No description available.

Crowdsourcing och den kollaborativa ekonomin är modeller för öppen innovation som blir allt mer centrala i ett samhälle som står inför morgondagens utmaningar. För att ta itu med globala problem krävs det ett globalt samarbete och ett gemensamt ansvar, där delningsekonomin kan bli avgörande. I denna kvantitativa undersökning svarar vi på frågeställningen om hur upptagandet av och beslutsfattandet kring kollaborativa tjänsteinnovationer kan se ut när vi låter 50 studenter ta del av en kollaborativ tjänsteinnovation. Vi undersöker några befintliga kollaborativa tjänster, redogör för relevanta begrepp och visar på hur Diffusion of innovations kan användas för att förstå något så komplext som hur innovationer kan upptas och spridas i sociala system. Vidare visar vi hur ramverk för konceptualisering av crowdsourcing kan användas för att förstå hur miljöaspekten och viljan att samarbeta kan driva en stor grupp människor till att dela på kompetens, resurser och kunskap. Slutsatser och ett innovationsbidrag lyfts fram som kan hjälpa företag att förstå hur crowdsourcing kan användas och de villkor som spelar roll för individers upptagande. / Crowdsourcing and the sharing economy are essential models for open innovation when facing the challenges of tomorrow. Dealing with global problems require global cooperation and common responsibility, where the sharing economy may become crucial. In this quantitative study we examine how the adoption and decision-making process occurs when we let 50 students take part in a collaborative service innovation. We look at some already existing collaborative innovations, explain relevant concepts and show how Diffusion of innovations can be used to understand something as complex as adoption and diffusion of service innovations in social systems. Furthermore, we show how the framework for conceptualization of crowdsourcing can be used to understand how the environmental aspect and the willingness to cooperate can drive a crowd to share skills, resources and knowledge. Conclusions are presented and a contribution to help crowdsourcing ventures and collaborative networks is highlighted to understand individual adoption and the preconditions that affects their decision-making.

De plus en plus d’organisations scientifiques contemporaines intègrent dans leur processus des foules de participants assignés à des tâches variées, souvent appelés projets de science citoyenne. Ces foules sont une opportunité dans un contexte lié à une avalanche de données massives qui met les structures scientifiques face à leurs limites en terme de ressources et en capacités. Mais ces nouvelles formes de coopération sont déstabilisées par leur nature même dès lors que les tâches déléguées à la foule demandent une certaine inventivité - résoudre des problèmes, formuler des hypothèses scientifiques - et que ces projets sont amenés à être répétés dans l’organisation. A partir de deux études expérimentales basées sur une modélisation originale, cette thèse étudie les mécanismes gestionnaires à mettre en place pour assurer la performance des projets délégués à la foule. Nous montrons que la performance est liée à la gestion de deux types de capitalisation : une capitalisation croisée (chaque participant peut réutiliser les travaux des autres participants) ; une capitalisation séquentielle (capitalisation par les participants puis par les organisateurs). Par ailleurs cette recherche met en avant la figure d’une nouvelle figure managériale pour supporter la capitalisation, le « gestionnaire des foules inventives », indispensable pour le succès des projets. / A growing number of contemporary scientific organizations collaborate with crowds for diverse tasks of the scientific process. These collaborations are often designed as citizen science projects. The collaboration is an opportunity for scientific structures in a context of massive data deluge which lead organizations to face limits in terms of resources and capabilities. However, in such new forms of cooperation a major crisis is caused when tasks delegated to the crowd require a certain inventiveness - solving problems, formulating scientific hypotheses - and when these projects have to be repeated in the organization. From two experimental studies based on an original modeling, this thesis studies the management mechanisms needed to ensure the performance of projects delegated to the crowd. We show that the performance is linked to the management of two types of capitalization: a cross-capitalization (each participant can reuse the work of the other participants); a sequential capitalization (capitalization by the participants then by the organizers). In addition, this research highlights the figure of a new managerial figure to support the capitalization, the "manager of inventive crowds", essential for the success of the projects.

No description available.

No description available.

No description available.

Le réglage des heuristiques d'optimisation de compilateur pour de multiples cibles ou implémentations d’une même architecture est devenu complexe. De plus, ce problème est généralement traité de façon ad-hoc et consomme beaucoup de temps sans être nécessairement reproductible. Enfin, des erreurs de choix de paramétrage d’heuristiques sont fréquentes en raison du grand nombre de possibilités d’optimisation et des interactions complexes entre tous les composants matériels et logiciels. La prise en compte de multiples exigences, comme la performance, la consommation d'énergie, la taille de code, la fiabilité et le coût, peut aussi nécessiter la gestion de plusieurs solutions candidates. La compilation itérative avec profil d’exécution (profiling feedback), le réglage automatique (auto tuning) et l'apprentissage automatique ont montré un grand potentiel pour résoudre ces problèmes. Par exemple, nous les avons utilisés avec succès pour concevoir le premier compilateur qui utilise l'apprentissage pour l'optimisation automatique de code. Il s'agit du compilateur Milepost GCC, qui apprend automatiquement les meilleures optimisations pour plusieurs programmes, données et architectures en se basant sur les caractéristiques statiques et dynamiques du programme. Malheureusement, son utilisation en pratique, a été très limitée par le temps d'apprentissage très long et le manque de benchmarks et de données représentatives. De plus, les modèles d'apprentissage «boîte noire» ne pouvaient pas représenter de façon pertinente les corrélations entre les caractéristiques des programme ou architectures et les meilleures optimisations. Dans cette thèse, nous présentons une nouvelle méthodologie et un nouvel écosystème d’outils(framework) sous la nomination Collective Mind (cM). L’objectif est de permettre à la communauté de partager les différents benchmarks, données d’entrée, compilateurs, outils et autres objets tout en formalisant et facilitant la contribution participative aux boucles d’apprentissage. Une contrainte est la reproductibilité des expérimentations pour l’ensemble des utilisateurs et plateformes. Notre cadre de travail open-source et notre dépôt (repository) public permettent de rendre le réglage automatique et l'apprentissage d’optimisations praticable. De plus, cM permet à la communauté de valider les résultats, les comportements inattendus et les modèles conduisant à de mauvaises prédictions. cM permet aussi de fournir des informations utiles pour l'amélioration et la personnalisation des modules de réglage automatique et d'apprentissage ainsi que pour l'amélioration des modèles de prévision et l'identification des éléments manquants. Notre analyse et évaluation du cadre de travail proposé montre qu'il peut effectivement exposer, isoler et identifier de façon collaborative les principales caractéristiques qui contribuent à la précision de la prédiction du modèle. En même temps, la formalisation du réglage automatique et de l'apprentissage nous permettent d'appliquer en permanence des techniques standards de réduction de complexité. Ceci permet de se contenter d'un ensemble minimal d'optimisations pertinentes ainsi que de benchmarks et de données d’entrée réellement représentatifs. Nous avons publié la plupart des résultats expérimentaux, des benchmarks et des données d’entrée à l'adresse http://c-mind.org tout en validant nos techniques dans le projet EU FP6 Milepost et durant un stage de thèse HiPEAC avec STMicroelectronics. / Tuning general compiler optimization heuristics or optimizing software for rapidly evolving hardware has become intolerably complex, ad-hoc, time consuming and error prone due to enormous number of available design and optimization choices, complex interactions between all software and hardware components, and multiple strict requirements placed on performance, power consumption, size, reliability and cost. Iterative feedback-directed compilation, auto-tuning and machine learning have been showing a high potential to solve above problems. For example, we successfully used them to enable the world's first machine learning based self-tuning compiler, Milepost GCC, which automatically learns the best optimizations across multiple programs, data sets and architectures based on static and dynamic program features. Unfortunately, its practical use was very limited by very long training times and lack of representative benchmarks and data sets. Furthermore, "black box" machine learning models alone could not get full insight into correlations between features and best optimizations. In this thesis, we present the first to our knowledge methodology and framework, called Collective Mind (cM), to let the community share various benchmarks, data sets, compilers, tools and other artifacts while formalizing and crowdsourcing optimization and learning in reproducible way across many users (platforms). Our open-source framework and public optimization repository helps make auto-tuning and machine learning practical. Furthermore, cM let the community validate optimization results, share unexpected run-time behavior or model mispredictions, provide useful feedback for improvement, customize common auto-tuning and learning modules, improve predictive models and find missing features. Our analysis and evaluation of the proposed framework demonstrates that it can effectively expose, isolate and collaboratively identify the key features that contribute to the model prediction accuracy. At the same time, formalization of auto-tuning and machine learning allows us to continuously apply standard complexity reduction techniques to leave a minimal set of influential optimizations and relevant features as well as truly representative benchmarks and data sets. We released most of the experimental results, benchmarks and data sets at http://c-mind.org while validating our techniques in the EU FP6 MILEPOST project and during HiPEAC internship at STMicroelectronics.

Innovation has proven to be an important way for companies to be competitive and relevant in a dynamic market. The construction industry has tended to focus on incremental innovations and is not as familiar with methods for developing radical innovations. Scenario-based portfolio management is a way of structuring radical innovation projects according to possible future scenarios. Within these portfolios, it is necessary to assign the different areas a priority order where the most prioritized areas require a sufficiently high inflow of ideas. The purpose of this study was therefore to investigate how the innovation hub of a large Swedish company in the construction industry can steer the idea generation of radical innovations towards specific areas of development. By conducting internal and external semi-structured interviews, difficulties and opportunities in the company's idea generation could be identified. The results showed that the case company is missing specific methods to increase the number of generated ideas and that there is a lack of communication of the priority domains that exist in the innovation portfolio. It was also shown that there are some organizational difficulties for innovation in the construction industry. An analysis based on the results and a detailed literature study resulted in a number of recommendations. These recommendations demonstrate how open innovation as well as communication and changes in organizational structure should be implemented to achieve an increased number of ideas for the priority areas in a company's innovation portfolio. The recommendations from this study apply to large companies in the construction industry that work actively with innovation. / Innovation har visat sig vara ett viktigt sätt för företag att vara konkurrenskraftiga och relevanta på en dynamisk marknad. Byggindustrin har haft en tendens att fokusera på inkrementella innovationer och saknar i många fall utarbetade metoder för utveckling av radikala innovationer. Scenariobaserad portföljhantering är ett sätt att strukturera radikala innovationsprojekt efter möjliga framtidsscenarion. Inom dessa portföljer är det nödvändigt att tilldela de olika områdena en prioriteringsordning där de mest prioriterade områdena kräver ett tillräckligt högt inflöde av idéer. Syftet med denna studie var därför att undersöka hur innovationshubben på stort svenskt företag inom byggbranschen kan styra idégenerering av radikala innovationer mot ett specifikt utvecklingsområde. Genom att utföra interna samt externa semistrukturerade intervjuer kunde svårigheter och möjligheter i företagets idégenerering identifieras. Resultatet visade att det saknas specifika metoder för att öka mängden idéer som genereras, samt att det finns en brist på kommunikation av de prioriterade domäner som existerar i företagets innovationsportfölj. Det påvisades även att det finns vissa organisatoriska svårigheter för innovation kopplade till byggbranschen. En analys baserad på resultatet samt en utförlig litteraturstudie resulterade i ett antal rekommendationer. Dessa rekommendationer påvisar hur öppen innovation samt kommunikation och förändringar i organisationsstruktur bör implementeras för att uppnå en ökad mängd idéer till de prioriterade områdena i ett företags innovationsportfölj. Rekommendationerna från denna studie är applicerbara på stora företag inom byggbranschen som arbetar aktivt med innovation.

Companies are increasingly drawing on their user communities to generate promising ideas for new products, which are then marketed as "user-designed" products to the broader consumer market. We demonstrate that nonparticipating, observing consumers prefer to buy from user-rather than designer-driven firms because of an enhanced identification with the firm that has adopted this user-driven philosophy. Three experimental studies validate a newly proposed social identification account underlying this effect. Because consumers are also users, their social identities connect to the user-designers, and they feel empowerment by vicariously being involved in the design process. This formed connection leads to preference for the firm's products. Importantly, this social identification account also effectively predicts when the effect does not materialize. First, we find that if consumers feel dissimilar to participating users, the effects are attenuated. We demonstrate that this happens when the community differs from consumers along important demographics (i.e., gender) or when consumers are nonexperts in the focal domain (i.e., they feel that they do not belong to the social group of participating users). Second, the effects are attenuated if the user-driven firm is only selectively rather than fully open to participation from all users (observing consumers do not feel socially included). These findings advance the emerging theory on user involvement and offer practical implications for firms interested in pursuing a user-driven philosophy. Data, as supplemental material, are available at http://dx.doi.org/10.1287/mnsc.2014.1999. (authors' abstract)

Distributed human computing techniques have been shown to be effective ways of accessing the problem-solving capabilities of a large group of anonymous individuals over the World Wide Web. They have been successfully applied to such diverse domains as computer security, biology and astronomy. The success of distributed human computing in various domains suggests that it can be utilized for complex collaborative problem solving. Thus it could be used for "machine science": utilizing machines to facilitate the vetting of disparate human hypotheses for solving scientific and engineering problems. In this thesis, we show that machine science is possible through distributed human computing methods for some tasks. By enabling anonymous individuals to collaborate in a way that parallels the scientific method -- suggesting hypotheses, testing and then communicating them for vetting by other participants -- we demonstrate that a crowd can together define robot control strategies, design robot morphologies capable of fast-forward locomotion and contribute features to machine learning models for residential electric energy usage. We also introduce a new methodology for empowering a fully automated robot design system by seeding it with intuitions distilled from the crowd. Our findings suggest that increasingly large, diverse and complex collaborations that combine people and machines in the right way may enable problem solving in a wide range of fields.