Forskningsresultat tyder på att det idag finns en problematik för anställda gällande att applicera utbildningskunskap i praktiken. Denna problematik refereras ofta till transfer problem vilket handlar om utebliven kunskapsöverföring. Vissa forskare föreslår att möjligheten till kunskapsöverföring är beroende av individens kognitiva kapacitet medan andra anser att kunskapsöverföring beror på utbildningsdesign och faktorer i arbetsmiljön. Nästan all tidigare forskning gällande detta ämne har varit kvantitativ, det finns därmed ont om kvalitativ forskning kring hur anställda faktiskt upplever och beskriver övergången mellan teori till praktik i arbetslivet. Syftet med studien var därför att undersöka arbetstagares upplevelser och beskrivningar kring de faktorer som påverkar kunskapsöverföring mellan internutbildning till praktiskt utförande. I denna uppsats var samtalsmetoden MI (Motivational Interview) ett exempel på denna kunskapsöverföring där fokus riktades mot socialarbetare som arbetstagare. Studien antog en abduktiv ansats och ett hermeneutiskt angreppssätt gällande tolkning. Ämnet har undersökts utifrån fem socialarbetare som alla arbetar med MI i praktiken med hjälp av semi-strukturerade intervjuer. Den empiriska datan har analyserats genom en tematisk analys och har därefter tolkats utifrån teorin training transfer som tittar hur faktorer hos individen, utbildningsdesignen samt arbetsmiljön påverkar möjligheten till kunskapsöverföring. Resultatet visade på att socialarbetarna upplevde faktorer i deras arbetsmiljö som påverkade möjligheten till kunskapsöverföring av MI. Sådana faktorer handlade bland annat om tidsbrist, bristande direktiv och stöd samt att MI som metod krockade med socialarbetarnas praktik. Trots dessa faktorer var socialarbetarna fortsatt positivt inställda till MI som metod. Resultatet visade också på att ökad kvalitetssäkran och kontinuerligt lärande är viktigt för att socialarbetarna ska kunna fortsätta använda MI i deras arbete. / Research results indicate that there is currently a problem for employees regarding applying training knowledge in practice. This problem is often referred to as transfer problem, which is referring to lack of knowledge transfer between training and practice. Some researchers suggest that the possibility of knowledge transfer is dependent on the individual's cognitive capacity, while others believe that knowledge transfer depends on education design and factors in the work environment. Almost all previous research on this subject has been quantitative, thus there is a shortage of qualitative research on how employees experience and describe the transition between theory and practice in working life. The purpose of the study was therefore to investigate employees' experiences and descriptions of the factors that affect the transfer of knowledge between internal training to practical execution. In this essay, the interview method MI (Motivational Interview) was an example of this knowledge transfer where the focus was on social workers as employees. The study adopted an abductive approach and a hermeneutic approach to interpretation. The topic has been investigated from five social workers who all work with MI in practice with the help of semi-structured interviews. The empirical data has been analysed through a thematic analysis and has subsequently been interpreted based on the theory of training transfer that looks at how factors in the individual, the educational design and the working environment affect the possibility of knowledge transfer. The results showed that social workers experienced factors in their work environment that affected the possibility of knowledge transfer of MI. Such factors involved, among other things, lack of time, lack of directives and support, and that MI as a method crashed with the social workers' practice. Despite these factors, the social workers remained positive towards MI as a method. The results also showed that increased quality assurance and continuous learning are important for social workers to be able to continue using MI in their work.

Bakgrund: En kund köper inte varor och tjänster som inte skapar något värde, vilket är något företagen på marknaden måste ta hänsyn till. Utöver det är företagens mål att nå finansiella samt icke-finansiella vinningar från sin produkt. Det är stor konkurrens på marknaden vilket innebär att konsumenten kan välja och vraka något som företagen måste anpassa sig till. I tjänstesektorn är det kunskap som är den viktigaste faktorn för att locka till sig kunder och är på så sätt något tjänsteföretagen ständigt måste arbeta med om de skall överleva på marknaden. För att undersöka detta kommer företagens syn på värdeskapande, kontinuerligt lärande och de egna resurserna studeras i uppsatsen. Syfte: Att undersöka hur tjänsteföretag arbetar med värdeskapande, kontinuerligt lärande samt dess nedlagda resurser inom ramen för internt utvecklingsarbete. Vidare är syftet att jämföra tjänsteföretagens mognadsgrader med varandra för att därigenom se vilka skillnader samt var potential till förbättring finns. Metod: Uppsatsen grundar sig i den kvalitativa ansatsen med ett heremeneutiskt förhållningssätt. Den sekundärdata som samlades in var genom vetenskapliga artiklar, internetkällor och böcker. Fyra företag och fem personer deltog i uppsatsen vilka intervjuades genom en semi-strukturerad intervjuguide. Datainsamlingen analyserades med hjälp av ett organisatoriskt IQ-test. Resultat och slutsats: Företagen har en liknande grundsyn i sättet de tänker på värdeskapande och kontinuerligt lärande. Dock visar empirin att företagen skildje sig i konflikthanteringen samt att några av företagen hade svårigheter att förändra sig på lokal nivå eftersom de agerade på en global marknad. För att uppnå ett värdeskapande och kontinuerligt lärande lägger samtliga företag ner mycket resurser för att erbjuda en tjänst som möter kundens behov och krav. Hur mognadsgraden för värdeskapande och kontinuerligt lärande ser ut skiljer sig mellan företagen eftersom företagen var bra på olika saker. Det är även inom dessa områden potential till förbättring finns. Uppsatsens bidrag: I sin helhet ger uppsatsen en ökad kunskap om hur tjänsteföretag i den privata tjänstesektorn arbetar med värdeskapande och kontinuerligt lärande. Därutöver bidrar uppsatsen med ytterligare kunskap inom vilka områden tjänsteföretagen utmärker sig, deras mognadsgrad i värdeskapande och kontinuerligt lärande samt var det finns potential till förbättring. / Background: Customer do not intend to purchase a product or service that does not provide them with value and this is something that companies have to consider. At the same time companies aim to achieve financial or non-financial profits by selling their products or services. The market is very competitive and ultimately it is the consumers who have the power to pick and choose whatever alternative that fits them best. Hence, this is something companies have to take into consideration. The private sector provides services rather than products and it is this which is used to attract customers and therefore something companies continually have to work with in order to survive in the market. In order to investigate this, different companies’ view of value creation, continual learning and resources have been studied. Aim: To investigate how service companies work with value creation, continual learning and utilized resources (within the range of internal development work). The aim is also to compare company’s level of maturity and suggest where improvements can be made. Methodology: The study is qualitative with a hermeneutic approach. Data were collected from scientific articles, internet sources and books. Four companies and five persons in total participated in the study and were interviewed using a semi-structured interview form. The data was later analyzed with the help of an organizational IQ-test. Results and conclusion: Companies often have a similar ethos in the way they think about value creation and continuous learning. However, the empirical data shows that companies differ in regard to conflict management, as well as some of the companies having difficulties in making changes at the local level because they act in a global marked. In order to achieve value creation and continuous learning all the companies use a great deal of resources to meet the needs and demands from customers. However, the maturity level of value creation and continuous learning look different between various companies because the companies are good at different activities. It is in these areas there lies the potential for improvement. Contribution of the thesis: It provides increased knowledge in how the private service sector works with value creation and continual learning. It also provides further knowledge of how the service sector excels, its maturity grade in value creation and continual learning, and how they can improve.

While deep learning has proved to be useful in a large variety of tasks, a limitation remains of needing all classes and samples to be present at the training stage in supervised problems. This is a major issue in the field of biomedical imaging since keeping samples in the training sets consistently is often a liability. Furthermore, this issue prevents the simple updating of older models with only the new data when it is introduced, and prevents collaboration between companies. In this work, we examine an array of Continual Learning approaches to try to improve upon the baseline of the naive finetuning approach when retraining on new tasks, and achieve accuracy levels similar to the ones seen when all the data is available at the same time. Continual learning approaches with which we attempt to mitigate the problem are EWC, UCB, EWC Online, SI, MAS, CN-DPM. We explore some complex scenarios with varied classes being included in the tasks, as well as close to ideal scenarios where the sample size is balanced among the tasks. Overall, we focus on X-ray images, since they encompass a large variety of diseases, with new diseases requiring retraining. In the preferred setting, where classes are relatively balanced, we get an accuracy of 63.30 versus a baseline of 53.92 and the target score of 66.83. For the continued training on the same classes, we get an accuracy of 35.52 versus a baseline of 27.73. We also examine whether learning rate adjustments at task level improve accuracy, with some improvements for EWC Online. The preliminary results indicate that CL approaches such as EWC Online and SI could be integrated into radiography data learning pipelines to reduce catastrophic forgetting in situations where some level of sequential training ability justifies the significant computational overhead. / Även om djupinlärning har visat sig vara användbart i en mängd olika uppgifter, kvarstår en begränsning av att behöva alla klasser och prover som finns på utbildningsstadiet i övervakade problem. Detta är en viktig fråga inom området biomedicinsk avbildning eftersom det ofta är en belastning att hålla prover i träningsuppsättningarna. Dessutom förhindrar det här problemet enkel uppdatering av äldre modeller med endast nya data när de introduceras och förhindrar samarbete mellan företag. I det här arbetet undersöker vi en rad kontinuerliga inlärningsmetoder för att försöka förbättra baslinjen för den naiva finjusteringsmetoden vid omskolning på nya uppgifter och närma sig noggrannhetsnivåer som de som ses när alla data är tillgängliga samtidigt. Kontinuerliga inlärningsmetoder som vi försöker mildra problemet med inkluderar bland annat EWC, UCB, EWC Online, SI. Vi utforskar några komplexa scenarier med olika klasser som ingår i uppgifterna, samt nära idealiska scenarier där exempelstorleken balanseras mellan uppgifterna. Sammantaget fokuserar vi på röntgenbilder, eftersom de omfattar ett stort antal sjukdomar, med nya sjukdomar som kräver omskolning. I den föredragna inställningen får vi en noggrannhet på 63,30 jämfört med en baslinje på 53,92 och målpoängen på 66,83. Medan vi för den utökade träningen på samma klasser får en noggrannhet på 35,52 jämfört med en baslinje på 27,73. Vi undersöker också om justeringar av inlärningsfrekvensen på uppgiftsnivå förbättrar noggrannheten, med vissa förbättringar för EWC Online. De preliminära resultaten tyder på att CL-metoder som EWC Online och SI kan integreras i rörledningar för röntgendatainlärning för att minska katastrofal glömska i situationer där en viss nivå av sekventiell utbildningsförmåga motiverar den betydande beräkningskostnaden.

Within the realm of computer vision tasks, Convolutional Neural Networks (CNN) and Transformers represent two predominant methodologies, often subject to extensive comparative analyses elucidating their respective merits and demerits. This thesis embarks on an exploration of these two models within the framework of continual learning, with a specific focus on their propensities for resisting catastrophic forgetting. We hypothesize that Transformer models exhibit a higher resilience to catastrophic forgetting in comparison to their CNN counterparts. To substantiate this hypothesis, a meticulously crafted experimental design was implemented, involving the selection of diverse models and continual learning approaches, and careful tuning of the networks to ensure an equitable comparison. In the majority of conducted experiments, encompassing both the contexts of class incremental learning settings and task incremental learning settings, our results substantiate the aforementioned hypothesis. Nevertheless, the insights garnered also underscore the necessity for more exhaustive and encompassing experimental evaluations to fully validate the asserted hypothesis. / Inom datorseende är Convolutional Neural Networks (CNN) och Transformers två dominerande metoder, som ofta är föremål för omfattande jämförande analyser som belyser deras respektive fördelar och nackdelar. Denna avhandling utforskar dessa två modeller inom ramen för kontinuerligt lärande, med särskilt fokus på deras benägenhet att motstå katastrofal glömska. Vi antar att Transformer-modeller uppvisar en ökad motståndskraft mot katastrofal glömska i jämförelse med deras CNN-motsvarigheter. För att underbygga denna hypotes implementerades en noggrant utformad experimentell design, som involverade val av olika modeller och kontinuerliga inlärningstekniker, och noggrann inställning av nätverken för att säkerställa en rättvis jämförelse. I majoriteten av de genomförda experimenten, som omfattade både inkrementell klassinlärning och inkrementell uppgiftsinlärning, bekräftade våra resultat den ovannämnda hypotesen. De insikter vi fått understryker dock också behovet av mer uttömmande och omfattande experimentella utvärderingar för att fullt ut validera den påstådda hypotesen.

Deep Learning models have seen great application in demanding tasks such as machine translation and autonomous driving. However, building such models has proved challenging, both from a computational perspective and due to the requirement of a plethora of annotated data. Moreover, when challenged on new situations or data distributions (target domain), those models may perform inadequately. Such examples are transitioning from one city to another, different weather situations, or changes in sunlight. Unsupervised Domain adaptation (UDA) exploits unlabelled data (easy access) to adapt models to new conditions or data distributions. Inspired by the fact that environmental changes happen gradually, we focus on Online UDA. Instead of directly adjusting a model to a demanding condition, we constantly perform minor adaptions to every slight change in the data, creating a soft transition from the current domain to the target one. To perform gradual adaptation, we utilized state-of-the-art semantic segmentation approaches on increasing rain intensities (25, 50, 75, 100, and 200mm of rain). We demonstrate that deep learning models can adapt substantially better to hard domains when exploiting intermediate ones. Moreover, we introduce a model switching mechanism that allows adjusting back to the source domain, after adaptation, without dropping performance. / Deep Learning-modeller har sett stor tillämpning i krävande uppgifter som maskinöversättning och autonom körning. Att bygga sådana modeller har dock visat sig vara utmanande, både ur ett beräkningsperspektiv och på grund av kravet på en uppsjö av kommenterade data. Dessutom, när de utmanas i nya situationer eller datadistributioner (måldomän), kan dessa modeller prestera otillräckligt. Sådana exempel är övergång från en stad till en annan, olika vädersituationer eller förändringar i solljus. Unsupervised Domain adaptation (UDA) utnyttjar omärkt data (enkel åtkomst) för att anpassa modeller till nya förhållanden eller datadistributioner. Inspirerade av att miljöförändringar sker gradvis, fokuserar vi på Online UDA. Istället för att direkt anpassa en modell till ett krävande tillstånd, gör vi ständigt mindre anpassningar till varje liten förändring i data, vilket skapar en mjuk övergång från den aktuella domänen till måldomänen. För att utföra gradvis anpassning använde vi toppmoderna semantiska segmenteringsmetoder för att öka regnintensiteten (25, 50, 75, 100 och 200 mm regn). Vi visar att modeller för djupinlärning kan anpassa sig betydligt bättre till hårda domäner när man utnyttjar mellanliggande. Dessutom introducerar vi en modellväxlingsmekanism som tillåter justering tillbaka till källdomänen, efter anpassning, utan att tappa prestanda.