Evolution och tillståndsmaskiner är kända koncept inom både AI-forskning och spelindustrin. Tillståndsmaskiner har länge använts för att simulera artificella motståndare, samtidigt som evolution i många fall applicerats för att få agenter att själva upptäcka bra lösningar på problem. Arbetet använder sig av evolution för att undersöka om det går att evolvera fram bättre tillståndsövergångar i en stokastisk tillståndsmaskin än hos en fördefinierad tillståndsmaskin. Två homogena lag med två agenter vardera skapas, vilka tävlar på en arena där det går ut på att döda det andra laget först. Det ena laget delar en ständigt evolverande beteendemall medan det andra laget består av fördefinierade agenter, på så sätt att de har bedömts som duktiga på att spela spelet. De evolverande lagets framgång mäts i hur mycket hälsa de har kvar när en match är över. Utvärderingen visar en klar förbättring från 3% till 25% vinstchans hos en agent som startar med helt slumpade övergångsvärden och sedan evolverar dessa i 230 generationer emot en godtyckligt vald fördefinierad agent.

Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack. Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack. En undersökning där tekniken modifierades så att samevolution byttes ut gav ett bättre resultat. Detta behöver inte betyda att problemet är samevolution Men det tyder på att det är en faktor. Tekniken som arbetet fokuserar på är baserad på ett tidigare arbete där spelet Dam användes. Eftersom tekniken har visats fungera tidigare skulle det vara intressant att testa den med fler spel. I slutet av arbetet diskuteras en variant av tekniken för spelet Schack.

Målet med detta verk var att undersöka vilken AI-teknik som är mest lämpad att styra beteende i ett artificiellt ekosystem. En tillståndsmaskin och en genetisk algoritm har implementerats. Dessa AI-tekniker har jämförts med avseende på tre olika aspekter: effektivitet, anpassningsbarhet och flexibilitet. För att kunna genomföra tester har individer och en experimentmiljö implementerats. Testerna gjordes på fyra olika banor. Resultatet från undersökningen talar för att GA är mer fördelaktig att använda än tillståndsmaskiner. Mätningarna visade på att GA tog längre tid att implementera än tillståndsmaskinen, dock är GA generellt mer robust och flexiblare, vilket visade sig när nya beteenden lades till. GA presterar även bättre på merparten av testerna för anpassningsbarheten.  Tillståndsmaskinen var effektivare. När hänsyn togs till antalet anrop respektive algoritm fick, visade det sig att skillnaden var betydligt mindre. Resultatet kan användas som grund till utförliga undersökningar i framtida forskning. Implementationen kan anpassas till andra spel, innehållande ekosystem.

Artificiell intelligens (AI) är en stor del i dagens datorspel. För att få inblick i komplexiteten runt AI i spelutveckling och för att förstå delar som AI består av har detta projekt genomförts. Målet var att skapa en AI-motor från grunden med bra grundplattform som är enkel att bygga vidare på. Innan projektet startade utfördes en förundersökning där olika alternativ för kartrepresentationer och grafsökningsalgoritmer togs fram. Utvecklingen av AI-motorn har haft ett starkt beroende till projektet där en spelmotor utvecklats av Niklas Ekman och Christian Mesch. Detta projekt har utförts enligt den agila systemutvecklingsmetoden Scrum. Ett versionshanteringssystem har använts för att enkelt kunna dela källkod mellan projekten. AI-motorn har utvecklats i C++ och för operativsystemen Ubuntu och OSX. AI-motorn består av fyra huvuddelar; logik, navigering, kommunikation och AI-objekt. Logiken är hjärnan i AI-motorn, navigeringen använder sig av navmesh som kartrepresentation och A*-algoritmen är den grafsökningsalgoritm som har valts. Kommunikation sker mellan AI-motorn och spelmotorn för att kunna dela på funktionalitet. AI-objekten är främst informationsklasser som t.ex. håller reda på antalet registrerade datorstyrda spelare. Valet av metod för kartrepresentation avgjordes av att navmesh enkelt kunde genereras automatiskt med hjälp av verktyg vilket var svårare för de andra alternativen. A* valdes som grafsökningsalgoritm eftersom den gav en korrekt väg med minst antal beräkningar. AI-motorn uppfyller de krav som ställdes innan utvecklingen påbörjades och är en bra grund för att lätt kunna utöka motorn med mer avancerad funktionalitet, men det finns så klart förbättringar som kan göras.

Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack.Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack. En undersökning där tekniken modifierades så att samevolution byttes ut gav ett bättre resultat. Detta behöver inte betyda att problemet är samevolution Men det tyder på att det är en faktor.Tekniken som arbetet fokuserar på är baserad på ett tidigare arbete där spelet Dam användes. Eftersom tekniken har visats fungera tidigare skulle det vara intressant att testa den med fler spel. I slutet av arbetet diskuteras en variant av tekniken för spelet Schack.

Genom 2000-talets teknologiska framåtskridande finns förhoppningen om att en dag kunna skapa ett artificiellt medvetande, ett objekt med förmågan att tänka på att den tänker och med en egen fri vilja. Om eller när detta blir verklighet ställs frågorna vad exakt det är som människan har skapat och hur vi ska förhålla oss till det skapade. Dessa frågor ligger till grund för vad denna uppsats, genom ett innehållsanalytiskt tillvägagångssätt, undersöker, med syftet att analysera hur gestaltningen på film av artificiell intelligens (A.I.) kan förstås i relation till en kristen mytologi. Utifrån filmmanusen till The Imitation Game (2014) och Blade Runner 2049 (2017) analyseras de filmiska representationerna av A.I. med ett teologiskt avbildsbegrepp som dialogiskt förstoringsglas. Uppsatsen finner att fiktionen i detta sammanhang lyfter fram att strävan efter att skapa A.I. som avbild pekar på ett mänskligt sökande efter både närhet och kärlek.

The purpose of this study is to investigate important prerequisites for how self-driving cars should/can be programmed from an ethical point of view and to examine how individuals reason about how self-driving cars should act in situations where accidents are inevitable. Artificial intelligence is generally a major area where ethics and morals are important factors to relate to. As the area is so wide, a demarcation has been made for self-driving cars, with the aim of being able to generate increased understanding of the wider context. To answer the question "Can a self-driving car be an ethical agent?" a qualitative method approach has been used. Based on moral-philosophical theories, ethically difficult scenarios have been constructed that respondents have had to take a position on and motivate their positions in the form of semi-structured interviews. The result of the study shows that as different individuals reason differently about what is actually an ethical right act in different situations, it is difficult to determine how a car should act to be classified as an ethical agent. It also turns out that one and the same individual in different situations has different moral-philosophical theories as a starting point because of different influencing factors. This in turn shows that ethical positions are extremely situated, which contributes to an enormous complexity of the phenomenon.

Syftet med studien är att undersöka hur AI kan användas som verktyg inommusikproduktion. De tre program som valdes ut för undersökningen var: AIVA, GoogleAI och Jukebox. För att genomföra undersökningen har deskriptiv fallstudie valts sommetod med komplettering av autoetnografi och designforskning. Resultatet visade påhur de olika programmen kunde användas i olika områden av musikproduktion. AIVAkan användas för att komplettera och/eller återskapa mänsklig kreativitet. Jukebox somär en generativ modell kan användas för att emulera ljudfiler till att imitera olika låtareller andra kompositörers stilar. Google AI består av flera AI program bland annatScribe och Magneta Studios ingår. Där Scribe kan användas för att transkriberapianoljudfiler till MIDI och Magenta Studios kan användas som fristående programeller som plugins i en DAW och med MIDI eller ljudfiler kan programmet utökakreativiteten, ge nya idéer eller bara för experimentera med AI. AI i musikproduktionkan användas som ett effektivt hjälpmedel för att skapa, hitta eller utöka kreativitet.Studien bidrar till att ge ytterligare kunskap om hur AI kan användas som ett kreativtverktyg i musikproduktion genom forskaren själv använder programmen och på ettdetaljerat sätt förklarar processen från början till slut och tar upp exempel på hurprogrammen kan användas i musikproduktion.

Tornförsvar är en lättillgänglig spelgenre för spelare med ingen eller litenspelerfarenhet. I denna studie användes olika vägplaneringsmetoder för att undersöka inverkan på flow. I rapporten diskuteras hur implementationen av en artificiell intelligens som kontrollerar vägplaneringen i ett tornförsvarsspel påverkar spelarens flow. I studien genomfördes ett experiment där testpersoner spelade en av två versioner samt besvarade en enkät kopplat till spelupplevelsen. Den ena spelversionen har vägplanerings-AI och den andra använder linjär väg. Resultaten från enkäten användes för att mäta personernas upplevelse av spelet genom användningen av ett flowdiagram. Jämförelse mellan de två testgrupperna gjordes för att se om vägplanerings-AI hade en inverkan på upplevelsen, med focus på spelarens flow. Resultatet av studien visar att vägplanerings-AI minskade eller tog bort spelaren från ett tillstånd av flow. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p>

Artificial intelligence is expected to change our world. The technique is predicted to have a lot of potential to solve global challenges, but it also comes with some problems that needs to be solved. The EU Commission has developed an AI strategy to examine and answer to the possibilities and the challenges with the technique. The study focuses on two risks related to AI: the risk that the technique may lead to increased inequalities and the risk that AI may discriminate historically disadvantaged groups. One of the causes behind the risks is that the power over data is concentrated to mainly western corporations, but also that it is mainly white, young, men from western nations that is developing AI. Therefore, this thesis examines the Commissions AI strategy in regards of power relations. The method that is used is a discourse analysis to analyse the Commission's AI strategy. The result of the discourse analysis is then analysed through a theoretical framework. The theoretical framework is a mixture of critical race theory, feminist theory and postcolonial theories. The study finds that the Commission's interest to handle the eventual increase of inequality is weak, since it barely highlights the issue. The Commission is, though, eager to solve the risk that AI may discriminate and gives solutions on how to solve the problem. The measures the Commission is suggesting is inter alia diversity and participation. Though, depending on how diversity and participation is applied, the results can vary.