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.

Artificial Intelligence is an area that has developed radically in recent years and is constantly evolving in several industries. In this thesis, a qualitative case study is conducted which addresses student nurses' attitudes regarding Artificial Intelligence in Swedish healthcare and its use in the future. Through interviews conducted with Uppsala University student nurses, the empirical material is analyzed using the Technology Acceptance Model (TAM) theory to finally produce a result regarding the future use of Artificial Intelligence in healthcare. The analysis resulted in two evident areas regarding AI usage: decision-making AI and non-decision-making AI where the participants’ attitudes differed between the two divisions. The attitudes towards decision-making AI were rather negative partly because of the lack of responsibility and accountability together with the reduced patient contact it would entail. The attitudes towards non-decision-making AI were, in contrast, considered positive, partly because of the efficiency it would imply using AI technology as an appliance and the areas of improvement it would entail in the profession. For example by creating time for more care and attention, something that nursing students imply is the main focus in health and social care. Finally, the results of the analysis are discussed based on various aspects such as ethics and morals, the profession itself and further research. / Artificiell Intelligens är ett område vilket utvecklats radikalt senaste åren och som konstant fortsätter att utvecklas inom flera branscher. I denna uppsats utförs en kvalitativ fallstudie, vilken behandlar studerande sjuksköterskors attityder gällande Artificiell Intelligens inom sjukvården och dess användning i framtiden. Genom utförda intervjuer av Uppsala Universitets studerande sjuksköterskor, analyseras det empiriska materialet med hjälp av teorin Technology Acceptance Model (TAM), för att slutligen ta fram ett resultat vad det gäller ett framtida användandet av Artificiell Intelligens inom sjukvården. Analysen resulterade i två tydliga områden gällande användningen av AI inom sjukvården: beslutsfattande AI respektive icke-beslutsfattande AI, där intervjudeltagarnas attityder urskiljdes mellan de två indelningarna. De studerande sjuksköterskornas attityder gentemot beslutsfattande AI var tämligen negativ, dels på grund av de bristande faktorer som identifierades gällande ett ansvarsutkrävande, samt den minskade patientkontakten systemet kan komma att medföra. Attityderna gentemot icke-beslutsfattande AI ansågs i kontrast mycket positiva. Dels på grund av den effektivisering systemet möjligtvis kan medföra genom att använda AI-teknik som ett hjälpmedel eller komplement samt de förbättringsområden som inträder relaterat till arbetsrollen. Ett exempel på förbättringsområde som framkom var att skapa mer tid för vård och omsorg, något som sjuksköterskestudenterna menar på att yrket faktiskt är till för. Avslutningsvis diskuteras resultatet från analysen vilket intressanta resonemang om etik och moral, arbetsrollen i fråga samt vidare forskning förs på tal.

Utifrån det svårdefinierade begreppet smart stad syftar studien till att förstå vilken riktning, inom begreppet, Stockholm tar i jakten på att bli världens smartaste stad. På så sätt besvaras i studien frågan hur Stockholm blir smart istället för att besvara hur smart Stockholm blir. Med inriktning på implementeringen av nya digitala verktyg inom stadsplanering intervjuas tre aktörer med olika ingångsvinkel till ämnet. Genom denna kartläggning förväntas centrala faktorer och ytterligare viktiga aktörer framträda. Analysen av dessa ämnar leda fram till huruvida riktningen för Stockholm kan anses centreras kring stadens inånare eller kring tekniken, två tydliga läger i debatten kring den smarta staden. Resultatet pekar mot att Stockholm tar en invånarcentrerad riktning i kommunens strävan efter att uppå sitt mål att bli världens smartaste stad. Detta resultat behöver dock nyanseras där argument som stödjer den andra riktningen också är närvarande i studien. I vidare studier bör samtliga identifierade aktörer intervjuas, i ett försök att nyansera bilden av det splittrade begreppet smart stad. / Using the ambiguous definition of the concept smart city, this thesis aims to synthesize the direction Stockholm follows in Stockholm Municipality’s goal of becoming the smartest city in the world. Three actors with different backgrounds within the digitalization of urban planning are interviewed in the search of understanding how a city becomes smart rather than considering how smart a city is. This is achieved by finding material factors as well as key actors in the development of the smart city. Based on an analysis of the identified factors and actors, together with differentiating views of the concept smart city, the thesis proposes insight of whether Stockholm is considered as either citizen or technologically oriented. Understanding the local and social context of the smart city, we find that Stockholm displays a citizen-oriented perspective. However, arguments supporting the contrary view of the smart city concept are also present in the study, thus showcasing the complexity of the question in mind. Further studies should consider interviewing every identified actor in an attempt to piece out and elaborate the image of the ambiguously defined smart city.

Background Digitalization have been affecting the world industries the past years. With this, Banks have been digitizing their products and services for their customers to be competitive in the sector. The investment advisement has been a part of this digitization. Banks nowadays compete with robo-advising, which originates from the USA. In Sweden this is relatively new for both the banks and the customers, and therefore has some challenges to face, before it can replace the traditional investment advising. Purpose The purpose of the study is to investigate and compare the robo-advisement to the traditional investment advising, but also to explore if the users of the robo-advice thinks if it is enough developed to replace the traditional investment advising.  Method To achieve the results for our study, we have chosen a qualitative method with the use of semi-structured interviews with ten respondents which meets the requirements to participate in the interview for the study’s purpose. To give a brief overview of the respondents answers we will conclude them into tables, and to attain the purpose of the study we will analyze the results with the theories used in our study and previous research in the subject. Conclusion After analyzing the results we have come to a conclusion that the robo-advice need to be more developed due to its incompatible function to process the information from the users to offer them a complete investment advisement. Therefore the robo-advisory is not yet ready to replace the traditional investment advising but could still be used as a good complement together with the physical interaction of the users and investing advisors. This because of the time efficiency of the robo-advisement and the traditional investment advisors capability to build a relationship and create trust in between them.

I takt med att industri 4.0 sveper över dagens industrier så utvecklas tillämpningsområden inom artificiell intelligens (AI). En relativt nyfunnen tillämpning som vanligen benämns AI-vision eller Computer-vision, inom detta arbete har benämningen AI-vision valts. Tillämpningen handlar om att datorer och maskiner upprättas med förmågan att tolka visuellt innehåll.I och med detta tränas en intelligent modell som klarar av att fatta beslut utifrån visuell data, såsom bild och video. Inriktningen i arbetet belyser inom AI-Vision teknikerna objektdetektering och bildklassificering. Objektdetektering innebär att ett eller flera specifika objekt upptäcks från en bild av flera komplexa linjer och former. Tekniken används inom en rad olika tillämpningar såsom t.ex. robotnavigering och automatisk fordonsstyrning. Syftet med bildklassificering ibland kallat bildigenkänning, handlar om att klassificera och kategorisera bilden genom att identifiera och sortera väsentlig data. Detta i försök att konstatera vad bilden i sig föreställer. För att forma och rama in detta arbete på ett lämpligt sätt ämnas huvudsakliga målet med arbetet beskriva hur tekniker såsom objektdetektering och bildklassificerings-modeller konstrueras. Så även redogöra kring bakomliggande intelligens i modellerna, samt vilka verktyg och metoder som används för att skapa dessa modeller. Arbetet syftar även till att presentera presumtiva tillämpningar inom en stålindustri, därför kommer förslag till applikationer framföras. I resultatdelen av arbetet presenteras i huvudsak uppbyggnaden av en objekdetekteringsapplikation som hanterar personsäkerhet och i diskussionsdelen framhävs vidare förslag till applikationer. Detta avses lägga grund för eventuell implementation i verkliga produktionsutrustningar i framtiden. / As Industry 4.0 sweeps across today's industries, applications within artificial intelligence (AI) are developing. A relatively new application that is commonly called AI-vision or sometimes Computer-vision, in this study the term AI-vision is used. The application is about making computers and machines visually inclined. With this, an intelligent model is trained that can make decisions based on visual data, such as image and video. The orientation in this study within AI-Vision, is to highlight object detection and image classification. Object detection defines as follows, one or more specific objects are detected from an image of several complex lines and shapes. The technology is used in a variety of applications such as robot navigation and automatic vehicle control. The purpose of image classification, sometimes called image recognition, is to classify and categorize the image by identifying and sorting essential data. This in attempt to ascertain what the image itself represents. In order to frame this work in an appropriate way, the main quest of this thesis is to describe how techniques such as Object Detection and Image Classification models are constructed. Explain the underlying intelligence in the models as well as what tools and methods are used to create these models. As the thesis also alludes to present prospective applications in a steel industry, proposals of specific applications will be presented. The results section mainly presents an Object Detection application that handles personal safety and drafts to applications is presented in the discussion section. This work intends to contribute for possible implementation in production equipment in the future.

For the problem of producing pedagogical step-by-step solutions to mathematical problems in education, standard methods and algorithms used in construction of computer algebra systems are often not suitable. A method of using rules to manipulate mathematical expressions in small steps is suggested and implemented. The problem of creating a step-by-step solution by choosing which rule to apply and when to do it is redefined as a graph search problem and variations of the A* algorithm are used to solve it. It is all put together into one prototype solver that was evaluated in a study. The study was a questionnaire distributed among high school students. The results showed that while the solutions were not as good as human-made ones, they were competent. Further improvements of the method are suggested that would probably lead to better solutions. / För problemet att producera pedagogiska steg-för-steg-lösningar till matematiska problem inom utbildning, är vanliga metoder och algoritmer som används i konstruktion av datoralgebrasystem ofta inte lämpliga. En metod som använder regler för att manipulera matematiska uttryck i små steg föreslås och implementeras. Problemet att välja vilka regler som ska appliceras och när de ska göra det för att skapa en steg-för-steg-lösning omdefineras som ett grafsökningsproblem och varianter av algoritmen A* används för att lösa det. Allt sätts ihop till en prototyp av en lösare vilken utvärderas i en studie. Studien var ett frågeformulär som delades ut till gymnasiestudenter. Resultaten visade att även fast lösningar skapade av programmet inte var lika bra som lösningar skapade av människor, så var de anständiga. Fortsatta föbättringar av metoden föreslås, vilka troligtvis skulle leda till bättre lösningar.

Ever since the creation of the first computers, humans have pondered the possibility of a computer capable of human-like thought and reason. Many sci-fi authors have explored the possibilities and consequences of a sentient computer and Artificial Intelligence. However, so far no one has managed to come close to an actual thinking computer. This is possibly because the core structure of a computer is based on binary truths, "ones" and "zeros", while the human brain does not work with only true or false. This thesis presents the creation of an AI prototype called IKE. It is not an AI that can act like a human, but rather one that is a step closer to that final goal of a thinking computer. In this thesis, this is done by merging simulations of the five major senses with artificially created feelings, which are then fed into the system's memory. These are in turn embedded into objects and stored in the memory as instances of those objects. The goal with this method is that when you give the system an object, it can tell you how it feels about the object and what experiences it associates with it. This is to give the computer a sense of simulated cognition which will allow it to answer in a human-like way. The result of this work is a system that can be seen as an approach to an AI-complete system. It is an AI that has feelings and senses, as well as the ability to express them. However, it cannot gather or make up new feelings nor experience them in any way, as this is left for a future project to solve. / Sedan de första datorerna skapades har människan funderat över möjligheten att skapa en dator som kan tänka som en människa. Många sci-fi författare har utforskat möjligheterna och konsekvenserna med en tänkande dator och Artificiell Intelligens. Dock har ingen ännu kommit i närheten av en dator som faktiskt tänker. Detta kan bero på att datorn i grunden endast arbetar med ”ettor” och ”nollor”, medan den mänskliga hjärnan inte alltid svarar sant eller falskt. I den här avhandlingen presenteras utveklingen av en AI-prototyp kallad IKE. Det är inte en AI som kan agera som en människa, utan en prototyp som är ett steg i rätt riktning, närmare målet att skapa en tänkande dator. Detta görs i denna avhandling genom att slå samman de fem sinnena med artficiellt skapade känslor som matas in systemets minne. Där sparas de i minnet some instanser av objekt med associationer till de faktiska objekten. Målet med denna metod är att givet ett objekt ska systemet kunna säga vad den tycker om objektet utifrån tidigare erfarenheter. Detta ger systemet en känsla av simulerad kognition som ska gör det möjligt att svara på ett mänskligt sätt. Resultatet av detta arbete är ett system som kan anses vara ett steg närmare AI-Komplett. Det är en AI som kan spara, ta hand om och uttrycka sig om känslor och sinnen. Dock har den ej funktionaliteten att på egen hand samla in nya känslor eller att uppleva dem naturligt, utan detta lämnas till ett framtida arbete

This work presents a scalable solution to automate game-testing. Traditionally, game-testing has been performed by either human players or scripted Artificial Intelligence (AI) agents. While the first produces the most reliable results, the process of organizing testing sessions is time consuming. On the other hand, scripted AI dramatically speeds up the process, however, the insights it provides are far less useful: these agents’ behaviors are highly predictable. The presented solution takes the best of both worlds: the automation of scripted AI, and the richness of human testing by framing the problem within the Deep Reinforcement Learning (DRL) paradigm. Reinforcement Learning (RL) agents are trained to adapt to any unseen level and present customizable human personality traits: such as aggressiveness, greed, fear, etc. This is achieved exploring the problem from a multi-task RL setting. Each personality trait is understood as a different task which can be linearly combined by the proposed algorithm. Furthermore, since Artificial Neural Networks (ANNs) have been used to model the agent’s policies, the solution is highly adaptable and scalable. This thesis reviews the state of the art in both automatic game-testing and RL, and proposes a solution to the above-mentioned problem. Finally, promising results are obtained evaluating the solution on two different environments: a simple environment used to quantify the quality of the designed algorithm, and a generic game environment useful to show-case its applicability. In particular, results show that the designed agent is able to perform good on game levels never seen before. In addition, the agent can display any convex combination of the trained behaviors. Furthermore, its performance is as good as if it had been specifically trained on that particular combination. / Detta arbete presenterar en skalbar lösning för att automatisera speltestning. Traditionellt har speltestning utförts av antingen mänskliga spelare eller förprogrammerade agenter. Även om det förstanämnda ger de mest tillförlitliga resultaten är processen tidskrävande. Å andra sidan påskyndar förprogrammerade agenter processen dramatiskt, men de insikter som de ger är mycket mindre användbara: dessa agenters beteenden är mycket förutsägbara. Den presenterade lösningen använder det bästa av två världar: automatiseringsmöjligheten från förprogrammerade agenter samt möjligheten att simulera djupet av mänskliga tester genom att inrama problemet inom paradigmet Djup Förstärkningsinlärning. En agent baserad på förstärkningsinlärning tränas i att anpassa sig till tidigare osedda spelmiljöer och presenterar anpassningsbara mänskliga personlighetsdrag: som aggressivitet, girighet, rädsla... Eftersom Artificiella Neurala Nätverk (ANNs) har använts för att modellera agentens policyer är lösningen potentiellt mycket anpassnings- och skalbar. Denna rapport granskar först den senaste forskningen inom både automatisk speltestning och förstärkningsinlärning. Senare presenteras en lösning för ovan nämnda problem. Slutligen evalueras lösningen i två olika miljöer med lovande resultat. Den första miljön används för att kvantifiera kvaliteten på den designade algoritmen. Den andra är en generisk spelmiljö som är användbar för att påvisa lösningens tillämplighet.

In January 2021, one of the first large-scale implementations of an artificial intelligent computer-aided detection system (AI CAD) for detecting breast cancer was implemented at Capio S:t Göran hospital in Stockholm. AI CAD for detecting breast cancer is promising, however, it can only be a successful implementation if it is accepted by the end-users. This study examines and evaluates factors critical to the acceptance of the AI CAD, prior to the radiology professionals using it by applying the third version of the Technology Acceptance Model, that is TAM3. A questionnaire was designed and distributed accordingly to 28 professionals at the hospital’s breast screening unit. The quantitative data collected were further analyzed using the statistical tool SPSS. The empirical findings concluded that the intention to use the AI CAD was influenced directly by the perceived usefulness and indirectly by image, job relevance, and perceived ease of use. In addition, the association between subjective norm and image was shown to be significant. This study further revealed two new associations, contrary to what TAM3 postulates, the first one being between image and behavioral intention and the second one being between job relevance and behavioral intention. Organizational support, system-related activities, and information and communication are interventions suggested based on the findings in this study, in which the breast screening unit at S:t Göran should tap into to enhance the acceptance of the AI CAD system. / I januari 2021, implementerades ett artificiellt intelligent datorstött detektionssystem som ska upptäcka bröstcancer på Capio S:t Görans sjukhus i Stockholm. Användning av AI CAD för att upptäcka bröstcancer är lovande, men det kan endast bli en framgångsrik implementering om det accepteras av de som använder systemet. Denna studie undersöker och utvärderar de initiala faktorer som är avgörande för användaracceptansen av AI CAD hos radiologipersonal genom att utgå från den senaste versionen av teknologiacceptansmodellen – Technology Acceptance Model 3 (TAM3). Ett frågeformulär utformades i enlighet med modellen och distribuerades till 28 yrkesverksamma på S:t Görans mammografiavdelning. Den kvantitativa data som samlades in från enkäten analyserades med hjälp av det statistiska verktyget SPSS. De empiriska resultaten visade att radiologipersonalens avsikt att använda AI CAD påverkades direkt av den upplevda användbarheten av systemet och indirekt av personalens upplevda syn på hur enkelt systemet är att använda, att systemet är relevant för personalens jobb samt att systemet kan höja personalens image. Dessutom bekräftade studien att den subjektiva normen påverkar systemets image. Slutligen upptäcktes två nya associationer, i vilken TAM3 inte antar. Dessa påträffades mellan image och den beteendemässiga intentionen till att använda systemet samt mellan jobbrelevansen och den beteendemässiga intentionen till att använda systemet. Organisationsstöd, systemrelaterade aktiviteter samt information och kommunikation med personal är interventioner som föreslås baserat på resultaten i denna studie som mammografiavdelningen på S:t Görans sjukhus bör utnyttja för att öka acceptansen av AI CAD systemet.

In Human-Robot Collaboration scenarios, safety must be ensured by a risk management process that requires the execution of computationally expensive perception models (e.g., based on computer vision) in real-time. However, robots usually have constrained hardware resources that hinder timely responses, resulting in unsafe operations. Although Multi-access Edge Computing allows robots to offload complex tasks to servers on the network edge to meet real-time requirements, this might not always be possible due to dynamic changes in the network that can cause congestion or failures. This work proposes a safety-based task offloading strategy to address this problem. The goal is to intelligently use edge resources to reduce delays in the risk management process and consequently enhance safety. More specifically, depending on safety and network metrics, a Reinforcement Learning (RL) solution is implemented to decide whether a less accurate model should run locally on the robot or a more complex one should run remotely on the network edge. A third possibility is to reuse the previous output through verification of temporal coherence. Experiments are performed in a simulated warehouse scenario where humans and robots have close interactions. Results show that the proposed RL solution outperforms the baselines in several aspects. First, the edge is used only when the network performance is good, reducing the number of failures (up to 47%). Second, the latency is also adapted to the safety requirements (risk X latency reduced up to 48%), avoiding unnecessary network congestion in safe situations and letting other robots in hazardous situations use the edge. Overall, the latency of the risk management process is largely reduced (up to 68%), and this positively affects safety (time in safe zone increased up to 3:1%). / I scenarier med människa-robotkollaboration måste säkerheten säkerställas via en riskhanteringsprocess. Denna process kräver exekvering av beräkningstunga uppfattningsmodeller (t.ex. datorseende) i realtid. Robotar har vanligtvis begränsade hårdvaruresurser vilket förhindrar att respons uppnås i tid, vilket resulterar i osäkra operationer. Även om Multi-access Edge Computing tillåter robotar att avlasta komplexa uppgifter till servrar på edge, för att möta realtidskraven, så är detta inte alltid möjligt på grund av dynamiska förändringar i nätverket som kan skapa överbelastning eller fel. Detta arbete föreslår en säkerhetsbaserad uppgiftsavlastningsstrategi för att hantera detta problem. Målet är att intelligent använda edge-resurser för att minska förseningar i riskhanteringsprocessen och följaktligen öka säkerheten. Mer specifikt, beroende på säkerhet och nätverksmätvärden, implementeras en Reinforcement Learning (RL) lösning för att avgöra om en modell med mindre noggrannhet ska köras lokalt eller om en mer komplex ska köras avlägset på edge. En tredje möjlighet är att återanvända sista utmatningen genom verifiering av tidsmässig koherens. Experimenten utförs i ett simulerat varuhusscenario där människor och robotar har nära interaktioner. Resultaten visar att den föreslagna RL-lösningen överträffar baslinjerna i flera aspekter. För det första används edge bara när nätverkets prestanda är bra, vilket reducerar antal fel (upp till 47%). För det andra anpassas latensen också till säkerhetskraven (risk X latens reducering upp till 48%), undviker onödig överbelastning i nätverket i säkra situationer och låter andra robotar i farliga situationer använda edge. I det stora hela reduceras latensen av riskhanterings processen kraftigt (upp till 68%) och påverkar på ett positivt sätt säkerheten (tiden i säkerhetszonen ökas upp till 4%).