TinyML är ett snabb växande tvärvetenskapligt område i maskininlärning. Den fokuserar på att möjliggöra maskininlärnings algoritmer på inbyggda enheter (mikrokontroller) som arbetar vid lågt effektområde. Syftet med denna studie är att analysera hur bra TinyML kan är lösa typiska ML-uppgifter. Studien hade fyra forskningsfrågor som svarades genom att undersöka olika litteraturstudier och implementera testmodell både på laptop och på inbyggda enheter (Arduino nano 33). Implementationen började med att skapa maskininlärningsmodell i form av sinusfunktion genom att skapa ett 3- lagers, fullt anslutet neuralt nätverk som kan förutsäga sinusfunktionens utdata, på detta sätt används modellen som en regressionsanalys. Idéen är att träna modellen som accepterar värden mellan 0 och 2π och sedan matar ut ett värde mellan -1 och 1. Därefter konverteras modellen till en Tensorflow Lite för att kunna distribuera den på Arduino nano 33. Resultatet visade att TinyML är bra lösning för att lösa ML-uppgifter eftersom det lyckades överföra ML-algoritmen till mikrokontrollen Arduino nano 33. TinyML kunde hantera och bearbeta data utan behov till internetanslutning vilket gav möjlighet för utvecklare att programmera på ett effektivt och lämpligt sätt. TinyML verkar ha en ljus framtid och många vetenskapliga studier påpekar att maskininlärningens största fotavtryck i framtiden kan vara genom TinyML. / TinyML is a rapidly growing interdisciplinary field in machine learning. They focus on enabling machine learning algorithms on built-in devices (microcontrollers) that work at low power ranges. The purpose of this study is to analyze how well Tiny-ML can solve typical ML tasks. The study had four research questions that were answered by examining different literature studies and implementing test model both on laptop and on built-in devices (Arduino nano 33). The implementation began with creating a machine learning model in the form of a sine function by creating a 3-layer, fully connected neural network that can predict the output of the sine function, in this way the model is used as a regression analysis. The idea is to train the model that accepts values between 0 and 2π and then outputs a value between -1 and 1. Then the model is converted to a Tensorflow Lite to be able to distribute it on the Arduino nano 33. The results showed that TinyML is a good solution for solving ML data, as they managed to transfer the ML algorithm to the microcontroller Arduino nano 33. They could handle and process data without the need for an Internet connection, which allowed developers to program, anywhere and anytime any. TinyML seems to have a bright future and many scientific studies point out that the biggest footprint of machine learning in the future may be through TinyML.

Artificiell intelligence (AI) har blivit vanligare att använda för att stödja människor i deras beslutsfattande. Maskininlärning (ML) är ett delområde inom AI som har börjat användas mer inom hälso-och sjukvården. Patientdata ökar inom vården och ett AI-system kan behandla denna ökade datamängd, vilket vidare kan utveckla ett beslutsstöd som hjälper läkarna. AI-tekniken blir vanligare att använda inom radiologin och specifikt inom mammografin som ett beslutsstöd. Användning av AI-teknik inom mammografin medför fördelar men det finns även utmaningar som inte har något med tekniken att göra.Icke-tekniska utmaningar är viktiga att se över för att generera en lyckad praxis. Studiens syfte var därför att undersöka icke-tekniska utmaningar vid användning av AI som ett beslutsstöd inom mammografi ur ett radiologiskt perspektiv. Radiologer med erfarenhet av mammografi intervjuades i syfte att öka kunskapen kring deras syn på användningen.Resultatet från studien identifierade och utvecklade de icke-tekniska utmaningarna utifrån temana: ansvar, mänskliga förmågor, acceptans, utbildning/kunskap och samarbete. Resultatet indikerade även på att inom dessa teman finns icke-tekniska utmaningar med tillhörande aspekter som är mer framträdande än andra. Studien ökar kunskaperna kring radiologers syn på användningen och bidrar till framtida forskning för samtliga berörda aktörer. Forskning kan ta hänsyn till dessa icke-tekniska utmaningar redan innan tekniken är implementerad i syfte att minska risken för komplikationer. / Artificial intelligence (AI) has become more commonly used to support people when making decisions. Machine learning (ML) is a sub-area of AI that has become more frequently used in health care. Patient data is increasing in healthcare and an AI system can help to process this increased amount of data, which further can develop a decision support that can help doctors. AI technology is becoming more common to use in radiology and specifically in mammography, as a decision support. The usage of AI technology in mammography has many benefits, but there are also challenges that are not connected to technology.Non-technical challenges are important to consider and review in order to generate a successful practice. The purpose of this thesis is therefore to review non-technical challenges when using AI as a decision support in mammography from a radiological perspective. Radiologists with experience in mammography were interviewed in order to increase knowledge about their views on the usage.The results identified and developed the non-technical challenges based on themes: responsibility, human abilities, acceptance, education/knowledge and collaboration. The study also found indications within these themes that there are non-technical challenges with associated aspects that are more prominent than others. This study emphasizes and increases the knowledge of radiologists views on the usage of AI and contributes to future research for all the actors involved. Future research can address these non-technical challenges even before the technology is implemented to reduce the risk of complications.