Samhällsutvecklingen går i en riktning där människor arbetar i allt närmare samarbete med artificiella agenter. För att detta samarbete ska vara på användarens villkor är det viktigt att förstå hur människor uppfattar och förhåller sig till dessa system. Hur dessa agenter bedöms moraliskt är en komponent i denna förståelse. Malle m.fl. (2015) utförde en av de första studierna kring hur normer och skuld appliceras på människa respektive robot. I samma artikel efterfrågades mer forskning kring vilka faktorer hos agenter som påverkar de moraliska bedömningarna. Föreliggande studie tog avstamp i denna frågeställning och avsåg att undersöka hur moralisk godtagbarhet och skuldbeläggning skiljde sig beroende på om agenten var en person, en humanoid robot eller ett autonomt intelligent system utan kropp (AIS). Ett mellangrupps-experiment (N = 119) användes för att undersöka hur agenterna bedömdes för sina beslut i tre olika moraliska dilemman. Deltagares rättfärdigaden bakom bedömningar samt medveten hållning utforskades som förklaringsmodell av skillnader. Medveten hållning avser Dennetts (1971) teori kring huruvida en agent förstås utifrån mentala egenskaper. Resultaten visade att person och robot erhöll liknande godtagbarhet för sina beslut medan AIS fick signifikant lägre snitt. Graden skuld som tillskrevs skiljde sig inte signifikant mellan agenterna. Analysen av deltagares rättfärdiganden gav indikationer på att skuldbedömningarna av de artificiella agenterna inte grundade sig i sådan information som antagits ligga till grund för denna typ av bedömningar. Flera rättfärdiganden påpekade också att det var någon annan än de artificiella agenterna som bar skulden för besluten. Vidare analyser indikerade på att deltagare höll medveten hållning mot person i störst utsträckning följt av robot och sedan AIS. Studien väcker frågor kring huruvida skuld som fenomen går att applicera på artificiella agenter och i vilken utsträckning distribuerad skuld är en faktor när artificiella agenter bedöms.

With the increasing electrification of todays society the electrical grid is experiencing increasing pressure from demand. One factor that affects the stability of the grid are the time intervals at which power demand is at its highest which is referred to as peak demand. This project was conducted in order to reduce the peak demand through a process called peak shaving in order to relieve some of this pressure through the use of batteries and renewable energy. By doing so, the user of such systems could reduce the installation cost of their electrical infrastructure as well as the electrical billing. Peak shaving in this project was implemented using machine learning algorithms that predicted the daily power consumption in school kitchens with help of their food menus, which were then fed to an algorithm to steer a battery according to the results. All of these project findings are compared to another system installed by a company to decide whether the algorithm has the right accuracy and performance. The results of the simulations were promising as the algorithm was able to detect the vast majority of the peaks and perform peak shaving intelligently. Based on the graphs and values presented in this report, it can be concluded that the algorithm is ready to be implemented in the real world with the potential to contribute to a long-term sustainable electrical grid while saving money for the user.

Denna rapport analyserar och testar olika metoder som syftar till att särskiljamänskligt genererade lösningar på uppgifter och texter från de som genereras avartificiell intelligens. På senare tid har användningen av artificiell intelligens setten betydande ökning, särskilt bland studenter. Syftet med denna studie är attavgöra om det för närvarande är möjligt att upptäcka fusk från högskolestudenterinom elektroteknik som använder sig av AI. I rapporten testas lösningar påuppgifter och texter genererade av programmet ChatGPT med hjälp av en generellmetod och externa AI-verktyg. Undersökningen omfattar områdena matematik,programmering och skriven text. Resultatet av undersökningen tyder på att detinte är möjligt att upptäcka fusk med hjälp av AI i ämnena matematik ochprogrammering. Dock när det gäller text kan i viss utsträckning fusk vidanvändning av en AI upptäckas. / This report analyzes and tests various methods aimed at distinguishinghuman-generated solutions to tasks and texts from those generated by artificialintelligence. Recently the use of artificial intelligence has seen a significantincrease, especially among students. The purpose of this study is to determinewhether it is currently possible to detect if a college student in electricalengineering is using AI to cheat. In this report, solutions to tasks and textsgenerated by the program ChatGPT are tested using a general methodology andexternal AI-based tools. The research covers the areas of mathematics,programming and written text. The results of the investigation suggest that it is notpossible to detect cheating with the help of an AI in the subjects of mathematicsand programming. In the case of text, cheating by using an AI can be detected tosome extent.

Bakgrund: Den omänskliga faktorn kan vara en riskfaktor för verksamhetsnyttan, goda arbetsmiljön, säkerheten och hållbarheten i hälso- och sjukvården. Några av anledningarna till att Artificiell Intelligens (AI) har börjat bli realistiskt inom hälso- och sjukvården är datorernas ökade prestanda och tillgång till stora mängder data. AI har potential att fungera som ett verktyg för att implementera digitaliseringen inom hälso- och sjukvården, samtidigt som den mänskliga närvaron kan bevaras. Syfte: Undersöka hur vårdpersonalen förhåller sig till användningen av AI-system och deras upplevelse av kontroll och ansvar. Metod: Kvalitativ design används och semistrukturerade intervjuer genomfördes. Inledningsvis användes allmänna frågor för att fånga informanternas tidigare och nuvarande erfarenhet av AI-system i hälso- och sjukvården. Därefter utformades fortsatta frågor enligt vinjettmetoden. Kvalitativ analysmetod användes för att tolka intervjuerna. Resultat: Analysen resulterade i sex kategorier som belyser olika aspekter av vårdpersonalens samarbete med AI-system inom hälso- och sjukvården. Dessa kategorier inkluderar kontrollbehov, samstämmighet, prestation, övervakning, kunskap och prioritering. Diskussion: Motsats till AI kan människor hållas ansvariga för sina beslut och för de beslut som fattas av AI-system. Inom sjukvården upplever vårdpersonalen ett gemensamt helhetsansvar för patientvården, oavsett lagar och regler. Vetskapen om att behöva möta patienter eller anhöriga och framföra dåliga nyheter, är det som verkligen sätter ansvaret i perspektiv. Vid felaktigheter påverkas hela vårdteamet, även om de inte själva orsakat felet. I framtiden kommer vårdpersonalens roll att gå från att vara bedömare till att vara övervakare. Denna förändring kan dock orsaka problem, eftersom vårdpersonalens kontrollbehov för AI-system minskar i akuta situationer. I dessa situationer fokuserar vårdpersonalen på att normalisera situationen och prioriterar bort allt annat. Beslut som fattas görs med medvetenheten om att de sannolikt behöver omprövas när situationen har stabiliserats. Detta problematiserar den nya rollen som övervakare, eftersom vårdpersonalen i dessa situationer egentligen borde ha större fokus på att se till att AI-systemet fungerar korrekt. Slutsats: Det är osannolikt att vårdpersonalen kommer att kunna hantera de snabba och komplexa beslut som AI-systemet gör. Det kommer kräva ökad kunskap från vårdpersonalen för att identifiera situationer där AI-systemet kan göra fel och i händelse av en akut situation kommer personalen att prioritera detta över andra åtaganden. För att etablera ett samarbete mellan människa och maskin inom vården krävs utbildning och förståelse för det skifte som sker för vårdpersonalens roll, att gå från bedömning till övervakning av AI-systemen. / Background: The inhumane factor can be a risk factor for operational benefit, good working environment, safety and sustainability in healthcare. Some of the reasons why Artificial Intelligence (AI) has started to become realistic in healthcare are the increased performance of computers and access to large amounts of data. AI has the potential to act as a tool to implement digitization in healthcare, while preserving the human presence. Purpose: Investigate how healthcare professionals relate to the use of AI systems and their experience of control and responsibility. Method: Qualitative design is used and semi-structured interviews were conducted. Initially, general questions were used to capture the informants' previous and current experience with AI-systems in healthcare. Further questions were then designed according to the vignette method. Qualitative analysis method was used to interpret the interviews. Results: The analysis resulted in six categories that highlight different aspects of healthcare professionals collaboration with AI-systems in healthcare. These categories include control needs, compliance, performance, monitoring, knowledge, and prioritization. Discussion: Unlike AI, humans can be held accountable for their decisions and for the decisions made by AI-systems. In healthcare, the healthcare professionals experience a shared overall responsibility for patient care, regardless of laws and regulations. The knowledge of having to meet patients or relatives and deliver bad news is what really puts the responsibility into perspective. In the event of errors, the entire healthcare team is affected, even if they did not cause the error themselves. In the future, the role of healthcare professionals will change from being an assessor to instead monitor the AI-system. However, this change can cause problems, as healthcare professionals control needs for AI-systems are reduced in emergency situations. In these situations, the healthcare professionals focus on normalizing the situation and deprioritises everything else. Decisions that are made are made with the awareness that they will likely need to be reconsidered once the situation has stabilized. This problematizes the new role of supervisor, because in these situations the healthcare professionals should really be more focused on making sure the AI-system is working correctly. Conclusion: It is unlikely that healthcare professionals will be able to handle the rapid and complex decisions made by the AI-system. It will require increased knowledge from the healthcare professional, to identify situations where the AI system can make mistakes and in the event of an emergency, the staff will prioritize this over other commitments. In order to establish a collaboration between humans and machines in healthcare, training and understanding of the shift that is taking place for the role of the healthcare professionals, to go from assessment to monitoring of the AI systems, is required.

This study aimed to explore the application of artificial intelligence (AI) and machine learning (ML) techniques in implementing a QRS detector forambulatory electrocardiography (ECG) monitoring devices. Three ML models, namely long short-term memory (LSTM), convolutional neural network (CNN), and multilayer perceptron (MLP), were compared and evaluated using the MIT-BIH arrhythmia database (MITDB) and the MIT-BIH noise stress test database (NSTDB). The MLP model consistently outperformed the other models, achieving high accuracy in R-peak detection. However, when tested on noisy data, all models faced challenges in accurately predicting R-peaks, indicating the need for further improvement. To address this, the study emphasized the importance of iteratively refining the input data configurations for achieving accurate R-peak detection. By incorporating both the MITDB and NSTDB during training, the models demonstrated improved generalization to noisy signals. This iterative refinement process allowed for the identification of the best models and configurations, consistently surpassing existing ML-based implementations and outperforming the current ECG analysis system. The MLP model, without shifting segments and utilizing both datasets, achieved an outstanding accuracy of 99.73 % in R-peak detection. This accuracy exceeded values reported in the literature, demonstrating the superior performance of this approach. Furthermore, the shifted MLP model, which considered temporal dependencies by incorporating shifted segments, showed promising results with an accuracy of 99.75 %. It exhibited enhanced accuracy, precision, and F1-score compared to the other models, highlighting the effectiveness of incorporating shifted segments. For future research, it is important to address challenges such as overfitting and validate the models on independent datasets. Additionally, continuous refinement and optimization of the input data configurations will contribute to further advancements in ECG signal analysis and improve the accuracy of R-peak detection. This study underscores the potential of ML techniques in enhancing ECG analysis, ultimately leading to improved cardiac diagnostics and better patient care. / Syftet med denna studie var att utforska användningen av AI- och ML-tekniker för att implementera en QRS-detektor i EKG-övervakningsenheter. Tre olika ML-modeller, LSTM, CNN och MLP jämfördes och utvärderades med hjälp av MITDB och NSTDB. Resultaten visade att MLP-modellen konsekvent presterade bättre än de andra modellerna och uppnådde hög noggrannhet vid detektion av R-toppar i EKG-signalen. Trots detta stötte alla modeller på utmaningar när de testades på brusig realtidsdata, vilket indikerade behovet av ytterligare förbättringar. För att hantera dessa utmaningar betonade studien vikten av att iterativt förbättra konfigurationen av indata för att uppnå noggrann detektering av R toppar. Genom att inkludera både MITDB och NSTDB under träningen visade modellerna förbättrad förmåga att generalisera till brusiga signaler. Denna iterativa process möjliggjorde identifiering av de bästa modellerna och konfigurationerna, vilka konsekvent överträffade befintliga ML-baserade implementeringar och presterade bättre än den nuvarande EKG-analysystemet. MLP-modellen, utan användning av skiftade segment och med båda databaserna, uppnådde en imponerande noggrannhet på 99,73 % vid detektion av R-toppar. Denna noggrannhet överträffade tidigare studier och visade på den överlägsna prestandan hos denna metod. Dessutom visade den skiftade MLP-modellen, som inkluderade skiftade segment för att beakta tidsberoenden, lovande resultat med en noggrannhet på 99,75 %. Modellen uppvisade förbättrad noggrannhet, precision och F1-score jämfört med de andra modellerna, vilket betonar vikten av att inkludera skiftade segment. För framtida studier är det viktigt att hantera utmaningar som överanpassning och att validera modellerna med oberoende datamängder. Dessutom kommer en kontinuerlig förfining och optimering av konfigurationen av indata att bidra till ytterligare framsteg inom EKG-signalanalys och förbättrad noggrannhet vid detektion av R-toppar. Denna studie understryker potentialen hos ML-modeller för att förbättra EKG-analysen och därigenom bidra till förbättrad diagnostik av hjärtsjukdomar och högre kvalitet inom patientvården.

Denna studie undersöker utvecklingen av digitala tjänster och integrationen av innovativ teknik hos försäkringsförmedlingsföretaget Portfolio Försäkra. Under de inledande diskussionerna med VD, Andreas Adolfsson, noterades att företaget hade vissa luckor i sitt digitala tjänsteutbud och saknade användning av innovativ teknik. Bristerna är inte unika för Portfolio Försäkra utan potentiellt förekommande inom hela försäkringssektorn, vilket innebär en stor inverkan på marknadens konkurrens.  I dagens digitala era är expertis inom teknik och innovativa metoder avgörande för försäkringssektorns framgång. Förbättrad digital tjänsteinnovation är nödvändig för att kunderna ska kunna använda information mer effektivt, vilket i slutändan leder till ökad kundlojalitet och kundnöjdhet. Därför är behovet av att förbättra de digitala tjänsterna inom försäkringssektorn absolut nödvändigt.  Syftet med denna undersökning är att fördjupa oss i de digitala möjligheter som finns tillgängliga för Portfolio Försäkra och andra försäkringsbolag som för närvarande saknar de senaste tekniska lösningarna. Vi antar rollen som forskare, genomför intervjuer och kommunicerar med anställda på Portfolio Försäkra. Vår dataanalys och våra intervjuer kommer att hjälpa oss att identifiera problemområden som kan hindra företagets utveckling och kundnöjdhet.  Resultaten tyder på att integrationen av innovation och digital teknik måste bli en integrerad del av Portfolio Försäkra företagskultur för att säkerställa en hållbar och långsiktig tillväxt. Resultaten av denna studie erbjuder värdefulla insikter för andra organisationer inom försäkringssektorn som vill förbättra sina digitaltjänsteinnovation och kundnöjdhet. / This study explores the digital service development and innovative technology integration of Portfolio Försäkra, an insurance brokerage firm. During the initial discussions with the CEO, Andreas Adolfsson, it was noted that the company faced gaps in its digital service offerings and lacked the adoption of innovative technologies. The observed shortcomings are not unique to Portfolio Försäkra but potentially prevalent across the insurance sector, signifying a major impact on market competition.  In today's digital age, expertise in technology and innovative practices is crucial to the success of the insurance sector. Improved digital service innovation is essential for the customers to utilize information more efficiently, ultimately leading to increased customer loyalty and satisfaction. Therefore, the need for digital service improvement in the insurance sector is imperative.  The aim of this research is to delve deeper into the digital opportunities available to Portfolio Försäkra and other insurance companies that currently lack the necessary technological advancements. We adopt the role of researcher, conducting interviews and communicating with Portfolio Försäkra's employees. Our data analysis and interviews will help identify problematic areas that could hinder the company's development and customer satisfaction.  The findings suggest that the integration of innovation and digital technology must become an integral part of Portfolio Försäkra's company culture to ensure sustainable and long-term growth. The results of this study offer valuable insights for other organizations in the insurance sector seeking to enhance their digital service offerings and customer satisfaction.

Deep Learning and Neural Networks have been studied and developed for many years as of today, but there is still a great need of research on this field, because the industry needs are rapidly changing. The new challenge in this field is called edge inference and it is the deployment of Deep Learning on small, simple and cheap devices, such as low-power microcontrollers. At the same time, also on the field of hardware design the industry is moving towards the RISC-V micro-architecture, which is open-source and is developing at such a fast rate that it will soon become the standard. A batteryless ultra low power microcontroller based on energy harvesting and RISC-V microarchitecture has been the final target device of this thesis. The challenge on which this project is based is to make a simple Neural Network work on this chip, i.e., finding out the capabilities and the limits of this chip for such an application and trying to optimize as much as possible the power and energy consumption. To do that TensorFlow Lite Micro has been chosen as the Deep Learning framework of reference, and a simple existing application was studied and tested first on the SparkFun Edge board and then successfully ported to the RISC-V ONiO.zero core, with its restrictive features. The optimizations have been done only on the convolutional layer of the neural network, both by Software, implementing the Im2col algorithm, and by Hardware, designing and implementing a new RISC-V instruction and the corresponding Hardware unit that performs four 8-bit parallel multiply-and-accumulate operations. This new design drastically reduces both the inference time (3.7 times reduction) and the number of instructions executed (4.8 times reduction), meaning lower overall power consumption. This kind of application on this type of chip can open the doors to a whole new market, giving the possibility to have thousands small, cheap and self-sufficient chips deploying Deep Learning applications to solve simple everyday life problems, even without network connection and without any privacy issue. / Deep Learning och neurala nätverk har studerats och utvecklats i många år fram till idag, men det finns fortfarande ett stort behov av forskning på detta område, eftersom industrins behov förändras snabbt. Den nya utmaningen inom detta område kallas edge inferens och det är implementeringen av Deep Learning på små, enkla och billiga enheter, såsom lågeffektmikrokontroller. Samtidigt, även på området hårdvarudesign, går industrin mot RISC-V-mikroarkitekturen, som är öppen källkod och utvecklas i så snabb takt att den snart kommer att bli standarden. En batterilös mikrokontroller med ultralåg effekt baserad på energiinsamling och RISC-V-mikroarkitektur har varit den slutliga målenheten för denna avhandling. Utmaningen som detta projekt är baserat på är att få ett enkelt neuralt nätverk att fungera på detta chip, det vill säga att ta reda på funktionerna och gränserna för detta chip för en sådan applikation och försöka optimera så mycket som möjligt ström- och energiförbrukningen. För att göra det har TensorFlow Lite Micro valts som referensram för Deep Learning, och en enkel befintlig applikation studerades och testades först på SparkFun Edge-kortet och portades sedan framgångsrikt till RISC-V ONiO.zero-kärnan, med dess restriktiva funktioner. Optimeringarna har endast gjorts på det konvolutionerande skikt av det neurala nätverket, både av mjukvara, implementering av Im2col-algoritmen, och av hårdvara, design och implementering av en ny RISC-V-instruktion och motsvarande hårdvaruenhet som utför fyra 8-bitars parallella multiplikation -och-ackumulationsoperationer. Denna nya design minskar drastiskt både slutledningstiden (3,7 gånger kortare) och antalet utförda instruktioner (4.8 gånger färre), vilket innebär lägre total strömförbrukning. Den här typen av applikationer på den här typen av chip kan öppna dörrarna till en helt ny marknad, vilket ger möjlighet att ha tusentals små, billiga och självförsörjande chip som distribuerar Deep Learning-applikationer för att lösa enkla vardagsproblem, även utan nätverksanslutning och utan någon integritetsproblematik.

The field of wireless communications is arguably one of the most rapidly developing technological fields. Therefore, with each new advancement in this field, the complexity of wireless systems can grow significantly. This phenomenon is most visible in mobile communications, where the current 5G and 6G radio access networks (RANs) have reached unprecedented complexity levels to satisfy diverse increasing demands. In such increasingly complex environments, managing resources is becoming more and more challenging. Thus, experts employed performant artificial intelligence (AI) techniques to aid radio resource management (RRM) decisions. However, these AI techniques are often difficult to understand by humans, and may receive unimportant inputs which unnecessarily increase their complexity. In this work, we propose an explainability pipeline meant to be used for increasing humans’ understanding of AI models for RRM, as well as for reducing the complexity of these models, without loss of performance. To achieve this, the pipeline generates diverse feature importance explanations of the models with the help of three explainable artificial intelligence (XAI) methods: Kernel SHAP, CERTIFAI, and Anchors, and performs an importance-based feature selection using one of three different strategies. In the case of Anchors, we formulate and utilize a new way of computing feature importance scores, since no current publication in the XAI literature suggests a way to do this. Finally, we applied the proposed pipeline to a reinforcement learning (RL)- based RRM system. Our results show that we could reduce the complexity of the RL model between ∼ 27.5% and ∼ 62.5% according to different metrics, without loss of performance. Moreover, we showed that the explanations produced by our pipeline can be used to answer some of the most common XAI questions about our RL model, thus increasing its understandability. Lastly, we achieved an unprecedented result showing that our RL agent could be completely replaced with Anchors rules when taking RRM decisions, without a significant loss of performance, but with a considerable gain in understandability. / Området trådlös kommunikation är ett av de snabbast utvecklande tekniska områdena, och varje framsteg riskerar att medföra en signifikant ökning av komplexiteten för trådlösa nätverk. Det här fenomenet är som tydligast i mobil kommunikaiton, framför allt inom 5G och 6G radioaccessnätvärk (RANs) som har nåt nivåer av komplexitet som saknar motstycke. Detta för att uppfylla de ökande kraven som ställs på systemet. I dessa komplexa system blir resurshantering ett ökande problem, därför används nu artificiell intelligens (AI) allt mer för att ta beslut om hantering av radioresurser (RRM). Dessa AI tekniker är dock ofta svåra att förstå för människor, och kan således ges oviktig input vilket leder till att öka AI modellernas komplexitet. I detta arbete föreslås en förklarande pipeline vars mål är att användas för att öka människors förståelse av AI modeller för RRM. Målet är även att minska modellernas komplexitet, utan att förlora prestanda. För att åstadkomma detta genererar pipelinen förklaringar av betydande predikatorer för modellen med hjälp av tre metoder för förklarande artificiell intelligens (XAI). Dessa tre metoder är, Kernel SHAP, CERTIFAI och Anchors. Sedan görs ett predikatorurval baserat på predikatorbetydelse med en av dessa tre metoder. För metoden Anchors formuleras ett nytt sätt att beräkna betydelsen hos predikatorer, eftersom tidigare forskning inte föreslår någon metod för detta. Slutligen appliceras den föreslagna pipelinen på en förstärkt inlärnings- (RL) baserat RRM system. Resultaten visar att komplexiteten av RL modellen kunde reduceras med mellan ∼ 27, 5% och ∼ 62, 5% baserat på olika nyckeltal:er, utan att förlora någon prestanda. Utöver detta visades även att förklaringarna som producerats kan användas för att svara på de vanligaste XAI frågoran om RL modellen, och på det viset har även förståelsen för modellen ökat. Sistnämnt uppnåddes enastående resultat som visade att RL modellen helt kunde ersättas med regler producerade av Anchor-metoden för beslut inom RRM, utan någon störra förlust av prestanda, men med an stor vinst i förståelse.

We are today facing an industrial revolution called Industry 4.0. Earlier in the human history, we have seen multiple industrial revolutions, but only after they actually happened. This is the first time we can see that an industrial revolution is on its way. Witht his knowledge, we have the chance to prepare for this large‐scaled technological change that we are standing in front of. Because of the impact that earlier industrial revolutions had on organizations, we can assume that Industry 4.0, as well, will impact and change work, tasks and the organizations themselves; especially when it comes to new high‐tech knowledge and skills that need to be learnt. Implementation, change, and high‐tech learning, together with a constantly running production can be stressful for anyone involved. For this reason, the purpose of this study is to come up with solutions on how you can facilitate the implementation of Industry 4.0, for employees and in an organizational point of view. We do this by conducting a literature study as well as interviewing organizations within the Swedish manufacturing industry. The structure of the analysis is built upon Lewin’s Three‐stage Model of Change. Here, we discuss and present solutions according to the stage in which they fit during the change process. Additionally, we investigate the concept of gamification as a tool to facilitate change. From our research, we conclude that motivation and engagement are keys in a technological change project such as Industry 4.0. Involvement, transparency and clarity are important aspects to make employees engaged throughout the project. Additionally, we present practical solutions for how organizations can educate their employees within Industry 4.0 techniques, as well as increase their motivation and engagement. / Vi står idag inför en industriell revolution som kallas Industri 4.0. Tidigare i historien har vi sett industriella revolutioner först efter att de inträffat. Det är nu första gången vi kanse att en industriell revolution är på väg. Med denna kunskap har vi idag en möjlighet att förbereda oss för den teknologiska utveckling som vi står inför. På grund av de tidigare industriella revolutionerna och den stora påverkan som de har haft på organisationer, kan vi anta att Industri 4.0 också kommer förändra jobb, uppgifter och organisationer – framför allt när det kommer till den nya teknologiska kunskap som nya maskiner och system kommer kräva av de som använder dem. Implementering, förändring och en hög nivå av teknologiskt lärande, samtidigt som produktionen fortfarande kommer snurra dygnet runt, kan vara stressigt för vem som helst. Därför syftar detta examensarbete till att ta fram lösningar för hur man kan förenkla implementationen av Industri 4.0, ur ett medarbetarperspektiv och för organisationen som helhet. Vi gör detta genom en litteraturstudie och genom intervjuer med organisationer inom den svenska tillverkningsindustrin. Strukturen på analysen bygger på Lewins trestegsmodell för förändring. Här diskuterar och presenterar vi lösningar enligt vilket steg de passar in i under förändringsprocessen. Vidare utvärderar vi gamification som ett verktyg för att underlätta förändringen. Detta arbete kommer fram till att det viktigaste för att genomföra ett förändringsarbete i denna omfattning är motivation och engagemang från både anställda och ledning. Involvering, transparens och tydlighet är viktiga delar för att göra anställda engagerade genom hela projektet. Vidare presenterar vi lösningar för hur man kan utbilda sina anställda inom Industri 4.0‐tekniker, och även för hur man kan öka motivation och engagemang.

In the age of digitalization several new ways of creating immaterial property have sprung up due to the resurgence of artificial intelligence (AI). This has paved the way for different kinds of tech including the assistance of AI in a more normalized way. A prominent variation of this tech is called "deepfake". Deepfakes are a technology that essentially places your face, likeness, mannerisms, and voice onto new situations that the creator then steers to make the deepfake do or say things that the person whose deepfake is based on hasn't done or said. This technology has been used in a myriad of ways all from humourous content to extorsion and revenge porn. The aim of this master thesis is to analyse how immaterial law protection is achieved through current Swedish immaterial law principles and how these fit within the context of heavily based AI-tech such as deepfakes. This is done through a dogmatic lens meaning that a systematization and mapping of both Swedish and EU based laws and praxis are done as well as discussing the current thoughts on AI-assistance throughout the creative process. Another subject that is touched upon is the parody exception in immaterial law and the concept of adaptation and how these work with and apply to AI-based creations. Part of the problems that we face right now is that we have no existing legal parameters to solve the problem of larger AI-involvement in creative processes, this is certainly going to change how we view copyright law today. When comparing and using EU as well as Swedish praxis to analyze the AI-problem a common denominator is that all copyright law and praxis is based around the presumption that there needs to be a human involved in the majority of the creative process. AI already exists as a part of many creative processes today without any questions asked, however when the AI-part is more significant in the process the question becomes complicated when paired with traditional copyright law perspectives. Howevwer, some discussions have been going on in both Swedish and EU legal spheres, mostly in the EU who are going to legislate more in the field of AI. In Sweden there have been no legislative processes when it comes to AI in copyright law however there have been some governmental organisations and essays that have shed a light on the matter. I conclude this master thesis by writing about the findings of each question as has been mentioned above, namely that AI becomes a significant factor in deciding if a deepfake achieves copyright protection or not and the same can be said about parodies. After this I make a concluding analysis of the urgency of a need for laws that tackle AI in the area of immaterial laws listing other areas that might need it more than immaterial laws as has been explored throughout this thesis as well and that Sweden need to take part in every discussion about this to form a sustainable legal framework for AIs in the context of immaterial laws. This will open up for a clear framework when assessing different technologies that use AI like deepfakes as well.