Artificiell intelligens (AI) och Big data är innovativ teknik som har förändrat hur beslutsfattande kan grundas. Användningen av dessa verktyg har ökat och blivit mer populär inom olika branscher, men inom den politiska sektorn i Sverige har det inte använts. En pandemi har pågått under de två senaste åren vilket har medfört stora konsekvenser för samhället. Vilket har ställt krav på att politiker fattar snabba och effektiva beslut för att kunna hantera och bromsa smittspridningen. Syftet med studien var att undersöka och ta reda på ifall AI och Big data kan användas inom den politiska sektorn som beslutsstöd för att fatta snabbare, effektivare och etisk korrekta beslut samt hur politiker kan försäkra att AI och Big data används på ett etiskt sätt. Frågeställningen som har besvarats är: Hur kan Big data och AI effektivisera politikers beslutsfattande och samtidigt upprätthålla ett etiskt förhållningssätt?  Studien har tillämpat en kvalitativ ansats och med hjälp av relevant litteratur har olika användningsområden, problem, etiska utmaningar och risker identifierats. Semistrukturerade intervjuer har även genomförts med politiker och AI-specialister i syfte att ta reda på om det finns möjlighet att använda och implementera verktygen i den politiska sektorn. Efter att ha analyserat empiri och litteratur framkom det att AI kräver stora mängder data i realtid för att kunna vara ett verktyg för beslutsfattande. Mycket av den data som den politiska sektorn besitter har ännu inte digitaliserats vilket den måste göras innan AI kan användas som beslutsstöd. Som slutsats går det att använda AI och Big data för att effektivisera beslutsfattande i Sverige genom dokumentavläsning och analysering av handlingar. Problemet idag är att det inte går att säkerställa att beslut upprätthåller ett etiskt förhållningssätt, eftersom det inte finns något etiskt ramverk för hur AI och Big data ska användas. / Artificial intelligence (AI) and Big data are innovative technologies that have changed the ways of decision-making. The use of these tools has increased and become more popular in various industries, but not in the political sector of Sweden. The tools have hardly been put in any use. A pandemic has taken place in the last two years, which has had major consequences for society. It has led politicians to make quick and effective decisions to manage and slow down the spread of infection. The purpose of this study was to investigate and discover if AI and Big data can be used in the political sector as decision support to make faster and more effective decisions. The research question that has been answered is: How can Big data and AI streamline politicians decision-making and at the same time maintain an ethical approach?  The study has applied a qualitative approach, with the help of relevant literature various areas of use, problems, ethical challenges, and risks have been identified. Semi-structured interviews have also been conducted with politicians and AI specialists to see if it is possible to use and implement these tools in this field. After analysing empirical data and literature, it became clear that AI requires large amounts of data in real time to be able to contribute favourably. Much of the data that the political sector possesses has not yet been digitised, which is mandatory so that AI can be used as decision support. In conclusion, it is possible to use AI and Big data to streamline decision making in Sweden through document reading and analysis of documents. The problem is that it is not possible to ensure an ethical approach, as there is no ethical framework for the use of AI and Big data.

Serverless edge computing is a distributed network and computing system in which the data is processed at the edge of the network based on serverless architecture. It can provide large-scale computing and storage resources with low latency, which are very useful in AI applications such as object detection. However, when analyzing serverless computing architectures, we model them using simple models, such as single server or multi-server queues, and it is important to make sure these models can explain the behaviors of real systems. Therefore, we focus on the performance evaluation of serverless edge computing for AI applications in this project. With that, we aim at proposing more realistic and accurate models for real serverless architectures. In this project, our objective is to evaluate the performance and model mathematically an object-detection application running on a serverless architecture implemented with Kubernetes. This project provides a detailed description of the implementation of the serverless platform and YOLOv5-based object detection application. After implementation, we design experiments and make performance evaluations of the time of object detection results and quality of object detection results. Finally, we conclude that the number of users in the system significantly affects the service time. We observe that there is no queue in the system, so we cannot just use mathematical models with a queue to model the system. Therefore, we consider that the processor sharing model is more appropriate for modeling this serverless architecture. This is very helpful for giving insights on how to make more realistic and accurate mathematical queueing models for serverless architectures. For future work, other researchers can also implement our serverless platform and do further development, such as deploying other serverless applications on it and making performance evaluations. They can also design other use-cases for the experiments and make further analyses on queue modeling of serverless architecture based on this project. / Serverless edge computing är ett distribuerat nätverk och datorsystem där data bearbetas i kanten av nätverket baserat på serverlös arkitektur. Det kan tillhandahålla storskaliga dator- och lagringsresurser med låg latens, vilket är mycket användbart i AI-applikationer som objektdetektering. Men när vi analyserar serverlösa datorarkitekturer modellerar vi dem med hjälp av enkla modeller, till exempel enstaka servrar eller köer med flera servrar, och det är viktigt att se till att dessa modeller kan förklara beteendet hos verkliga system. Därför fokuserar vi på prestandautvärdering av serverlös edge computing för AI-applikationer i detta projekt. Med det siktar vi på att föreslå mer realistiska och exakta modeller för riktiga serverlösa arkitekturer. I detta projekt är vårt mål att utvärdera prestandan och matematiskt modellera en objektdetekteringsapplikation som körs på en serverlös arkitektur implementerad med Kubernetes. Detta projekt ger en detaljerad beskrivning av implementeringen av den serverlösa plattformen och den YOLOv5-baserade objektdetekteringsapplikationen. Efter implementering designar vi experiment och gör prestandautvärderingar av tidpunkten för objektdetekteringsresultat och kvaliteten på objektdetekteringsresultaten. Slutligen drar vi slutsatsen att antalet användare i systemet avsevärt påverkar servicetiden. Vi observerar att det inte finns någon kö i systemet, så vi kan inte bara använda matematiska modeller med en kö för att modellera systemet. Därför anser vi att processordelningsmodellen är mer lämplig för att modellera denna serverlösa arkitektur. Detta är mycket användbart för att ge insikter om hur man gör mer realistiska och exakta matematiska kömodeller för serverlösa arkitekturer. För framtida arbete kan andra forskare också implementera vår serverlösa plattform och göra vidareutveckling, såsom att distribuera andra serverlösa applikationer på den och göra prestandautvärderingar. De kan även designa andra användningsfall för experimenten och göra ytterligare analyser av kömodellering av serverlös arkitektur utifrån detta projekt.

Value has received an increasing focus in business, meanwhile, under the background of industry 4.0, where the intelligent technologies are significantly reshaping the development of business model and accelerating the innovation. Understanding the correlations between value, business model, and intelligent technology can guide practitioners to create new competitiveness. There’re numerous articles concerning business and technology in recent years. However, few studies touch upon the value’s utilization and impact. The primary purpose of this paper is to explore the value concept adoption in business model under the effect of intelligent technology. A systematic literature study is developed in five steps: 1) reviewed abstracts of 392 publications; 2) extracted keywords and mapped terms; 3) analyzed mapping clusters in twofold groups: business and technology; 4) recorded major theories of each paper, analyzed in the corresponding category; 5) corpus analysis in value aspect for a deeper gap study. Furthermore, to illustrate the benefits of the findings, the urban green field is selected for the theoretical application. Urban green is studied by a similar literature study process to prepare for the application. The chosen urban green service - HUGSI is comprehensively analyzed. The primary result demonstrates the gap in value compared to business and technology, the barrier of systematically and equally handling value. The paper explores the status of existing studies related to the three areas, maps the inner correlations and points out the lack of focus on value. The result serves as a base for further literature study, contributing to a shift from business or technology-focused to value-focused in both theory and practice. / Värde har fått ett ökat fokus inom business, medan under bakgrunden av industry 4.0, där intelligent teknologi tydligt omskapar utvecklandet av affärsmodellen och påskyndar innovation. Att förstå sambanden mellan värde, affärsmodellen och intelligent teknologi kan vägleda verksamma att skapa nya konkurrensfördelar. Flera artiklar gällande business och intelligent teknologi har uppkommit på senare år. Dock, har endast ett fåtal studier diskuterat värdets användning och påverkan. Det huvudsakliga målet med denna uppsats är att utforska värdekonceptsadapteringen i affärsmodellen under effekten av intelligent teknologi. En systematisk litteraturstudie är utvecklad i fem steg: 1) recenserade abstrakt av 392 publikationer 2) extraherade nyckelord och ”mapped” terminologi 3) Analyserade mapping kluster i tvådelade grupper: business och teknologi 4) noterade stora teorier för varje papper, analyserade i korresponderande kategori 5) ’corpus analysis’ i värdeaspekten för en djupare förståelse. Ytterligare, för att illustrera fördelarna med resultatet, är ’Urban green field’ valt för den teoretiska appliceringen. Urban green är studerat av en liknande litterär studieprocess för att förbereda för appliceringen. Den valda Urban green service - HUGSI är övergripande analyserad. Dess primära resultat demonstrerar glappet i värde jämfört med business och teknologi, barriären av att systematiskt och likvärdigt hantera värde. Uppsatsen utforskar statusen av existerande studier relaterade till dem tre områdena, kartlägger de inre sambanden och utpekar bristen av fokus på värde. Resultatet representerar en bas för framtida litterära studier, bidragande till ett skift från business eller teknologi-fokuserat till värdefokuserat i både teori och praktik.

Artificial Intelligence och robotar tar en allt större plats i samhället och viktiga arbeten automatiseras för att effektivisera processer. Digitala assistenter som är en AI-teknik tillämpas inom många verksamheter och underlättar många uppgifter. Digitala assistenter har en positiv påverkan på företag då en verksamhet kan få högre kundnöjdhet eftersom att digitala assistenter är tillgängligt jämt och på så sätt får kunden hjälp snabbt och smidigt. Det sänker även kostnaderna i ett företag. Detta minskar ärenden till kundservice och själva bemanningen kan optimeras hos kundservice. Digitala assistenter har en stor påverkan på samhället eftersom det är en av vår tids teknologier. I nuläget anser man att digitala assistenter agerar som stöd och förstärker människan inom dess roller genom att hjälpa till med enklare uppgifter som t.ex. mottagning av personuppgifter innan vidarekoppling för telefonsamtal med en människa. Syftet med denna studie är att analysera fördelarna och nackdelarna med användandet av digitala assistenter. Det genomfördes en kvalitativ studie med djupgående intervjuer men även en litteraturstudie av forskningsartiklar. De gjordes fyra intervjuer med verksamheten, Talking to me, och en intervju med deras kund, Telia ACE. Det genomfördes sedan en jämförelse mellan praktiken och litteraturen för att se ifall det fanns några samband mellan dem samt för att kunna dra en slutsats kring hur det ligger till. Studien resulterade i att man fann fler fördelar än nackdelar med användningen av digitala assistenter inom t.ex. verksamheter. Bland annat såg man att arbetsbelastningen minskade samt att en effektivare resursfördelning ägde rum. De inom verksamheten och även deras kunder såg digitala assistenter som en positiv teknik som underlättar många processer. De var måna om att det fanns brister med digitala assistenter också men det var inte något som påverkade dem negativt, utan det kunde skapa bland annat irritation. Men trots detta blev kunderna nöjda och återkom för fler projekt. / Artificial Intelligence and robots are taking an increasing place in society and important jobs are being automated to make processes more efficient. Digital assistants, an AI technology, is applied in many businesses and facilitates many tasks. Digital assistants have a positive impact on businesses and can help increase customer satisfaction due to many reasons. It also minimizes costs in a company as it reduces customer service calls and the staffing itself can be optimized in customer service. Digital assistants have a great impact on society as it is one of the technologies of our time. At present, digital assistants are considered to act as support and reinforce humans within their roles by helping with simple tasks such as receiving personal data before forwarding for phone calls with a human. The purpose of this study is to analyze the advantages and disadvantages of using digital assistants. A qualitative study was carried out with in-depth interviews but also a literature study of research articles. They were given four interviews with the business, Talking to me, and one interview with their customer, Telia ACE. A comparison was then carried out between the practice and the literature to see if there were any connections between them and to be able to draw a conclusion about how it is. The study resulted in finding more advantages than disadvantages with the use of digital assistants in e.g. companies. Among other things, it was seen that the workload was reduced and that a more efficient distribution of resources took place. Those within the business and also their customers saw digital assistants as a positive technology that facilitates many processes. They were concerned that there were shortcomings with digital assistants as well, but it was not something that affected them negatively, but it could create, among other things, irritation. But despite this, the customers were satisfied and returned for more projects.

Den föreliggande studiens syfte är att undersöka hur kommunikatörer som skriver på svenska uppfattar att generativa AI-tjänster som Chat GPT påverkar skrivprocessen. Dessutom syftar studien till att undersöka vilka eventuella språkliga följder som AI-skrivande för med sig. Materialet bygger på semistrukturerade intervjuer med fem yrkesverksamma kommunikatörer som har testat att använda Chat GPT professionellt. Den insamlade empirin har kodats och analyserats med hjälp av metoden reflexiv tematisk analys. Resultatet visar att kommunikatörer upplever AI-faciliterat skrivande som en linjär process, där chatboten bland annat hjälper till att generera nya utkast och disponera skrivuppgifter. Resultatet visar även att det finns en möjlighet till AI-baserad responsgivning som skulle kunna utveckla kommunikatörers språkliga förmåga. Slutsatsen är att den kognitiva avlastning som AI-faciliterat skrivande innebär både kan leda till språkliga kvalitetsvinster och förbistringar, samtidigt som det finns uppenbara risker med att ”koppla bort” människan från delar av skrivprocessen. Detta måste kommunikationsbranschen vara fortsatt vaksam på.

Background: Capabilities of Artificial Intelligence (AI) are rapidly advancing, as are its potential applications. Examples of the adoption of AI in social work already exist, but an overview of its manifold uses is lacking. This review aimed to systematically assess the existing research focused on the uses of AI applications in social work practice and to spotlight use-cases yet to be explored. Methods: A scoping review was conducted guided by Arksey and O'Malley's framework and adhering to the Preferred Reporting Items for Systematic Reviews and Meta-Analysis, extension for Scoping Review (PRISMA-ScR). A systematic search was performed using the Scopus database. Eligibility criteria included pre-prints and published articles from January 2000 to April 2023 that emphasized AI implementations in social work practice. No limitations were placed on study design. Data extracted included: article details; country of study; the AI use-case and task; and the specific AI technology employed. Extracted data from all eligible studies were collated using tables and accompanied by narrative descriptive summaries. The review employed CAIMeR (a theory explaining the results of social work interventions) to  pinpoint gaps and highlight novel unexplored applications of AI in social work.  Results: Of the 159 identified articles, 28 satisfied the inclusion criteria. On average, three relevant publications surfaced annually, with approximately 60% hailing from the US. Notably, the absolute majority of the applications of AI were concentrated on predicting or elucidating individual’s health or social condition. Conclusion: Although AI possesses substantial potential, current research into its applications in social work remains surprisingly sparse and averaging a mere three studies annually. The prevailing emphasis of this research is on discerning individual health or social conditions. Given AI's multifaceted capabilities, there exists a substantial opportunity to broaden research into other applications. Informed by the CAIMeR theory, this review identifies several unexplored applications of AI paving the way for future research. / Bakgrund: Utvecklingen inom Artificiell Intelligens (AI) medför betydande potentiella fördelar och utmaningar, vilket understryker behovet för det socialt arbetets praktik att anpassa och ta till sig dess användning. Denna studie undersöker användningen av AI inom socialt arbete genom att kartlägga inom vilka domäner av socialt arbete AI har använts och för vilket syfte. Därtill identifieras forskningsluckor och nya användningsområden för AI med hjälp av CAIMeR teorin. Metod: Genom att använda en scoping review metodik vägledd av Arksey och O'Malleys ramverk och PRISMA-ScR:s riktlinjer, utfördes en systematisk sökning i Scopus fram till april 2023 med fokus på artiklar som diskuterar AI:s implementering i socialt arbete. Resultat: Av 159 artiklar som hittades uppfyllde 28 inkluderingskriterierna. AI har använts flitigt inom socialt arbete, främst för att förutsäga eller diagnostisera individers tillstånd. Forskningsvolymen är begränsad, med ungefär tre studier som genomförts årligen. Slutsats: Trots AI:s potential att förbättra socialt arbete visar nuvarande litteratur en begränsad forskningsvolym om ämnet och ett begränsat användningssätt för AI. Nästan uteslutande koncentrerar sig studierna på användningen av AI för att förutsäga sociala problem eller hälsotillstånd. Studien identifierar ett behov av att utforska AI inom flera användningsområden inom socialt arbete. Med hjälp av CAIMeR-teorin presenterar denna studie flera sådana potentiella användningsområden av AI.

Every year, 250,000 people worldwide suffer a spinal cord injury (SCI) that leaves them with chronic paraplegia - permanent loss of ability to move their legs. SCI interrupts axons passing along the spinal cord, thereby isolating motor neurons from brain inputs. To date, there are no effective treatments that can reconnect these interrupted axons. In a recent breakthrough, .NeuroRestore developed the STIMO neuroprosthesis that can restore walking after paralyzing SCI using Epidural Electrical Stimulation (EES) of the lumbar spinal cord. Yet, the calibration of EES requires highly trained personnel and a vast amount of time, and the mechanism by which EES restores movement is not fully understood. In this master thesis, we propose to address this issue using modeling combined with Artificial Neural Networks (ANNs). To do so, we introduce the CyberSpine model to predict EES-induced motor response. The implementation of the model relies on the construction of a multipolar basis of solution of the Poisson equation which is then coupled to an ANN trained against actual data of an implanted STIMO user. Furthermore, we show that our CyberSpine model is particularly well adapted to extract biologically relevant information regarding the efficient connectivity of the patient’s spine. Finally, a user-friendly interactive visualization software is built. / Varje år drabbas 250 000 människor i hela världen av en ryggmärgsskada som ger dem kronisk paraplegi - permanent förlust av förmågan att röra benen. Vid en ryggmärgsskada bryts axonerna som passerar längs ryggmärgen, vilket isolerar de motoriska neuronpoolerna från hjärnans ingångar. Hittills finns det inga effektiva behandlingar som kan återansluta dessa avbrutna axoner. NeuroRestore utvecklade nyligen neuroprotesen STIMO som kan återställa gångförmågan efter förlamande ryggmärgsskada med hjälp av epidural elektrisk stimulering (EES) av ländryggmärgen. Kalibreringen av EES-stimuleringar kräver dock högutbildad personal och mycket tid, och den mekanism genom vilken EES återställer rörelse är inte helt klarlagd. I denna masteruppsats föreslår vi att vi tar itu med denna fråga med hjälp av modellering i kombination med artificiell intelligens. För att göra detta introducerar vi CyberSpine-modellen, en modell som kan förutsäga EES-inducerad motorisk respons. Implementeringen av modellen bygger på konstruktionen av en multipolär bas för lösning av Poisson-ekvationen som sedan kopplas till ett artificiellt neuralt nätverk som tränas mot faktiska data från en implanterad STIMO-deltagare. Dessutom visar vi att vår CyberSpine-modell är särskilt väl anpassad för att extrahera biologiskt relevant information om den effektiva anslutningen av patientens ryggrad. Slutligen bygger vi en användarvänlig interaktiv visualiseringsprogramvara.

Brain tumor is a disease characterized by uncontrolled growth of abnormal cells in the brain. The brain is responsible for regulating the functions of all other organs, hence, any atypical growth of cells in the brain can have severe implications for its functions. The number of global mortality in 2020 led by cancerous brains was estimated at 251,329. However, early detection of brain cancer is critical for prompt treatment and improving patient’s quality of life as well as survival rates. Manual medical image classification in diagnosing diseases has been shown to be extremely time-consuming and labor-intensive. Convolutional Neural Networks (CNNs) has proven to be a leading algorithm in image classification outperforming humans. This paper compares five CNN architectures namely: VGG-16, VGG-19, AlexNet, EffecientNetB7, and ResNet-50 in terms of performance and accuracy using transfer learning. In addition, the authors discussed in this paper the economic impact of CNN, as an AI approach, on the healthcare sector. The models’ performance is demonstrated using functions for loss and accuracy rates as well as using the confusion matrix. The conducted experiment resulted in VGG-19 achieving best performance with 97% accuracy, while EffecientNetB7 achieved worst performance with 93% accuracy. / Hjärntumör är en sjukdom som kännetecknas av okontrollerad tillväxt av onormala celler i hjärnan. Hjärnan är ansvarig för att styra funktionerna hos alla andra organ, därför kan all onormala tillväxt av celler i hjärnan ha allvarliga konsekvenser för dess funktioner. Antalet globala dödligheten ledda av hjärncancer har uppskattats till 251329 under 2020. Tidig upptäckt av hjärncancer är dock avgörande för snabb behandling och för att förbättra patienternas livskvalitet och överlevnadssannolikhet. Manuell medicinsk bildklassificering vid diagnostisering av sjukdomar har visat sig vara extremt tidskrävande och arbetskrävande. Convolutional Neural Network (CNN) är en ledande algoritm för bildklassificering som har överträffat människor. Denna studie jämför fem CNN-arkitekturer, nämligen VGG-16, VGG-19, AlexNet, EffecientNetB7, och ResNet-50 i form av prestanda och noggrannhet. Dessutom diskuterar författarna i studien CNN:s ekonomiska inverkan på sjukvårdssektorn. Modellens prestanda demonstrerades med hjälp av funktioner om förlust och noggrannhets värden samt med hjälp av en Confusion matris. Resultatet av det utförda experimentet har visat att VGG-19 har uppnått bästa prestanda med 97% noggrannhet, medan EffecientNetB7 har uppnått värsta prestanda med 93% noggrannhet.

This study aimed to investigate how Machine Learning (ML) algorithms can be used to predict the cost account code to be used when handling invoices in an Enterprise Resource Planning (ERP) system commonly found in the Swedish public sector. This implied testing which one of the tested algorithms that performs the best and what criteria that need to be met in order to perform the best. Previous studies on ML and its use in invoice classification have focused on either the accounts payable side or the accounts receivable side of the balance sheet. The studies have used a variety of methods, some not only involving common ML algorithms such as Random forest, Naïve Bayes, Decision tree, Support Vector Machine, Logistic regression, Neural network or k-nearest Neighbor but also other classifiers such as rule classifiers and naïve classifiers. The general conclusion from previous studies is that several algorithms can classify invoices with a satisfactory accuracy score and that Random forest, Naïve Bayes and Neural network have shown the most promising results. The study was performed as an exploratory case study. The case company was a small municipal community where the finance clerks handles received invoices through an ERP system. The accounting step of invoice handling involves selecting the proper cost account code before submitting the invoice for review and approval. The data used was invoice summaries holding the organization number, bankgiro, postgiro and account code used. The algorithms selected for the task were the supervised learning algorithms Random forest and Naïve Bayes and the instance-based algorithm k-Nearest Neighbor (k-NN). The findings indicated that ML could be used to predict which cost account code to be used by providing a pre-filled suggestion when the clerk opens the invoice. Among the algorithms tested, Random forest performed the best with 78% accuracy (Naïve Bayes and k-NN performed at 69% and 70% accuracy, respectively). One reason for this is Random forest’s ability to handle several input variables, generate an unbiased estimate of the generalization error, and its ability to give information about the relationship between the variables and classification. However, a high level of support is needed in order to get the algorithm to perform at its best, where 335 occurrences is a guiding number in this case. / Syftet med denna studie var att undersöka hur Machine Learning (ML) algoritmer kan användas för att förutsäga vilken kontokod som ska användas vid hantering av fakturor i ett affärssystem som är vanligt förekommande i svensk offentlig sektor. Detta innebar att undersöka vilken av de testade algoritmerna som presterar bäst och vilka kriterier som måste uppfyllas för att prestera bäst. Tidigare studier om ML och dess användning vid fakturaklassificering har fokuserat på antingen balansräkningens leverantörsreskontra (leverantörsskulder) eller kundreskontrasidan (kundfordringar) i balansräkningen. Studierna har använt olika metoder, några involverar inte bara vanliga ML-algoritmer som Random forest, Naive Bayes, beslutsträd, Support Vector Machine, Logistisk regression, Neuralt nätverk eller k-nearest Neighbour, utan även andra klassificerare som regelklassificerare och naiva klassificerare. Den generella slutsatsen från tidigare studier är att det finns flera algoritmer som kan klassificera fakturor med en tillfredsställande noggrannhet, och att Random forest, Naive Bayes och neurala nätverk har visat de mest lovande resultaten. Studien utfördes som en explorativ fallstudie. Fallföretaget var en mindre kommun där ekonomiassistenter hanterar inkommande fakturor genom ett affärssystem. Bokföringssteget för fakturahantering innebär att användaren väljer rätt kostnadskontokod innan fakturan skickas för granskning och godkännande. Uppgifterna som användes var fakturasammandrag med organisationsnummer, bankgiro, postgiro och kontokod. Algoritmerna som valdes för uppgiften var de övervakade inlärningsalgoritmerna Random forest och Naive Bayes och den instansbaserade algoritmen k-Nearest Neighbour. Resultaten tyder på att ML skulle kunna användas för att förutsäga vilken kostnadskod som ska användas genom att ge ett förifyllt förslag när expediten öppnar fakturan. Bland de testade algoritmerna presterade Random forest bäst med 78 % noggrannhet (Naïve Bayes och k-Nearest Neighbour presterade med 69 % respektive 70 % noggrannhet). En förklaring till detta är Random forests förmåga att hantera flera indatavariabler, generera en opartisk skattning av generaliseringsfelet och dess förmåga att ge information om sambandet mellan variablerna och klassificeringen. Det krävs dock en högt antal dataobservationer för att få algoritmen att prestera som bäst, där 335 förekomster är ett minimum i detta fall.

Recent years have seen an unprecedented uptake in electric vehicles, driven by the global push to reduce carbon emissions. At the same time, intermittent renewables are being deployed increasingly. These developments are putting flexibility measures such as dynamic load management in the spotlight of the energy transition. Flexibility measures must consider EV charging, as it has the ability to introduce grid constraints: In Germany, the cumulative power of all EV onboard chargers amounts to ca. 120 GW, while the German peak load only amounts to 80 GW. Commercial operations have strong incentives to optimize charging and flatten peak loads in real-time, given that the highest quarter-hour can determine the power-related energy bill, and that a blown fuse due to overloading can halt operations. Increasing research efforts have therefore gone into real-time-capable optimization methods. Reinforcement Learning (RL) has particularly gained attention due to its versatility, performance and realtime capabilities. This thesis implements such an approach and introduces FleetRL as a realistic RL environment for EV charging, with a focus on commercial vehicle fleets. Through its implementation, it was found that RL saved up to 83% compared to static benchmarks, and that grid overloading was entirely avoided in some scenariosby sacrificing small portions of SOC, or by delaying the charging process. Linear optimization with one year of perfect knowledge outperformed RL, but reached its practical limits in one use-case, where a feasible solution could not be found by thesolver. Overall, this thesis makes a strong case for RL-based EV charging. It further provides a foundation which can be built upon: a modular, open-source software framework that integrates an MDP model, schedule generation, and non-linear battery degradation. / Elektrifieringen av transportsektorn är en nödvändig men utmanande uppgift. I kombination med ökande solcellsproduktion och förnybara energikällor skapar det ett dilemma för elnätet som kräver omfattande flexibilitetsåtgärder. Dessa åtgärder måste inkludera laddning av elbilar, ett fenomen som har lett till aldrig tidigare skådade belastningstoppar. Ur ett kommersiellt perspektiv är incitamentet att optimera laddningsprocessen och säkerställa drifttid. Forskningen har fokuserat på realtidsoptimeringsmetoder som Deep Reinforcement Learning (DRL). Denna avhandling introducerar FleetRL som en ny RL-miljö för EV-laddning av kommersiella flottor. Genom att tillämpa ramverket visade det sig att RL sparade upp till 83% jämfört med statiska riktmärken, och att överbelastning av nätet helt kunde undvikas i de flesta scenarier. Linjär optimering överträffade RL men nådde sina gränser i snävt begränsade användningsfall. Efter att ha funnit ett positivt business case förvarje kommersiellt användningsområde, ger denna avhandling ett starkt argument för RL-baserad laddning och en grund för framtida arbete via praktiska insikter och ett modulärt mjukvaruramverk med öppen källkod.