has already contributed to changes in the phases of the audit process and the auditor role. Furthermore, the digitalization has resulted in a more efficient way and increased the credibility of the audit. The development of digitalization has been predicted to continue and also affect value creation in the audit industry. The collected theory and empiricism show that the auditors focusing more on creating value for the customers. Finally, digitalization is expected to have an impact on the demand for the audit and its qualities.

The primary goal of this work is to answer this question: if Artificial Intelligences (AI) are proper subjects of moral consideration, then should we develop such AI – that is, AI worthy of moral consideration of its own accord? To answer the above question, it is necessary to provide a systematic overview of whether AI are, or could be, subjects of moral consideration. By combining P. Wang’s definition of AI with AK.M. Andersson’s “The Relevant Similarity Theory”, I aim to identify conditions under which an AI could be demarcated as a proper subject of moral consideration. As a comparison, I also combine Wang’s definition with M.C. Nussbaum’s “Capability Theory”. The proposed theories have two strengths in common – namely that they each are good and contemporary examples of two influential families of views in ethics, and that they, together, represent a fairly wide spectrum of ethical theory. Using the insights gained I first develop an argument showing that beings classifiable as AI under Wang’s definition of intelligence would be correctly demarcated as proper subjects of moral consideration, regardless of preference of the two moral theories. I then develop an argument answering my primary question as such: if AI are proper subjects of moral consideration, then we should not develop AI further. / <p>HT 2021</p>

The development of Artificial Intelligence (AI) is advancing by the day and AI is now a major part of our daily lives. As it evolves, new applications are being introduced and created to make the user's everyday life easier. The aim of our study is to review the potential for generative AI to act as a tool to support co-creation for designers in creative, exploratory processes. The methodology of the study was a qualitative investigation in the form of an experiment and a subsequent interview with five participants, comparing the experience of traditional individual idea generation with idea generation supported by a generative AI. The results show a generally positive attitude towards AI as a co-creation tool, especially for independent idea generation and in freelancing. It was found that users can be reminded of details that are easily overlooked. We also found that inconsistency can be used as a tool,even though it deviates from the general guidelines for AI systems that exist today. / Utvecklingen av Artificiell Intelligens (AI) går framåt för varje dag som går och AI utgör idag en stor del av vår vardag. I takt med utvecklingen introduceras nya användningsområden som skapas för att underlätta användarens vardag. Syftet med vår undersökning är att se över möjligheterna för generativ AI att fungera som ett verktyg för att stödja samskapande för designers i kreativa, explorativa processer. Metoden för studien var en kvalitativ undersökning i form av ett experiment och en efterföljande intervju med fem deltagare, där upplevelsen av traditionell individuell idégnerering jämförs med idégenerering med stöd frånen generativ AI. Resultatet visar en generell, positiv inställning till AI som ett samskapande verktyg för självständig idégenerering. Det framkom bland annat att användare kan bli påminda om detaljer som lätt annars förbises, samt att inkonsekvens kan användas som ett verktyg trots att det frångår de generella riktlinjer för AI-system som finns idag.

För att lösa problemen med långsiktigt digitalt bevarande måste det finnas en samverkan mellan människan, processen och tekniken. Databearbetning är ett viktigt steg att säkra den digitala långtidslagringen av dokument, och att använda samarbetsytor med gemensamma plattformar, för utarbetning mellan arkivinstitutioner. I ett datornätverk som automatiskt ska kunna hitta och kommunicera med annan utrustning i samma nätverk så använder vi dagligen olika system för att öppna våra filer, som i det ursprungliga filformatet har ett "inbyggt" format, som på ett bestämt sätt ordnar data som ska läsas och bearbetas av ett datorprogram. Här krävs att insamlingen av materialet görs korrekt. Behovet av kontaktytor för samarbete är stor och en aktivitet efter lösningar som möjliggör bland annat att uppfylla lagstiftning om bevarande av information pågår. Myndigheter och många företag som ännu inte uppmärksammat problematiken har behovet av lösningar. / To solve the problems of long-term digital preservation, there must be an interaction between man, the process and the technology. Data processing is an important step to secure the digital long-term storage of documents, and to use collaborative surfaces with common platforms, for preparation between archive institutions. In a computer network that should automatically be able to find and communicate with other equipment in the same network, we use different systems daily to open our files, which in the original file format has a "built-in" format, which in a certain way organizes data to be read and processed by a computer program. Here, the collection of the material is required to be done correctly. The need for contact areas for collaboration is great and an activity for solutions that enable, among other things, to comply with legislation on information retention is ongoing. Authorities and many companies that have not yet noticed the problem have the need for solutions.

The purpose of the study was to find out what challenges governments have encountered when implementing Artificial Intelligence.  The method used was qualitative and the interviews were conducted remotely. Four governments were interviewed where respondents were asked questions about what they had experienced as challenges in the implementation of AI. The results were analyzed against previous studies and compiled by picking out themes from the transcribed interviews.  The results of the survey identify a number of challenges linked to three main themes: the lack of knowledge, challenges around data and when challenges arise.

Peer assessment is a process where learners evaluate and provide feedback on one another’s performance, which is critical to the student learning process. Earlier research has shown that it can improve student learning outcomes in various settings, including the setting of engineering education, in which collaborative teaching and learning activities are common. Peer assessment activities in computer-supported collaborative learning (CSCL) settings are becoming more and more common. When using digital technologies for performing these activities, much student data (e.g., peer feedback text entries) is generated automatically. These large data sets can be analyzed (through e.g., computational methods) and further used to improve our understanding of how students regulate their learning in CSCL settings in order to improve their conditions for learning by for example, providing in-time feedback. Yet there is currently a need to automatise the coding process of these large volumes of student text data since it is a very time- and resource consuming task. In this regard, the recent development in machine learning could prove beneficial. To understand how we can harness the affordances of machine learning technologies to classify student text data, this thesis examines the application of five models on a data set containing peer feedback from 231 students in the settings of a large technical university course. The models used to evaluate on the dataset are: the traditional models Multi Layer Perceptron (MLP), Decision Tree and the transformers-based models BERT, RoBERTa and DistilBERT. To evaluate each model’s performance, Cohen’s κ, accuracy, and F1-score were used as metrics. Preprocessing of the data was done by removing stopwords; then it was examined whether removing them improved the performance of the models. The results showed that preprocessing on the dataset only made the Decision Tree increase in performance while it decreased on all other models. RoBERTa was the model with the best performance on the dataset on all metrics used. Explainable artificial intelligence (XAI) was used on RoBERTa as it was the best performing model and it was found that the words considered as stopwords made a difference in the prediction. / Kamratbedömning är en process där eleverna utvärderar och ger feedback på varandras prestationer, vilket är avgörande för elevernas inlärningsprocess. Tidigare forskning har visat att den kan förbättra studenternas inlärningsresultat i olika sammanhang, däribland ingenjörsutbildningen, där samarbete vid undervisning och inlärning är vanligt förekommande. I dag blir det allt vanligare med kamratbedömning inom datorstödd inlärning i samarbete (CSCL). När man använder digital teknik för att utföra dessa aktiviteter skapas många studentdata (t.ex. textinlägg om kamratåterkoppling) automatiskt. Dessa stora datamängder kan analyseras (genom t.ex, beräkningsmetoder) och användas vidare för att förbättra våra kunskaper om hur studenterna reglerar sitt lärande i CSCL-miljöer för att förbättra deras förutsättningar för lärande. Men för närvarande finns det ett stort behov av att automatisera kodningen av dessa stora volymer av textdata från studenter. I detta avseende kan den senaste utvecklingen inom maskininlärning vara till nytta. För att förstå hur vi kan nyttja möjligheterna med maskininlärning teknik för att klassificera textdata från studenter, undersöker vi i denna studie hur vi kan använda fem modeller på en datamängd som innehåller feedback från kamrater till 231 studenter. Modeller som används för att utvärdera datasetet är de traditionella modellerna Multi Layer Perceptron (MLP), Decision Tree och de transformer-baserade modellerna BERT, RoBERTa och DistilBERT. För att utvärdera varje modells effektivitet användes Cohen’s κ, noggrannhet och F1-poäng som mått. Förbehandling av data gjordes genom att ta bort stoppord, därefter undersöktes om borttagandet av dem förbättrade modellernas effektivitet. Resultatet visade att förbehandlingen av datasetet endast fick Decision Tree att öka sin prestanda, medan den minskade för alla andra modeller. RoBERTa var den modell som presterade bäst på datasetet för alla mätvärden som användes. Förklarlig artificiell intelligens (XAI) användes på RoBERTa eftersom det var den modell som presterade bäst, och det visade sig att de ord som ansågs vara stoppord hade betydelse för prediktionen.

Reinforcement learning (RL) has seen a fast expansion in recent years of its successful application to a range of decision-making and complex control tasks. Moreover, deep learning offers RL the opportunity to enlarge its spectrum of complex fields. Social Robotics is a domain that involves challenges like Human-Robot Interaction which bears inspiration for development in deep RL. Autonomous systems demand a fast and efficient environment perception so as to guarantee safety. However, while being attentive to its surrounding, a robot needs to take decisions to navigate optimally and avoid potential obstacles. In this thesis, we investigate a deep RL method for mobile robot end-to-end navigation in a social environment. Using the observation collected in a simulation environment, a convolutional neural network is trained to predict an appropriate set of discrete angular and linear velocities for a robot based on its egocentric local occupancy grid map. We compare a random learning way to a curriculum learning approach to ameliorate speed convergence during training. We divide the main problem by analysing separately end-to-end navigation and obstacle avoidance in static and dynamic environments. For each problem, we propose an adaptation that aims to improve the surrounding awareness of the agent. The qualitative and quantitative evaluations of the investigated approach were performed in simulations. The results show that the end-to-end navigation map-based model is easy to set up and shows similar performance as a Model Predictive Control approach. However, we discern that obstacle avoidance is harder to translate to a deep RL framework. Despite this difficulty, using different RL methods and configurations will definitely help and bring ideas for improvement for future work. / Förstärkande Inlärning (RL) har sett en snabb expansion de senaste åren för sin fruktbara tillämpning på en rad beslutsfattande och komplexa kontrolluppgifter. Dessutom erbjuder djupinlärning RL möjligheten att utöka sitt spektrum till komplexa områden. Social Robotics är en domän som involverar utmaningar som människa-robot interaktion som bär inspiration för utveckling i djup RL. Autonoma system kräver en snabb och effektiv miljöuppfattning för att garantera säkerheten. Men samtidigt som den är uppmärksam på sin omgivning, måste en robot fatta beslut för att navigera optimalt och undvika potentiella hinder. I detta examensarbete undersöker vi en djup RL-metod för mobil robot-end-to-end-navigering i en social miljö. Med hjälp av observationen som samlats in i en simuleringsmiljö tränas ett faltningsneuralt nätverk för att förutsäga en lämplig uppsättning diskreta vinkel- och linjärhastigheter för en robot baserat på dess egocentriska rutnätskarta över lokala beläggningar. Vi jämför ett slumpmässigt inlärningssätt med läroplansinlärningsmetod för att förbättra hastighetskonvergensen. Vi delar upp huvudproblemet genom att separat analysera end-to-end-navigering och undvikande av hinder i statisk och dynamisk miljö. För varje problem föreslår vi en anpassning som syftar till att agenten bättre förstår sin omgivning. De kvalitativa och kvantitativa utvärderingarna av det undersökta tillvägagångssättet utfördes endast i simuleringar. Resultaten visar att den heltäckande navigationskartbaserade modellen är lätt att distribuera och visar liknande prestanda som en modell för prediktiv kontroll. Vi ser dock att undvikande av hinder är svårare att översätta till ett djupt RL-ramverk. Trots denna svårighet kommer användning av olika RL-metoder och konfiguration definitivt att hjälpa och ge idéer om förbättringar för framtida arbete. / L’apprentissage par renforcement (RL) a connu une expansion rapide ces dernières années pour ses applications à une gamme de tâches de prise de décision et de contrôle complexes. Le deep learning offre au RL la possibilité d’élargir son spectre à des domaines complexes. La robotique sociale est un domaine qui implique des défis tels que l’interaction homme-robot, source d’inspiration pour le développement en RL profond. Les systèmes autonomes exigent une perception rapide et efficace de l’environnement afin de garantir la sécurité. Cependant, tout en étant attentif à son environnement, un robot doit prendre des décisions pour naviguer de manière optimale et éviter les obstacles potentiels. Dans cette thèse, nous étudions une méthode de RL profond pour la navigation de bout a bout de robots mobiles dans un environnement social. À l’aide de l’observation recueillie dans un environnement de simulation, un réseau neuronal convolutif prédit un ensemble adapté de vitesses angulaires et linéaires discrètes pour un robot en fonction de sa carte de grille d’occupation locale égocentrique. Nous comparons une méthode d’apprentissage aléatoire à une approche d’apprentissage du curriculum pour accelerer la convergence durant l’entrainement. Nous divisons le problème principal en analysant séparément la navigation de bout a bout et l’évitement d’obstacles dans un environnement statique et dynamique. Pour chaque problème, nous proposons une adaptation visant à ce que l’agent comprenne mieux son environnement. Les évaluations qualitatives et quantitatives de l’approche étudiée ont été effectuées uniquement dans des simulations. Les résultats montrent que le modèle basé sur la carte de navigation de bout en bout est facile à déployer et affiche des performances similaires à celles d’une approche de contrôle prédictif de modèle. Cependant, nous discernons que l’évitement d’obstacles est plus difficile à traduire dans un cadre RL profond. Malgré cette difficulté, l’utilisation de différentes méthodes et configurations RL aidera certainement et apportera une idée d’amélioration pour les travaux futurs.

Through interviews with copywriters, this essay examines how AI technologies may influence the creative process their work. We must also look at whether AI can be creative in order to provide an answer to the study topic. Therefor the paper explores the concept of creativity.The conclusion according to the study, shows that AI can be creative when collaborating with humans. For a copywriter, using AI streamlines and simplifies their process. The study also demonstrates that co-creativity, or human and AI collaboration in the creative process, is advantageous to both copywriters and AI.Furthermore, the study demonstrates that copywriters are not necessarily threatened by AI. Certain simple aspects of the process, such swiftly collecting and compiling data, can be replaced by AI systems. A collaboration primarily shows beneficial consequences for a copywriter. They have more time for creativity in their job process. Although most of the study's interviewees are supportive of a wider use of AI technologies in the media sector, there are concerns regarding AI's limited capacity for critical engagement with its own creations. It is also argued that AI lacks other crucial characteristics like warmth and soul, which are essentials aspects of creativity.