As the emergence of new technologies are continuously disrupting the way in which organizations function and develop, the majority of initiatives within Learning and Development (L&D) are far from fully effective. The purpose of this study was to conduct an exploratory case study to investigate how automation and AI technologies could improve corporate learning within financial services companies. The study was delimited to study three case companies, all primarily operating in the Nordic financial services industry. The exploratory research was carried out through a literature review, several indepth interviews as well as a survey for a selected number of research participants. The research revealed that the current state of training within financial services is characterized by a significant amount of manual and administrative work, lack of intelligence within decision-making as well as a non-existing consideration of employee knowledge. Moreover, the empirical evidence similarly reveled a wide array of opportunities for adopting automation and AI technologies into the respective learning workflows of the L&D organization within the case companies. / I takt med att företag kontinuerligt anammar nya teknologier för att förbättra sin verksamhet, befinner sig utbildningsorganisationer i ett märkbart ineffektivt stadie. Syftet med denna studie var att genomföra en explorativ fallstudie gällande hur finansbolag skulle kunna införa AI samt automatisering för att förbättra sin utbildningsorganisation. Studien var begränsat till att undersöka tre företag, alla med verksamhet i den nordiska finansbranschen. Den explorativa delen av studien genomfördes med hjälp av en litteraturstudie, flertal djupgående intervjuer samt en enkät för ett begränsat antal deltagare i forskningsprocessen. Forskning påvisade att den existerade utbildningsorganisationen inom finansbolag är starkt präglat av ett överflöd av manuellt och administrativt arbete, bristande intelligens inom beslutsprocesser samt en bristande hänsyn för existerande kunskapsnivåer bland anställda. Studien påvisade därtill en mängd möjligheter att införa automatisering samt AI för att förbättra utbildningsflödena inom samtliga deltagande bolag i fallstudien.

Artificiell intelligens är ett fenomen som bara blir större och större i världen och i Sverige. Teknologin börjar bli allt vanligare för att bilar ska kunna köra sig själva, med andra ord självkörande bilar. I dagsläget har Sverige ingen lagstiftning för helt självkörande bilar i Sverige. Genom en kvantitativ undersökning har allmänhetens inställning och godkännande av fenomenet i Sverige undersökts. Vidare har studien undersökt vem den svenska befolkningen anser borde stå till svars i bilolyckor med självkörande bilar. Författarna kunde konstatera att lagstiftningen ligger efter tekniken och för att de helt självstyrande bilarna ska kunna implementeras i Sverige borde det ske en förändring i lagstiftningen för att bemöta den allmänna uppfattningen kring självkörande bilar i Sverige. Studiens resultat kom fram till att en ändring av den gällande lagstiftningen borde bli aktuell där lagen gynnar människor samt företagen bakom tekniken, inte bara som det är nu att lagen enbart gynnar biltillverkarna då de inte har något ansvar vid bilolyckor med halvt självkörande bilar. För att människor ska känna tillit till tekniken behövs det en större kunskap kring fenomenet. Detta skulle biltillverkarna kunna fixa genom att låta användaren av bilen ha en större vetskap över till exempel den data som företagen samlar in samt vad den används till. / Artificial intelligence is a phenomenon that is only getting bigger and bigger in the world and in Sweden. The technology is becoming increasingly common for cars to be able to drive themselves, in other words self-driving cars. Sweden currently has no legislation for fully self-driving cars in Sweden. Through a quantitative survey, the public's attitude and acceptance of the phenomenon in Sweden has been examined. Furthermore, the study investigated who the Swedish population believes should be held accountable in car accidents with self-driving cars. The authors were able to state that the legislation lags behind the technology and in order for fully self-driving cars to be implemented in Sweden, there should be a change in the legislation to meet the general perception of self-driving cars in Sweden. The results of the study came to the conclusion that a change in the current legislation should be relevant where the law benefits people as well as the companies behind the technology, not just as it is now that the law only benefits the car manufacturers as they have no responsibility in car accidents with semi-autonomous cars. In order for people to trust the technology, a greater knowledge of the phenomenon is needed. The car manufacturers could fix this by letting the user of the car have greater knowledge of, for example, the data that the companies collect and what it is used for.

ChatGPT är inte en vanlig AI-chatbot; det är ett kraftfullt verktyg som har tränats för att skapa naturligt språk och kan tillämpas inom högre utbildning. Genom sin förmåga att kunna generera text och svara på frågor kan det vara en ovärderlig tillgång för lärare. Att artificiell intelligens påverkar den högre utbildning kan innebära problematik, eftersom det kräver anpassning av lärares användning av teknik i sitt arbete. AI-chatbots som ChatGPT har potentialen att förbättra undervisningen genom att stödja lärare. Trots fördelar medför ChatGPT även utmaningar, inklusive möjligheten till felaktiga svar, vilket kräver en kontroll av kvalitet. Problematiken med fördomar i AI-verktyg kan resultera i orättvisa bedömningar av studenter. För att hålla jämna steg med den teknologiska utvecklingen måste lärare utveckla nya kompetenser. Syftet med den kvalitativa studien är att djupgående undersöka vilka möjligheter och utmaningar som uppstår när lärare inom högre utbildning använder ChatGPT i undervisningsarbetet. Upptäckterna från studien visar att användningen av ChatGPT inom högre utbildning öppnar upp både möjligheter och utmaningar för lärare. När det kommer till möjligheterna är det ett verktyg som är tids- och energisparande främst inom användningsområdena, planering och förberedelse av undervisningen. Dessutom främjas analys, jämförelse och kritiska tänkande hos studenter samt möjliggör det för skapandet av unika uppgifter och automatiserad bedömning inom examination och bedömning. Trots dessa fördelar framkom det också utmaningar som är kopplade till användningen av ChatGPT inom högre utbildning. Lärare står inför juridiska och etiska dilemman när det gäller verktygets användning inom examination och bedömning. Det finns också en risk för att generera inkorrekt information och bristande kompetens. För att hantera dessa utmaningar är det avgörande att lärare behåller sin expertis och prioriterar mänsklig interaktion för att skapa en engagerande och meningsfull lärandemiljö. Genom att hitta en balans mellan teknik och pedagogik kan lärare säkerställa att ChatGPT blir ett kraftfullt hjälpmedel i deras undervisningsstrategier. / ChatGPT is not just an ordinary AI chatbot; it is a powerful tool that has been trained to generate natural language and can be used in higher education. By being able to generate text and provide answers to questions, it can be an invaluable asset for teachers. The impact of artificial intelligence on higher education can pose challenges, as it requires adaptation of how instructors use technology in their work. AI chatbots like ChatGPT have the potential to enhance education by supporting teachers. Despite advantages, ChatGPT also presents challenges, including the possibility of inaccurate responses, necessitating quality control. The issue of biases in AI tools can result in unfair student evaluations. To keep pace with technological advancements, teachers must develop new competencies. The purpose of the qualitative study is to deeply investigate the opportunities and challenges that arise when educators in higher education use ChatGPT in their teaching practices. The purpose of this qualitative study is to thoroughly examine the use of ChatGPT as a tool for teachers in higher education to facilitate their teaching work. The findings from the study reveal that the use of ChatGPT in higher education presents both opportunities and challenges for teachers. In terms of opportunities, it is a time- and energy- saving tool, particularly in the areas of lesson planning and preparation. Additionally, it promotes analysis, comparison, and critical thinking among students, and enables the creation of unique assignments and automated assessment in examination and evaluation. Despite these advantages, there are also challenges associated with the use of ChatGPT in higher education. Teachers face legal and ethical dilemmas when it comes to utilizing the tool in examination and assessment. There is also a risk of generating inaccurate information and lacking expertise. To address these challenges, it is crucial for teachers to maintain their expertise and prioritize human interaction to create an engaging and meaningful learning environment. By finding a balance between technology and pedagogy, teachers can ensure that ChatGPT becomes a powerful tool in their teaching strategies. This study is written in the Swedish language

Påskyndat av teknik går utvecklingen snabbare än någonsin. Generativ AI har blivit tillgänglig för allmänheten. Det ger möjligheter för verksamheter att nyttja AI-teknik utan större insatser och kunskap. Detta skiftar förutsättningarna inom digital innovation. Denna nya aktör skapar gap i litteraturen, där tidigare forskning behöver omvärderas. Ett viktigt forskningsområde är hur användningen av generativ AI påverkar digital innovation. En annan aspekt är hur innovatörer kan nyttja, och förhålla sig till generativ AI inom innovationsprocessen. För att undersöka detta har en kvalitativ studie genomförts, där empiri har samlats in genom åtta intervjuer. Studien har resulterat i en tematisk modell med följande teman: Generativ AI som en kollega; Generativ AI som resurs för digital innovation; Generativ AI ökar tillgängligheten till AI-teknik; Känslor gällande generativ AI; Problematik gällande generativ AI; Spridd och differentierad syn på digital innovation. Studien visar att generativ AI kan påverka digital innovation genom de resulterande temana. Vidare relateras dessa teman till innovationsprocessen, där en modifierad processmodell för innovation har tagits fram. Då användningen av generativ AI är ett relativt nytt fenomen är det sannolikt att innovatörer framöver kommer att öka sin användning av verktyget, vilket medför att fynden från denna studie riskerar att snabbt bli utdaterade. Vidare forskning bör därför utföra liknande studier med jämna mellanrum, för att fånga upp nya erfarenheter som uppstår av den ökade användningen. / Accelerated by technology, development is progressing faster than ever. Generative AI has become accessible to the general public. It provides opportunities for businesses to leverage AI technology without significant efforts and expertise. This shifts the conditions within digital innovation. This new actor creates gaps in the literature, where previous research needs to be reevaluated. An important research area is how the use of generative AI affects digital innovation. Another aspect is how innovators can utilize and engage with generative AI in the innovation process. To investigate this, a qualitative study has been conducted, where empirical data has been collected through eight interviews. The study has resulted in a thematic model with the following themes: Generative AI as a colleague; Generative AI as resource for digital innovation; Generative AI increases accessibility to AI technology; Emotions regarding generative AI; Challenges regarding generative AI; Diverse and differentiated views on digital innovation. The study shows that generative AI can affect digital innovation through the resulting themes. Furthermore, these themes were related to the innovation process, where a modified process model for innovation has been developed. Since the use of generative AI is a relatively new phenomenon, it is likely that innovators will increase their use of the tool in the future. This may render the findings from this study quickly outdated. Further research should therefore conduct similar studies at regular intervals to capture new experiences arising from increased usage.

Med hjälp av en vetenskaplig grund i teorin om social konstruktion har nio kvalitativa intervjuer genomförts med läkare verksamma inom klinisk patologi, i Sverige. Intervjuerna har fokuserat på att undersöka hur patologerna ser på artificiell intelligens, AI, och hur de tror deras yrke kommer förändras på grund av AI. Vidare undersökte även intervjuerna hur patologerna tror att det kommer vara att arbeta med AI som en del i deras vardag. Sammanfattningsvis visar resultatet att olika patologer har olika inställning till AI och således även olika mycket förhoppning eller förtvivlan inför vad som komma skall. De ser fördelar och nackdelar, risker till försämring och chanser till förbättring. Studiens grund i social konstruktion kompletterar resultatet med att vilka sociala grupper som anses relevanta med fördel kan expanderas samt även att dessa grupper behöver ta sin roll i den sociala konstruktionen av den nya teknologi som AI innebär.

The main purpose of this Master Thesis is to investigate how front-facing, train-mounted cameras and Computer Vision, a type of Artificial Intelligence (AI), can be used to compensate for GPS inaccuracies. By using footage from track-recording cameras, Computer Vision can be utilized to determine the number of tracks and the track occupancy of the train, which would compensate GPS inaccuracies in the lateral positioning. GPS usage in railway applications is rare, however, an AI-based positioning system would facilitate the usage of GPS for higher capacity and better utilization of current railway infrastructure. This is especially interesting for ERTMS, a European effort to create a standardized signalling system while simultaneously increasing capacity, where potential for an AI-based positioning system can be found in both ERTMS level 2 and level 3. Two Computer Vision models were created, based on two different methods. Images for both models were collected from YouTube videos of train trips recorded with train-mounted cameras. In the first model, the images were labelled according to the number unoccupied adjacent tracks. For example, a left-track occupancy of a double track section would be labelled “01”. The model architecture was based on Convolutional Neural Networks (CNN), a type of AI algorithm specifically developed for image processing, where every pixel in each image was analysed to find patterns corresponding to each label. In the second model, Python software was utilized to manually label every track with bounding boxes. The purpose of the bounding boxes was to demarcate the tracks within the images. Thus, the latter employed strategy did not require the labelling of both the number of tracks and their position. However, it was magnitudes more time consuming. The model was trained using YOLOv3 real-time object detection, a system perfectly fit for real-time track detection. The first model, which was limited to a recognition of up to four tracks, had a 60 % accuracy. The results were adequate considering the unfit method used to train the model and detect tracks. It was not further considered, as the discovery of the second method involving YOLOv3 resulted a more suitable model for the task. The second model was limited to a recognition of up to three tracks due to limited availability of processing power, computer memory, and time. The performance of the second model was evaluated using clips of different track scenarios.  In summary, the second model performed well in the following scenarios:  ·        Main-track detection in any environment.  ·        Side-track recognition in simple environments.  It performed mediocre in the following scenarios:  ·        Medium-illuminated tunnels.  ·        Tracks seen through windscreens obscured by water droplets.  ·        Side-track detection in complex environments.  It performed poorly in the following scenarios: ·        Low-illuminated tunnels.  ·        Bright tunnel exits.  ·        Side-track detection in snowy conditions. In conclusion, it is possible to create a computer-vision model for track recognition. Although the results presented in this thesis are promising in certain scenarios, the image dataset is far too limited. Only approximately 350 labelled images were available for the model training. To develop a full-scale AI-based positioning system, many more images must be used to fully encapsule all the possible track scenarios. Furthermore, numerous technical specifications must be defined for the development of such a large-scale system, such as camera type (normal, thermal, event-based, lidar etc.), system design, safety analysis, system evaluation strategy etc. Nevertheless, if the development of an AI-based positioning system is successful, it can transition to become a future full-scale railway system of autonomous freight, passenger, and shunting operations. / Syftet med denna Masteruppsats är att undersöka hur hyttmonterade tågkameror tillsammans med datorseende, en typ av Artificiell Intelligens (AI), kan användas för att kompensera bristande GPS-positionering. Genom att använda kameror som kontinuerligt filmar framförvarande räls från tåghytten, kan datorseende utnyttjas för att avgöra antalet spår vid tågets aktuella position, samt vilket spår tåget belägger, och på så sätt kompensera eventuella GPS-felaktigheter i tågets laterala position. Användning av GPS inom järnvägens signalsystem är sällsynt, då tekniken inte är särskilt beprövad i signaltekniska syften. Det skulle emellertid kunna främjas genom att introducera ett AI-baserat signalsystem i syfte att höja järnvägens kapacitet och öka utnyttjandegraden av befintliga banor. I synnerhet när det kommer till utvecklingen av ERTMS kan ett AI-baserat signalsystem vara av intresse, då det finns potentiella tillämpningsområden för både ERTMS level 2 och level 3. Två olika modeller för datorseende utvecklades, baserat på två olika metoder. Bildmaterial för båda modellerna togs från YouTube-klipp innehållande inspelningar från hyttmonterade kameror. För den första modellen kategoriserades bilderna i enlighet med antalet fria intilliggande spår. Exempelvis skulle ett vänster-belagt dubbelspår kategoriseras ”01”. Modellarkitekturen baserades på Convolutional Neural Networks (CNN) en AI-algoritm specialanpassad för bland annat bildanalysering, där alla pixlar i varje bild analyserades i syfte att upptäcka mönster mellan bilderna och dess kategori. I den andra modellen användes Python-programvara för att manuellt kategorisera varje spår med en så kallad avgränsningsruta. Avgränsningsrutorna användes i syfte att urskilja spåren från resterande del av bilderna. Kategorisering i enlighet med antalet fria intilliggande spår krävdes således inte, däremot ökade tidsåtgången för kategorisering markant. Modellen tränades med ”YOLOv3 real-time object detection”, ett verktyg speciellt framtaget för bildanalys i realtid, vilket passade perfekt för spårdetektering i realtid. Den första modellen begränsades till igenkänning av maximalt fyra spår och hade 60 % precision. Resultatet var tillfredsställande med tanke på den olämpliga modell som användes för träning samt detektering av spår. Utvecklingen av denna modell avstannades då ett bättre system för spårdetektering baserat på YOLOv3 upptäcktes. Den andra modellen, baserad på YOLOv3 begränsades till igenkänning av maximalt tre spår, då tillgängligheten av processorkraft, lagringsutrymme och tid var begränsad. Precisionen av denna modell bedömdes med hjälp av korta klipp på olika spårmiljöer.  Sammanfattningsvis presterade modellen bra i följande scenarion: ·        Huvudspårsdetektering i alla typer av miljöer ·        Sidospårsdetektering i enkla miljöer Modellen presterade mediokert i följande scenarion: ·        Spårdetektering i halvmörka tunnlar ·        Vindrutor täckta med vattendroppar ·        Sidospårsdetektering i avancerade miljöer Modellen presterade mycket dåligt i följande scenarion: ·        Spårdetektering i mörka tunnlar. ·        Spårdetektering i ljusa tunnelportaler. ·        Sidospårsdetektering i snöförhållanden. Ur detta kan slutsatsen dras att det är fullt möjligt att skapa ett signalsystem baserat på datorseende. Fastän de resultat som presenterats i denna masteruppsats tyder på god prestanda i vissa scenarion, kan det inte uteslutas att storleken på det använda bildmaterialet inte är adekvat.  Endast cirka 350 kategoriserade bilder användes. För en fullskalig utveckling av ett AI-baserat positioneringssystem måste många fler bilder tas i beaktning, för att säkerställa en inkludering av så många spårmiljöer som möjligt. Dessutom måste åtskilliga tekniska specifikationer definieras, så som kameratyp (vanlig kamera, värmekamera, eventbaserad kamera, Lidar osv.), systemdesign, säkerhetsanalys, systemutvärderingsstrategi osv. Om däremot utvecklingen av ett AI-baserat signalsystem lyckas, kan det vidareutvecklas till ett framtida fullskaligt signalsystem för autonoma passagerar- och godståg samt autonoma rangerlok.

The pharmaceutical sector is important for human health due to the increasing demand for medical products but is also a pollution and waste intensive industry. There is an urgent need for the industry to review its environmental footprints and simultaneously consider the industrial transformation called Industry 4.0. This is especially true for small and medium sized enterprises (SMEs). To achieve these objectives, it is presumed that artificial intelligence (AI) will have an important role.  This thesis sets out to identify barriers that pharmaceutical SMEs may encounter when implementing AI to improve environmental efforts. Furthermore, due to the lack of efficient tools the Green Performance Map is analyzed to see if additional value in the design phase and running of a production system can be obtained. Semi-structured interviews were conducted as this thesis is a case study and follows an inductive process. Other qualitative data and literature were used to investigate the research questions. The results indicate that organizational, resource, regulatory and knowledge specific factors can create barriers. Furthermore, there are indications that the Green Performance Map will be useful in both the design phase and running of a production system, this is however dependent on the resources. / Läkemedelssektorn är viktig för människans hälsa på grund av den ökade efterfrågan av medicinska produkter men bidrar även till stora mängder avfall och föroreningar. Det finns ett akut behov att industrin granskar sina miljöavtryck och samtidigt överväger den industriella omvandlingen som kallas Industri 4.0. Detta gäller särskilt för små och medelstora företag. För att uppnå dessa mål kan Artificiell Intelligens (AI) komma att ha en betydelsefull roll.  Detta examensarbete syftar till att identifiera de hinder som små och medelstora läkemedelsföretag kan stöta på när de implementerar AI för att förbättra sitt miljöarbete. På grund av brist på effektiva verktyg analyseras dessutom Green Performance Map för att se om ett mervärde i designfasen och under driften av produktionssystemet kan erhållas. Semistrukturerade intervjuer genomfördes då examensarbetet är en fallstudie och följer en induktiv process. Kvalitativa data och litteratur användes för att undersöka forskningsfrågorna. Resultatet indikerar att organisatoriska, resurs-, reglerings- och kunskapsspecifika faktorer kan skapa barriärer. Dessutom, finns det indikatorer på att Green Performance Map kommer vara användbart både i designfasen och när produktionssystemet är i drift, detta är dock beroende på nivån av resurser.

The pharmaceutical sector is important for human health due to the increasing demand for medical products but is also a pollution and waste intensive industry. There is an urgent need for the industry to review its environmental footprints and simultaneously consider the industrial transformation called Industry 4.0. This is especially true for small and medium sized enterprises (SMEs). To achieve these objectives, it is presumed that artificial intelligence (AI) will have an important role.  This thesis sets out to identify barriers that pharmaceutical SMEs may encounter when implementing AI to improve environmental efforts. Furthermore, due to the lack of efficient tools the Green Performance Map is analyzed to see if additional value in the design phase and running of a production system can be obtained. Semi-structured interviews were conducted as this thesis is a case study and follows an inductive process. Other qualitative data and literature were used to investigate the research questions. The results indicate that organizational, resource, regulatory and knowledge specific factors can create barriers. Furthermore, there are indications that the Green Performance Map will be useful in both the design phase and running of a production system, this is however dependent on the resources. / Läkemedelssektorn är viktig för människans hälsa på grund av den ökade efterfrågan av medicinska produkter men bidrar även till stora mängder avfall och föroreningar. Det finns ett akut behov att industrin granskar sina miljöavtryck och samtidigt överväger den industriella omvandlingen som kallas Industri 4.0. Detta gäller särskilt för små och medelstora företag. För att uppnå dessa mål kan Artificiell Intelligens (AI) komma att ha en betydelsefull roll.  Detta examensarbete syftar till att identifiera de hinder som små och medelstora läkemedelsföretag kan stöta på när de implementerar AI för att förbättra sitt miljöarbete. På grund av brist på effektiva verktyg analyseras dessutom Green Performance Map för att se om ett mervärde i designfasen och under driften av produktionssystemet kan erhållas. Semistrukturerade intervjuer genomfördes då examensarbetet är en fallstudie och följer en induktiv process. Kvalitativa data och litteratur användes för att undersöka forskningsfrågorna. Resultatet indikerar att organisatoriska, resurs-, reglerings- och kunskapsspecifika faktorer kan skapa barriärer. Dessutom, finns det indikatorer på att Green Performance Map kommer vara användbart både i designfasen och när produktionssystemet är i drift, detta är dock beroende på nivån av resurser.

Teknikutvecklingen har bidragit till ökad mängd användardata företag har tillgång till och väntas fortsätta öka. Företag som integrerar användardata i sina produktutvecklingsprocesser väntas uppnå konkurrensfördelar. Arbetets syfte handlar om att undersöka möjligheter och utmaningar vid integrering av stora mängder användardata. Genom att besvara två frågeställningar fastställer undersökningen arbetets syfte, där även konsekvenser för beslutsfattande behandlas. Arbetsprocessen inleddes med en litteraturstudie som låg till grund för både problematiseringen och syftet som identifierar ett gap i forskningen kring användardata i produktutvecklingsprocesser. Genom litteraturstudien skapades en bredare förståelse för ämnet. Den empiriska delen utgjordes av en kvalitativ semistrukturerad intervjustudie med fyra deltagande företag och lika många respondenter med kunskap inom området. Genom kodning av materialet identifierades områden bland respondenterna som bidrog med insikter som behandlats för att bidra till forskningsområdet. Resultaten belyser möjligheter och utmaningar företag står inför vid integrering av storamängder användardata i produktutvecklingsprocesser. Studien framhåller användaren som central i produktutvecklingen, där ökad data möjliggör komplexa dataanalyser. Effektivanalys av data möjliggör snabbare itereringsprocesser och repetitiva jobb kan ersättas av mer stimulerande. Därtill blir beslutsunderlag mer omfattande och kan generera nya strategier och utformningar av erbjudanden. Studien fastställer även att ökad mängd data ställer krav på företag, där relevansen i datan är viktig och processer för hantering måste kunna definiera relevant data. Vidare måste företag mogna i rollen att integrera användardata. För att beslutsunderlag från användardata ska vara säkert bör kvalitativa och kvantitativa analyser främjas att samverka för att bekräfta varandras identifierade mönster. Integrering av stora mängder användardata i produktutvecklingsprocesser fastställs av denna studie kräva att kompetens erhålls för att i processer för hantering av data kunna säkerställa relevans genom att definiera vilken data som ska samlas in. Vid lyckad integrering uppnår företag som integrerar användardata konkurrensfördelar och kapitaliseringsmöjligheter som är långsiktigt gynnsamma. / The technology development has contributed to an increased amount of user data companies have access to and is expected to continue to increase. Companies that integrate user data into their product development processes are expected to gain competitive advantages. The purpose of the work is to investigate opportunities and challenges when integrating large amounts of user data. By answering two questions, the study determines the purpose of the work, where the consequences for decision­ making also are addressed. The work process began with a literature study that formed the basis for both the problematization and the purpose that identifies a gap in the research about user data in product development processes. The literature study created a broader understanding of the subject. The empirical part consisted of a qualitative semi­structured interview study with four participating companies and an equal number of respondents with knowledge in the field. Coding of the material identified areas among the respondents which contributed within sights that were processed to contribute to the research area.The results highlight opportunities and challenges companies face when integrating large amounts of user data into product development processes. The study highlights the user as central to product development, where increased data enables complex data analysis. Efficient analysis of data enables faster iteration processes and repetitive jobs can be replaced by more stimulating. In addition, the basis for decision-making becomes more extensive and can generate new strategies and designs for offers. The study also determines that increased data places demands on companies, where the relevance of the data is important and processes for handling must be able to define the relevant data. Furthermore, companies need to mature in the role of integrating user data. In order to ensure the safe basis for decision­making from user data, qualitative and quantitative analyses should be promoted to work together to confirm each other’s identified patterns. The integration of large amounts of user data into product development processes is determined by this study to require the acquisition of competence in order to ensure relevance in data management processes by defining which data to collect. With successful integration, companies that integrate user data achieve competitive advantages and capitalization opportunities that are long­-term beneficial.

The Concurrent Design Platform 4 (CDP4®) is a collaborative Model-Based Systems Engineering (MBSE) software tool conceived for architecting complex systems. Nevertheless, there are limitations concerning the manageable number of system options. The upcoming Siemens tool for generative engineering, Simcenter™ Studio, is attempting to overcome this limitation by enabling automatic synthesis and evaluation of architecture variants. The motivation for the Generative Concurrent Design (GCD) project as a collaboration between RHEA, Siemens and OHB is to develop a combined prototype of these two tools. This thesis presents a modelling of Copernicus Next Generation (CNG) space component, using generative capabilities in a typical Phase-0 study. It represents the third step of the bottom-up GCD validation process, intended to investigate how architecting differs among “Sub-system”, “Systems” and “Systems of Systems (SoS)”. Therefore, this work provides an architecting strategy which is generalizable for other SoS use-cases and contributes to assess whether extensions to ECSS-E-TM-10-25 are necessary to successfully support GCD. / Concurrent Design Platform 4 (CDP4®) är ett samarbetsverktyg för modellbaserad systemteknik (MBSE) som utformats för att bygga komplexa system. Dock finns det begränsningar vad gäller det antalet hanterbara systemalternativ. Det kommande Siemens-verktyget för generativ teknik, Simcenter™ Studio, försöker övervinna denna begränsning genom att möjliggöra automatisk syntes och utvärdering av arkitekturvarianter. Motivationen för Generative Concurrent Design (GCD) -projektet som ett samarbete mellan RHEA, Siemens och OHB är att utveckla en kombinerad prototyp av verktygen CDP4® och Simcenter™. Detta examensarbete presenterar en modellering av rymdkomponenten Copernicus Next Generation (CNG) med användning av generativa funktioner i en typisk fas-0-studie. Den representerar det tredje steget i GCD-valideringsprocessen nedifrån och upp, avsedd att undersöka hur arkitekturen skiljer sig åt mellan "Sub-system", "Systems" och "Systems of Systems (SoS)". Detta arbete ger därför en arkitektonisk strategi som är generaliserbar för andra SoS-användningsfall och bidrar till att bedöma om förlängningar till ECSS-E-TM-10-25 är nödvändiga för att framgångsrikt stödja GCD.