Detta examensarbete har utförts under tio veckor på uppdrag av företaget BitSim NOW. Den manuella metod som idag används för mätning av stötar inom kulstötning kan utgöra en risk för felaktiga resultat och personskador. Med hjälp av tekniska hjälpmedel kan en lösning med noggrannare mätningar och lägre risk för skador implementeras i sporten kulstötning. Denna rapport presenterar en lösning som med hjälp av artificiell intelligens identifierar kulan utifrån en filmsekvens. Därefter beräknas längden av stöten med hjälp av en formel för kastparabeln. Lösningen jämförs sedan med en metod utan artificiell intelligens för att fastställa den bästa av de två metoderna. De variablersom jämfördes var noggrannheten på stötens längd och hur bra de två olika metoderna spårade kulan. Resultatet analyserades i relation till de uppsatta målen och sattes därefter in i ett större sammanhang. / This thesis project has been done during ten weeks on behalf of the companyBitSim NOW. The current method used to measure the length of shot-puts presents a risk of inaccurate results along with the risk of injury for the measuring personnel. With the help of technical aids, a solution with more accurate measurements and a lower risk for injuries could be implemented in the sport of shot-puts. This report presents a solution using artificial intelligence to first identify the shotin video films and secondly calculate the length using mathematical formulas. Thesolution is then compared to a method that does not use artificial intelligence, to determine what method is the superior one. The parameters that were compared were the accuracy of the length and the quality of the tracking. The result was analyzed in relation to the aims of the project and then put into a larger context.

This master thesis aims to explore and discuss a central problem within archival science, namely, how to secure transparency in AI-systems. This is done through an analysis of the European commission´s Artificial intelligence act, a proposal meant to address the ethical issues concerning AI and secure a competitive European market. Using the theoretical framework “Frames”, this paper argues that the commission perceives the Artificial intelligence act as a social response to AI as a phenomenon and challenge. This is supported with a comparison with other publications concerning artificial intelligence by the European commission. The paper also investigates the role of archives and recordkeeping in securing transparency of AI. According to the commission’s proposal, its main task is to explain AI decision or by reporting the systems design and capacity. In order to discuss possible consequences to governmental agencies, the AI act is compared with current Swedish archival law and practice. Furthermore, the referrals by the Swedish government and agencies are also included to put this discussion in a wider perspective. Although positive to the initiative, the referrals show a concern of a vague definition of AI, expanding administration and its possible obstructive effect on AI development. I argue that the concerns should be taken seriously. Instead of mindlessly inserting documentation requirements, archivist should take a step back and ask themselves what information is relevant to preserve about artificial intelligence. A difficult question to answer indeed, but necessary because the changes and risks the technology entails requires some sort of documentation in order to guarantee transparency. Therefore, archivists should explore and discuss this important and exciting topic, in order to face a revolutionary technology and future. This is a two years master's thesis in Archival science.

Investment decision in the property market is closely connected to property valuation. Thus, accuracy of valuation results and deep analysis of the market is essential. Artificial Intelligence (AI) models have been successfully adopted in different fields and markets. However, the real estate market is typically lagged in time to adapt to these changes. Swedish commercial property market arrangements are characterized by increasing confidentiality of certain data types. As a consequence, the adoption of the AI valuation models in the Swedish commercial property market is slowed down.  This study aims to bridge the gap in existing research by focusing on the market actor’s behavior in relation to market development and exploiting the capabilities inherent in adopting AI models in commercial property valuations.  The qualitative approach based on interviews with experts has been used to achieve the main objective of this study. Results suggest that the AI valuation models used on commercial properties are applied on valuation data and not on real transaction data. Analysis covers different aspects including data challenges and its disclosure, the role of government authorities, market and data perspectives of AI application on property valuations. A framework on AI implication in property valuation in different time horizons presented in this study will help to overcome data challenges and improve transparency of valuation results. This study is beneficial to various actors in the property market, including government authorities, investors, valuers and researchers. / Investeringsbeslut på fastighetsmarknaden är sammankopplat till fastighetsvärdering. Således är noggrannhet i värderingsresultat och en djup marknadsanalys nödvändiga. Artificiell intelligens (AI) modeller applicerades framgångsrikt inom olika områden och marknader. Fastighetsmarknaden är dock försenad i tid för att anpassa sig till dessa förändringar. Svenskt kommersiellt fastighetsmarknadsarrangemang är känd för ökad sekretess för vissa datatyper. Som en följd av detta minskar adopteringen av AI-värderingsmodeller på den svenska kommersiella fastighetsmarknaden. Denna studie syftar på att fylla i gapet i befintlig forskning genom att fokusera på marknadsaktörens beteende i förhållande till marknadsutveckling och utnyttja de möjligheter som ligger i adopteringen av AI-modeller i kommersiella fastighetsvärderingar.Den kvalitativa metoden baserad på intervjuer med experter har använts för att uppnå huvudmålet för denna studie. Resultaten tyder på att AI-värderingsmodellerna som används på kommersiella fastigheter tillämpas på värderingsdata och inte på transaktionsdata. Analysen täcker olika aspekter, inklusive datautmaningar och dess avslöjande, myndigheternas roll, marknads- och dataperspektiv för AI-tillämpning på fastighetsvärderingar. Ett ramverk för AI-implikationer i fastighetsvärdering inom olika tidshorisonter som presenteras i denna studie kommer att hjälpa till att överkomma datautmaningar och förbättra transparensen i värderingsresultaten. Denna studie är nyttig för olika aktörer på fastighetsmarknaden, inklusive myndigheter, investerare, värderare och forskare.

Framgången av mönsterigenkänning inom AI (artificiell intelligens) har skapat höga förväntningar om att AI ska kunna appliceras inom vården, framför allt inom radiologi. Det danska företaget Radiobotics har utvecklat en maskininlärningsbaserad programvara som diagnostiserar knäartros, för att assistera vårdpersonalen i deras arbete. Denna AI-programvara vid namn RBknee analyserar en röntgenbild utifrån tre diagnostiska parametrar som förekommer vid knäartros, för att sedan sammanställa de radiologiska fynden i en skriftlig rapport tillsammans med en slutgiltig diagnos. För att få förståelse för hur RBknees analysförmåga påverkas av en bildkvalitetsförsämring undersöktes för vilken kontrast och brusnivå som RBknee genererar ett felaktigt utlåtande gällande de diagnostiska parametrarna och slutdiagnosen. Vidare undersöktes om graden av knäartros påverkade RBknee analysförmåga vid en bildkvalitetsförsämring. Ett bildunderlag med kliniskt tagna slätröntgenbilder av knän degraderades med avseende på kontrast och brus för att sedan analyseras av RBknee. Förändringar av RBknees utlåtande för de degraderade bilderna jämfört med originalbildens utlåtande sammanställdes och studerades. Resultatet visade att det inte gick att identifiera en specifik försämringsgrad av bildkvaliteten där RBknee genererade ett felaktigt utlåtande. RBknees förmåga att generera ett korrekt utlåtande var bättre vid en kontrastdegradering än vid en brusdegradering. Det konstaterades att en ökad brusnivå ökade risken för ett felaktigt utlåtande av RBknee, samt att brusets position på röntgenbilden hade en påverkan. Det gick även att fastställa att röntgenbilder av knän med en lägre grad av knäartros i högre grad riskerade att få felaktiga utlåtanden av RBknee. / The success of pattern recognition in AI (artificial intelligence) has brought high expectations for AI to be applied in healthcare, especially in radiology. A machine learning software for knee osteoarthritis diagnosis has been developed by the Danish company Radiobotics. The AI software, named RBknee, analyses digital radiographs and annotates osteoarthritis related findings. The findings, together with a conclusion, are compiled in a written report. RBknee is intended to assist healthcare professionals in radiographic analysis. How RBknees analytical ability is affected by a reduced image quality was studied by examining the contrast and noise level which cause RBknee to generate incorrect findings and conclusions. If the image quality reduction caused RBknees analytically ability to differ with different degrees of knee osteoarthritis, was also studied. The image quality of clinical digital radiographs of knees was reduced and analysed by RBknee. RBknees findings and conclusion were compared with the report of the original image, where the changes were compiled into tables. No specific reduction of image quality that restricted RBknee analytically ability was established in the study. An increased noise level seemed to increase the risk of receiving an incorrect report by RBknee. RBknees ability to generate correct report was better for contrast degraded images than for images with increased noise level. The position of the noise in the radiograph also seemed to have an impact on RBknees analytical ability. It was also possible to establish that knees with a lower degree of knee osteoarthritis were more likely to receive an incorrect report from RBknee.

Screen media activity such as watching TV and videos, playing video games, and using social media has become a popular leisure activity for children and adolescents. The effect of screen time has been a highly debated topic; however, there is still very little known about it. Using a dataset from the Adolescent Brain Cognitive Development longitudinal study 4 217 young adolescents, that met the requirements, could be retrieved for this thesis project after processing of the data. This thesis project investigated causal order between genetic effect (cognitive performance Polygenic scores (PGSs)), screen time activity, brain morphology (structural Magnetic Resonance Imaging (sMRI) for surface area and cortical thickness), lack of perseverance, and cognitive performance (crystallized IQ) with a machine learning algorithm DirectLiNGAM. A clear correlation between screen media activity and PGS was found for all types of screen time activities but only video games and social media correlated to the global surface area. Furthermore,  TV and video seem to affect lack of perseverance, and lack of perseverance, in turn, affects time spent on video games. These findings imply that different types of social media are not as alike as we thought and can affect adolescents differently. Taken together, these findings support previous research on screen media activity's effect on lack of perseverance, brain morphology, and cognitive performance, and propose new causal inference between genetics and screen time. Lastly, the algorithm used in this thesis project inferred reasonable causal orders and can be seen as a very good complement to today's causal modeling. / Skärmaktivitet som att titta på TV och video, spela videospel och använda sociala medier har blivit en populär fritidsaktivitet för barn och ungdomar. Effekten av skärmtid har varit ett mycket debatterat ämne; det finns dock fortfarande mycket lite kunskap om det. Med hjälp av datasetet från Adolescent Brain Cognitive Development långtidsstudien kunde 4 217 ungdomar, som uppfyllde specifika krav, väljas ut för detta avhandlingsprojekt efter bearbetning av datan. Detta avhandlingsprojekt undersökte kausal ordning mellan genetisk effekt (Polygenic scores (PGS) för kognitiv prestation), skärmtidsaktivitet, hjärnmorfologi (strukturell Magnet Resonans Imaging (sMRI) för hjärnans ytarea och hjärnbarks tjocklek), brist på ihärdighet och kognitiv förmåga (kristalliserad IQ) med en maskininlärningsalgoritm DirectLiNGAM. Tydlig korrelation mellan skärmaktivitet och PGS hittades för alla typer av skärmaktiviteter men endast videospel och sociala medier korrelerade till den globala ytarean. Dessutom verkar TV och video påverka brist på ihärdighet och brist på ihärdighet i sin tur påverkar hur mycket tid som spenderas på videospel. Dessa resultat antyder att olika typer av sociala medier inte är så lika som vi trodde och kan påverka ungdomar olika. Sammanlagt stöder dessa upptäckter tidigare forskning om skärmtidseffekt på brist på ihärdighet, hjärnmorfologi och kognitiv förmåga och föreslår en ny kausal inferens mellan genetik och skärmtid. Slutligen ledde algoritmen som användes i detta avhandlingsprojekt fram till rimliga kausala ordningar och kan ses som ett mycket bra komplement till dagens kausala modellering.

When an organization receives invoices, accountants specify accounts and cost centers related to the purchases. This thesis investigated automated decision support with machine learning that gives suggestions to the accountant of what accounts and cost centers that can be used for invoices. The purpose was to identify benefits and risks of using machine learning automation for invoice processing and evaluate the performance of this technology. It was found that machine learning-based decision support for invoice processing is perceived to be beneficial by saving time, reducing the mental effort, create more coherent bookkeeping, detect errors, and enabling higher levels of automation. However, there are also risks related to implementing automation with machine learning. There is a high variety of how accounts and cost centers are used in different organizations and an uneven performance can be expected due to that some invoices are more complex to process than others. Machine learning experiments were conducted which indicated that the accuracy of suggesting the correct account was 73–76%. For cost centers, the accuracy was 50–62%. A method for filtering machine learning output was developed with the aim of raising the accuracy of the automated suggestions. With this method, the limited amount of suggestions that passed the filter achieved accuracy up to 100%. / När en organisation tar emot fakturor anges konton och kostnadsställen relaterade till inköpen. Detta examensarbete undersökte automatiserat beslutsstöd med maskininlärning som ger förslag på vilka konton och kostnadsställe som kan användas för fakturor. Syftet var att identifiera fördelarna och riskerna med att använda automatisering med maskininlärning för fakturahantering och utvärdera teknikens prestanda. Resultaten visade att maskininlärningsbaserat beslutsstöd för fakturabehandling uppfattas vara fördelaktigt genom att spara tid, minska mentala ansträngning, skapa mer sammanhängande bokföring, upptäcka fel, och möjliggöra högre automatiseringsnivåer. Men det finns också risker relaterade till implementering av automatisering med maskininlärning. Det är en stor variation gällande hur konton och kostnadsställen används i olika organisationer och en ojämn prestanda kan förväntas på grund av att vissa fakturor är mer komplexa att bokföra än andra. Maskininlärningsexperiment genomfördes som indikerade att korrektheten i att föreslå rätt konto var 73–76%. För kostnadsställe var korrektheten 50–62%. En metod för att filtrera maskininlärnings-förslagen utvecklades i syfte att höja korrektheten för automatiseringen. Med denna metod uppnådde den begränsade mängden förslag som passerade filtret en korrekthet upp till 100%.

Användandet av AI har tagit fart och har revolutionerat många företag. AI har också en stor roll att spela i Industri 4.0. Företag anpassar sig till en mer digital och autonom värld. Industrier satsar stora summor på detta för att inte hamna efter. AI har gått från en Idé till verklighet. Den här uppsatsen fokuserar på att undersöka hur tillverkande företag med hjälp av AI kan planera personal behovet och hur detta sedan leder till att öka resurseffektiviteten. Implementeringen av AI inom personalplanering är fortfarande på gräsrotsnivå. Det finns en inre resistans hos industriella företag att implementera detta kombinerat med att AI fortsätter att utvecklas och förbättras i en rask takt. Mer standardisering och bättre verktyg för att utvärdera träffsäkerhet och nytta. En annan bransch som har kommit längre i den här frågan är retail. Den branschen har redan börjat med att använda sig av AI för att planera personalbehoven och snart kanske flera branscher följer deras fotspår. Den tekniska utveckligen går snabbt fram och det är viktigt att hänga med i utveckligen. Även om AI inom personalplanering är i sin startfas så kan det snabbt ske förändringar när man ser nyttan av att införa ett sådant verktyg. / AI is gaining a lot of momentum and starting to revolutionize many businesses. It also has a huge role in Industry 4.0. Companies are starting to adapt to a more digital and autonomous world. Industries are investing heavily in this to not fall behind. AI has gone from something that was out of reach to something more widely used. This thesis is focused on how the industry can use AI to streamline the personnel planning and how this will save resources. The implementation of AI in personnel planning is still at a grass root level. There existan inner resistance at industrial companies to implement this. The other reason is that AI is still evolving and getting better day by day. More standardisation is needed and better tools to evaluate accuracy and benefits. Another sector which has already begun to use these types of tools is retail. They have just started using the technology and maybe soon other sectors will follow in there footsteps. Even though the use of AI in personnel planning is at its starting phase. The tides can turn very quick when the benefits of using such a technology are proven.

Artificial Intelligence (AI) is one of the most spoken-of technologies of today. The future of AI, how it will affect every aspect of our lives, and its potential associated to various sectors are intensively debated. The technology has in recent years started to emerge in the recruitment field, leading to an intensified discussion of its advantages and disadvantages in this context. This master thesis aims to examine and analyze where in recruitment processes it is favorable for organizations to use artificial intelligence, why that might be the case, and how it can be done. To answer the research objective, this thesis contains a literature review focusing on the recruitment process, AI in general, and AI in recruitment, as well as an interview study with key people in different job positions connected to recruitment. Following the results of this study, the main challenges in recruitment today, how AI can help overcome these challenges, and potential barriers preventing AI from doing so, are identified. The main challenges are identified as candidate shortage, distribution of resources, limitations in organizations’ ways of working, and keeping recruitments objective. AI has the potential of helping organizations with all of these challenges, mainly due to its superiority over humans regarding the processing of large volumes of information. The potential barriers identified are mainly connected to recruiters' technological knowledge, their trust in AI, and their view of AI as a threat towards their profession. The thesis concludes that the candidate shortage limiting the labor market today is driving the development of a more efficient and secure recruitment process where AI plays an increasingly important role. To enable the implementation of AI, organizations need to actively encourage the acquisition of knowledge about the technology among their HRM professionals, because, without their understanding of the technology and how it benefits them, its prominent advantages can not be achieved by the organization.

Denna uppsats undersöker hur artificiell intelligens (AI) kan integreras i projektledningsprocesser för att förbättra effektiviteten och hanteringen av projekt. Genom en kvalitativ forskningsmetodik, baserad på semistrukturerade intervjuer med professionella från olika sektorer, utforskas AI:s möjligheter och utmaningar inom projektledning. Studiens syfte är att identifiera de centrala sätten på vilka AI kan bidra till projektledning och att diskutera både de positiva effekterna och de potentiella svårigheterna med dess integration. De viktigaste resultaten visar att AI har potential att förändra projektledning genom optimering och effektivisering av arbetsprocesser, förbättrad riskhantering, samt effektivisering av kommunikation och beslutsstöd. Respondenterna framhäver hur AI kan automatisera repetitiva uppgifter, ge djupgående analyser för bättre beslutsfattande, och förbättra samarbetet inom projektteam. Trots dessa fördelar, identifieras även utmaningar såsom säkerhetsrisker, risk för överberoende av AI, samt behovet av kontinuerlig utbildning och anpassning till teknologiska framsteg. Studiens slutsatser betonar AI:s betydande potential att förbättra projektledningsprocesser, men understryker även vikten av en välövervägd integrering som tar hänsyn till både möjligheter och risker. Framtida forskning bör fokusera på att utveckla strategier för att övervinna identifierade utmaningar och ytterligare utforska AI:s roll i projektledning. / This thesis investigates how artificial intelligence (AI) can be integrated into project management processes to enhance efficiency and management of projects. Through a qualitative research methodology, based on semi-structured interviews with professionals from various sectors, the opportunities and challenges of AI within project management are explored. The purpose of the study is to identify the key ways in which AI can contribute to project management and to discuss both the positive effects and potential difficulties of its integration. The main results show that AI has the potential to revolutionize project management through optimization and streamlining of work processes, improved risk management, and streamlining of communication and decision support. Respondents highlight how AI can automate repetitive tasks, provide in-depth analyses for better decision-making, and improve collaboration within project teams. Despite these benefits, challenges such as security risks, the risk of over-reliance on AI, and the need for continuous education and adaptation to technological advances are also identified. The conclusions of the study emphasize AI's significant potential to improve project management processes but also underscore the importance of a well-considered integration that takes both opportunities and risks into account. Future research should focus on developing strategies to overcome identified challenges and further explore AI's role in project management.

This study examined how Swedish digital marketers use AI and its impact on their workflow, as well as the limitations of adopting AI for digital marketing. Semi-structured interviews were performed with Swedish digital marketing professionals, and a thematic analysis was conducted to identify themes and patterns that appeared in the data collection.  The software used by participants varied, but all seven utilized ChatGPT. Five used Google Ads and Google Analytics, three used Adobe software (including Adobe Firefly and Photoshop), and two used Midjourney. Other software was also used independently by participants. The findings indicate that AI has enhanced perceived productivity and proved valuable to marketers. Those who employed AI technology reported more effective work sessions and shorter work completion times. However, the study also identified significant limitations of AI in digital marketing. These limitations include AI's inability to match human creativity, which limits the development of creative brand storylines, campaign designs, and content production. Additionally, issues with the tone and accuracy of generative AI content highlight the need to maintain authenticity and reliability in marketing communications. Marketers expressed concerns about the accuracy and quality of AI-generated information and sought clearer guidelines and regulations regarding the use of AI tools.