Bakgrund: Under de senaste två decennierna har artificiell intelligens (AI) blivit en viktig del av teknologisk utveckling och används nu på många håll inom samhället. Organisationer och företag behöver följa med i utvecklingen och därmed överväga integrering av AI i olika arbetsmoment. Idag kan företag integrera AI inom redovisningens repetitivt manuella uppgifter, bland annat, för att bidra till effektivisering, stordriftsfördelar, samt för att reducera risken för mänskliga fel. Däremot påpekas att det krävs ytterligare forskning gällande vilka motiv och attityder det finns för att integrera AI i redovisningen.  Syfte: Studiens syfte är att framhäva centrala aspekter, baserat på Rogers adaptionsteori, som är viktiga för att organisationer skall kunna integrera AI framgångsrikt i redovisningen.  Metod: Studien använder en kvalitativ forskningsmetod med en abduktiv forskningsansats. Forskningen genomfördes genom semistrukturerade intervjuer med nio respondenter för att samla in empiriskt material. Samtliga respondenter, som valdes ut genom målstyrt urval, är verksamma inom redovisnings- och IT-branschen. Slutsats: Det krävs kunskap och en gynnsam attityd för att framgångsrikt integrera AI i redovisningen. Dessutom är det även betydelsefullt att ta hänsyn till risker för att bidra till korrekt och säker användning. Vidare skall nyttan av att integrera AI överstiga kostnaden för investeringen, samt förbättra effektiviteten i redovisningens arbetsmoment. / Backround: Over the past two decades, artificial intelligence (AI) has become a crucial part of technological development and is now widely used in society. Organizations and companies need to keep up with this development and consider integrating AI into various work processes. Today, companies can integrate AI into repetitive manual tasks in accounting, among other areas, to enhance efficiency, achieve economies of scale, and reduce the risk of human error. However, it is noted that further research is needed to understand the motives and attitudes towards integrating AI in accounting. Purpose: The purpose of this study is to highlight key aspects, based on Rogers diffusion of innovations theory, that are important for organizations to successfully implement AI in accounting. Method: The study employs a qualitative research method with an abductive research approach. The research is conducted through semi-structured interviews with nine respondents in order to gather empirical data. All respondents, selected through purposive sampling, are active in the accounting- and IT-industries. Conclusion: It is essential to absorb knowledge and foster a positive attitude in order to successfully integrate AI in accounting. Moreover, it is crucial to consider associated risks to ensure its accurate and secure utilization. Furthermore, the benefits of AI integration should outweigh the investment costs and enhance efficiency in the accounting processes.

Background: Managing credit risks is an integral part of the banking sector and is crucial for banks’ success. Effective risk management ensures stable and profitable operations, addressing challenges like information asymmetry between lenders and borrowers. To combat these challenges, banks are shifting from manual methods to automated processes in credit assessment and credit risk management.Purpose: The purpose of the study was to investigate how the use of AI has contributed to credit risk management and the handling of risk assessments within Swedish banks. Additionally, the study explored the factors driving the use of AI in this area.  Methodology: An abductive research approach was employed within the framework of a qualitative research method. Four banks were included in the study: two major banks and two niche banks. Semi structured interviews provided the primary data for the study, while secondary data, such as articles and literature, were used to support and explain the findings during the analysis and discussion.  Theory: The study was based on two models and the theory of information asymmetry. The first model focuses on the credit assessment process, while the second addresses critical success factors for the implementation of AI. The theory of information asymmetry consists of moral hazard and adverse selection. Conclusions: The study’s conclusion indicated that AI has contributed to increased efficiency and precision in credit risk management. Furthermore, AI supports addressing information asymmetry by automating data collection, analysis, and fraud detection. The study concludes that effective AI usage necessitates a balanced combination of management support, strategic vision, organizational culture, and structure.

Artificiell intelligens har blivit en allt större del av samhället där arbetsplatser måste anpassa sig i takt med den tekniska utvecklingen. En bransch som börjat implementera AI alltmer i arbetsprocesser är filmbranschen. Syftet med studien är att utforska hur AI har påverkat filmindustrin, identifiera förändrade dynamiker samt utforska hur aktörer ser på utvecklingen av AI och de etiska och sociala dilemman som kan komma med denna teknik. En kvalitativ metod har använts och sju kvalitativa intervjuer hos diverse filmproduktionsbolag har genomförts vid insamling av data. Resultatet visar att samtliga respondenter använder AI i arbetsprocesser vilket förbättrar effektiviteten och ökar de kreativa möjligheterna. Yrkesroller har delvis redan ersatts av AI och fler förväntas ersättas i framtiden samtidigt som nya roller förväntas uppstå. Ekonomin har än inte påverkats men tillförlitligheten samt frågan kring upphovsrätt av AI-genererat material har diskuterats. Brister i etnisk mångfald vid användning av AI har även påvisats. Slutsatsen går i hand med resultatet i form av att AI bidrar till fler möjligheter men framhäver även viss problematik kring avsaknaden av verkställda lagar av AI-genererat innehåll. / Artificial Intelligence has become an increasingly significant part of society, and workplaces must adapt alongside technological developments. One industry that has begun to implement AI more extensively in its processes is the film industry. This study aims to explore how AI has impacted the film industry, identify changed dynamics, and examine how stakeholders view the development of AI and the ethical and social dilemmas that may arise from the technology. The study implemented a qualitative method and conducted seven qualitative interviews at various film production companies for data collection. The results show that all respondents use AI in their work processes, which improves efficiency and increases creative opportunities. Occupational roles have partly been replaced by AI already and more are expected to be replaced in the future, while new roles are also expected to emerge. The economy has yet to feel the impact, but discussions have been made regarding reliability and the issue of copyright for AI-generated material. Deficiencies in ethnic diversity in the use of AI have also been established. The conclusions align with the results, indicating that AI brings more opportunities but also highlights challenges due to the absence of established laws regarding AI-generated material.

AI-assistenter har blivit mycket populära bland konsumenter, och organisationer inser i allt högre grad deras potentiella fördelar. Experter menar att implementering av AI-assistenter stöter på samma hinder som vid implementering av vanliga IT-system, men att AI-assistenter har unika aspekter som försvårar implementering ytterligare. Tidigare forskning har huvudsakligen baserats på expertåsikter och det saknas omfattande studier om specifika hinder som behöver åtgärdas för en framgångsrik implementering. Denna studie syftar till att fylla denna kunskapslucka genom att intervjua tolv deltagare från ett IT-företag för att få en helhetsförståelse av deras perspektiv på AI-assistenter i deras yrkesmiljö. Med Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) som teoretiskt ramverk, analyserades kvalitativa data från semistrukturerade intervjuer. Resultaten visar att deltagarna generellt har en positiv inställning till AI-assistenter, men de uttrycker flera utmaningar som kan försvåra implementeringen av dem. Dessa utmaningar inkluderar svårigheter att identifiera lämpliga tillämpningsområden, skiftande uppfattning av användningsområden, obekantskap med teknologin, stress relaterad till implementering, säkerhets- och tillitsfrågor, samt begränsade resurser. / AI assistants have become very popular among consumers, and organizations are increasingly recognizing their potential benefits. Experts suggest that implementing AI assistants faces the same obstacles as implementing regular IT systems, but with unique aspects that further complicate implementation. Previous research has mainly been based on expert opinions, and there is a lack of comprehensive studies on specific obstacles that need to be addressed for successful implementation. This study aims to fill this knowledge gap by interviewing twelve participants from an IT company to gain a comprehensive understanding of their perspectives on AI assistants in their professional environment. Using the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) as a theoretical framework, qualitative data from semi-structured interviews were analyzed. The results show that participants generally have a positive attitude towards AI assistants but express several challenges that could hinder the implementation. These challenges include difficulties in identifying appropriate application areas, shifting perceptions of use cases, unfamiliarity with the technology, stress related to implementation, security and trust issues, and limited resources.

Trots de framsteg som gjorts inom artificiell intelligens (AI) och maskininlärning (ML), uppkommer utmaningar gällande deras miljöpåverkan. Fokuset på att skapa avancerade och träffsäkra modeller innebär ofta att omfattande beräkningsresurser krävs, vilket leder till en hög energiförbrukning. Syftet med detta arbete är att undersöka ämnet grön AI och sambandet mellan prestanda och energiförbrukning hos två ML-algoritmer. De algoritmer som undersöks är beslutsträd och stödvektormaskin (SVM), med hjälp av två dataset: Bank Marketing och MNIST. Prestandan mäts med utvärderingsmåtten noggrannhet, precision, recall och F1-poäng, medan energiförbrukningen mäts med verktyget Intel VTune Profiler. Arbetets resultat visar att en högre prestanda resulterade i en högre energiförbrukning, där SVM presterade bäst men också förbrukade mest energi i samtliga tester. Vidare visar resultatet att optimering av modellerna resulterade både i en förbättrad prestanda men också i en ökad energiförbrukning. Samma resultat kunde ses när ett större dataset användes. Arbetet anses inte bidra med resultat eller riktlinjer som går att generalisera till andra arbeten. Däremot bidrar arbetet med en förståelse och medvetenhet kring miljöaspekterna gällande AI, vilket kan användas som en grund för att undersöka ämnet vidare. Genom en ökad medvetenhet kan ett gemensamt ansvar tas för att utveckla AI-lösningar som inte bara är kraftfulla och effektiva, utan också hållbara. / Despite the advancements made in artificial intelligence (AI) and machine learning (ML), challenges regarding their environmental impact arise. The focus on creating advanced and accurate models often requires extensive computational resources, leading to a high energy consumption. The purpose of this work is to explore the topic of green AI and the relationship between performance and energy consumption of two ML algorithms. The algorithms being evaluated are decision trees and support vector machines (SVM), using two datasets: Bank Marketing and MNIST. Performance is measured using the evaluation metrics accuracy, precision, recall, and F1-score, while energy consumption is measured using the Intel VTune Profiler tool. The results show that higher performance resulted in higher energy consumption, with SVM performing the best but also consuming the most energy in all tests. Furthermore, the results show that optimizing the models resulted in both improved performance and increased energy consumption. The same results were observed when a larger dataset was used. This work is not considered to provide results or guidelines that can be generalized to other studies. However, it contributes to an understanding and awareness of the environmental aspects of AI, which can serve as a foundation for further exploration of the topic. Through increased awareness, shared responsibility can be taken to develop AI solutions that are not only powerful and efficient but also sustainable.

Detta arbete undersöker integreringen av artificiell intelligens (AI) och maskininlärning (ML) teknologier i prediktivt underhåll (PdM) vid Glada Hudikhem. De primära målen är att utvärdera effektiviteten hos olika AI/ML-modeller för att förutsäga fel på hushållsapparater och att förbättra transparensen och tillförlitligheten i dessa förutsägelser genom förklarbar AI (XAI) teknik. Studien jämför olika grundläggande och djupa inlärningsmodeller och avslöjar att medan djupa modeller kräver mer beräkningsresurser och kan ta 98% mer tid att träna jämfört med grundläggande modeller, presterar de ungefär 1, 4% sämre i F-1 poäng. F-1-poäng är ett mått som kombinerar precision (andelen av sanna positiva bland förväntade positiva) och recall/återkallelse (andelen av sanna positiva bland faktiska positiva). Dessutom betonar studien vikten av XAI för att göra AI-drivna underhållsbeslut mer transparenta och pålitliga, vilket därmed adresserar den "svarta lådan" naturen hos traditionella AI-modeller. Resultaten tyder på att integrationen av AI och XAI i PdM kan förbättra underhållsarbetsflöden och minska driftkostnaderna, med rekommendationer för branschpartners att utforska AI/ML-lösningar som balanserar resurseffektivitet och prestanda. Studien diskuterar också de etiska och samhälleliga konsekvenserna av AI-antagande och prediktivt underhåll, med betoning av ansvarsfull implementering. Vidare beskriver potentialen för AI att automatisera rutinunderhållsuppgifter, vilket frigör mänskliga resurser för mer komplexa frågor och förbättrar den övergripande drifteffektiviteten. Genom en omfattande analys, ger det här arbetet ett ramverk för framtida forskning och praktiska tillämpningar inom AI-drivet prediktivt underhåll. / This thesis investigates the integration of artificial intelligence (AI) and machine learning (ML) technologies into predictive maintenance (PdM) operations at Glada Hudikhem. The primary objectives are to evaluate the effectiveness of different AI/ML models for predicting household appliance failures and to enhance the transparency and reliability of these predictions through explainable AI (XAI) techniques. The study compares various shallow and deep learning models, revealing that while deep models require more computational resources and can take 98% more time to train compared to shallow models, they score about 1.4% worse in F-1 scores. F-1 scores are a metric that combines precision (the fraction of true positives among predicted positives) and recall (the fraction of true positives among actual positives). Additionally, the research highlights the importance of XAI in making AI-driven maintenance decisions more transparent and trustworthy, thus addressing the "black box" nature of traditional AI models. The findings suggest that integrating AI and XAI into PdM can improve maintenance workflows and reduce operational costs, with recommendations for industry partners to explore AI/ML solutions that balance resource efficiency and performance. The study also discusses the ethical and societal implications of AI adoption in predictive maintenance, emphasizing the need for responsible implementation. Furthermore, it outlines the potential for AI to automate routine maintenance tasks, thereby freeing up human resources for more complex issues and enhancing overall operational efficiency. Through a rigorous discussion and in-depth analysis, this thesis offers a robust framework for future research and practical applications in the field of AI-driven predictive maintenance.

A customers propensity to buy a certain product is a widely researched field and is applied in multiple industries. In this thesis it is showed that using binary classification on data from Scandinavian Airlines can predict their customers propensity to book a flight within the next coming seven days. A comparison between logistic regression and support vector machine is presented and logistic regression with reduced number of variables is chosen as the final model, due to it’s simplicity and accuracy. The explanatory variables contains exclusively booking history, whilst customer demographics and search history is showed to be insignificant. / En kunds benägenhet att göra ett visst köp är ett allmänt undersökt område som applicerats i flera olika branscher. I den här studien visas det att statistiska binära klassificeringsmodeller kan användas för att prediktera Scandinavian Airlines kunders benägenhet att köpa en resa de kommande sju dagarna. En jämförelse är presenterad mellan logistisk regression och stödvektormaskin och logistisk regression med reducerat antal parametrar väljs som den slutgiltiga modellen tack vare sin enkelhet och träffsäkerhet. De förklarande variablerna är uteslutande bokningshistorik medan kundens demografi och sökdata visas vara insignifikant.

Machine learning algorithms have been used for price prediction within several application areas. Examples include real estate, the stock market, tourist accommodation, electricity, art, cryptocurrencies, and fine wine. Common approaches in studies are to evaluate the accuracy of predictions and compare different algorithms, such as Linear Regression or Neural Networks. There is a thriving global second-hand market for vinyl records, but the research of price prediction within the area is very limited. The purpose of this project was to expand on existing knowledge within price prediction in general to evaluate some aspects of price prediction of vinyl records. That included investigating the possible level of accuracy and comparing the efficiency of algorithms. A dataset of 37000 samples of vinyl records was created with data from the Discogs website, and multiple machine learning algorithms were utilized in a controlled experiment. Among the conclusions drawn from the results was that the Random Forest algorithm generally generated the strongest results, that results can vary substantially between different artists or genres, and that a large part of the predictions had a good accuracy level, but that a relatively small amount of large errors had a considerable effect on the general results.

Denna essä syftar till att ur filosofiska och idéhistoriska perspektiv belysa utmaningar och möjligheter med artificiell intelligens (AI) och digitalisering inom hälso- och sjukvården, med fokus på läkekonst, kropp, hälsa och ovisshet. Essän undersöker hur automatisering och digitala vårdformer omformar läkekonstens grund, nämligen mötet mellan patienten och läkaren. Genom en fenomenologisk kritik av AI och teknikens väsen, belyses skillnaden mellan människan och maskinen och hur den levda erfarenheten är situerad, förkroppsligad, fylld av mening och delad med andra. Essän utforskar hur situationsunik kunskap som praktisk klokhet, fronesis, samt ett reflekterande förnuft, intellectus,kan hantera den ovisshet som är inbäddad i det allmänmedicinska mötet. Essän belyser även hur digitalisering och AI passar väl med pågående marknadsanpassning av sjukvården, där homo economicus och homo digitalis båda omformar kropp och hälsa till mätbara resurser och data. Avslutningsvis lyfts etiska dilemman kring AI och digitalisering, samt vikten av praktisk och existentiell kunskap som förutsättningar för utvecklandet och designen av en teknik som syftar främja det mänskligt goda. / This essay aims to illuminate challenges and opportunities with artificial intelligence (AI) and digitalization in health care, focusing on the art of medicine, body, health and uncertainty. The theoretical framework is mainly within the fields of phenomenology and philosophical hermeneutics. The essay explores how automatization and digital health care are transforming the essence of medicine: the patient – physician encounter. By a phenomenological critique of AI and the essence of technology, the essay highlights the difference between machines and humans and how lived experience is situated, embodied, filled with meaning and shared with others. The essay explores how situational knowledge such as practical wisdom, phronesis, and reflective understanding, intellectus, can deal with the uncertainty that is embedded in the medical encounter in primary health care. The essay also highlights how digitalization and AI fit well with current market adaptation of health care, where homo economicus and homo digitalis both transform body and health into measurable resources and data. Finally, ethical dilemmas of AI and digitalization are highlighted, as well as the importance of practical and existential knowledge as preconditions for the development and design of a technology that aims to promote the human good.

Under de senaste året har modeller för djupinlärning använts inom nästa alla områden, från industri till akademi, särskilt för bildklassifikation. Dessa modeller är dock enorma i storlek, med miljontals parametrar, vilket gör det svårt att distribuera till mindre enheter med begränsade resurser såsom mobiltelefoner. Denna studie tar upp små modeller av faltningsnätverk som är toppmoderna inom djupinlärning och vars storlek är lämplig för mobilapplikation. Syftet med denna studie är att utvärdera prestanda på faltningsnätverken Xception, InceptionV3 och MobilNetV2 för att underlätta vid valbeslut av faltningsnätverk som bas vid utveckling av mobila applikation inom bildklassificering. För att uppnå syftet har dessa faltningsnätverk implementeras med hjälp av överföringsinlärning metod samt utformas för att skilja på bilder av nätpaneler från företaget Troax. Studien tar upp metoden som möjliggör att överföra kunskap från befintliga förtränade modeller till nya modeller. Studien förklarar även hur träningsprocessen och testprocessen gick till samt analys kring resultatet.   Resultat visade att Xception hade 86 % noggrannhet med en processtid på 10 minuter på 2000 träningsbilder och 1000st testbilder. Xceptions prestation var bäst bland alla dessa modeller. Skillnaden mellan Xception och Inception var på 10 % noggrannhet och 2 minuter processtid. Mellan Xception och MobilNetV2 var skillnaden på 23 % noggrannhet och 3 minuter processtid. Experimentet visade att dessa modeller presterade mindre bra vid mindre träningsbilder under 800st. Över 800st bilder började respektive modell att utföra prediktering över 70 % noggrannhet. / In recent years, deep learning models have been used in almost all areas, from industry to academia, specifically for image classification. However, these models are huge in size, with millions of parameters, making it difficult to distribute to smaller devices with limited resources such as mobile phones. This study addresses lightweight pre-trained models of convolutional neural networks which is state of art in deep learning and their size is suitable as a base model for mobile application development. The purpose of this study is to evaluate the performance of Xception, InceptionV3 and MobilNetV2 in order to facilitate selection decisions of a lightweight convolutional networks as base for the development of mobile applications in image classification. In order to achieve their purpose, these models have been implemented using the Transfer Learning method and are designed to distinguish images on mesh panels from the company Troax. The study takes up the method that allows transfer of knowledge from an existing model to a new model, explain how the training process and the test process went, as well as analysis of results. Results showed that Xception had 86% accuracy and had 10 minutes processing time on 2000 training images and 1000 test images. Exception’s performance was the best among all these models. The difference between Xception and InceptionV3 was 10% accuracy and 2 minutes process time. Between Xception and MobilNetV2 there was a difference of 23% in accuracy and 3 minutes in process time. Experiments showed that these models performed less well with smaller training images below 800 images. Over 800 images, each model began to perform prediction over 70% accuracy.