I en tid då AI-språkmodeller används alltmer i vår vardag, blir det relevant att undersöka hur det påverkar samhället. Denna studie undersöker, utifrån teorier om etik och jämställdhet, hur AI-språkmodeller i sina texter ger uttryck för mångfald, icke-diskriminering och rättvisa. Studien fokuserar på att identifiera och analysera förekomsten av könsbias i AI-språkmodellernas svar samt hur det påverkar människors förtroende för dessa system. En fallstudie genomfördes på tre AI-språkmodeller - ChatGPT 3.5, Gemini och Llama-2 70B, där data insamlades via intervjuer med dessa modeller. Därefter gjordes intervjuer med mänskliga informanter som reflekterade över AI-språkmodellernas svar. AI-språkmodellerna visade en obalans i hur de behandlar kvinnor och män vilket kan förstärka befintliga könsstereotyper. Detta kan påverka människors förtroende för AI-språkmodeller och informanterna lyfte problematiken om vad neutralitet och rättvisa innebär. För att skapa mer ansvarsfulla och rättvisa AI-system krävs medvetna insatser för att integrera etiska och jämställdhetsperspektiv i AI-utveckling och användning. / In a time when Large Language Models (LLMs) are increasingly used in our daily lives, it becomes important to investigate how this affects society. This study examines how LLMs express diversity, non-discrimination, and fairness in texts, based on theories of ethics and gender equality. The study focuses on identifying and analyzing the presence of gender bias in the responses of LLMs and how this impacts people's trust in these systems. A case study was conducted on three LLMs: ChatGPT 3.5, Gemini, and Llama-2 70B, where data was collected through interviews with them. Subsequently, interviews were conducted with human informants who reflected on the LLMs’ responses. The LLMs showed imbalance towards gender, potentially reinforcing existing gender stereotypes. This can affect people's trust in LLMs, and the informants highlighted the issue of what neutrality and fairness entail. To create more responsible and fair AI systems, conscious efforts are required to integrate ethical and equality perspectives into AI development and usage.

Digitalizing education and reinventing the learning experience is one of the big challenges in this age of information. In the eld of E-learning, the application of a chatbot as part of the education has shown interesting potential, both as a teaching and administrative tool. Chatbots have been 'trending' for a few years and quite a few papers examining it in the educational sector has been published, albeit very little interest seems to have been given to the summation of this knowledge. In an attempt to fill the knowledge gap this thesis performed a literature study to examine the documented features and possible uses for chatbots in an educational context. Since quite a few chatbot technologies have been developed at this time and exhibit varied functions, this study was limited to only examine bots based on the XML derived language AIML. The results imply that chatbots in education have quite a few uses and even more possible features. An AIML-based chatbot can be both simple and complex to implement, all depending on the effort put into implementation. The tool is diverse and may be used for many different purposes and aims, the only limitation being the creators' creativity and imagination.

Brain tumor is a disease characterized by uncontrolled growth of abnormal cells inthe brain. The brain is responsible for regulating the functions of all other organs,hence, any atypical growth of cells in the brain can have severe implications for itsfunctions. The number of global mortality in 2020 led by cancerous brains was estimatedat 251,329. However, early detection of brain cancer is critical for prompttreatment and improving patient’s quality of life as well as survival rates. Manualmedical image classification in diagnosing diseases has been shown to be extremelytime-consuming and labor-intensive. Convolutional Neural Networks (CNNs) hasproven to be a leading algorithm in image classification outperforming humans. Thispaper compares five CNN architectures namely: VGG-16, VGG-19, AlexNet, EffecientNetB7,and ResNet-50 in terms of performance and accuracy using transferlearning. In addition, the authors discussed in this paper the economic impact ofCNN, as an AI approach, on the healthcare sector. The models’ performance isdemonstrated using functions for loss and accuracy rates as well as using the confusionmatrix. The conducted experiment resulted in VGG-19 achieving best performancewith 97% accuracy, while EffecientNetB7 achieved worst performance with93% accuracy. / Hjärntumör är en sjukdom som kännetecknas av okontrollerad tillväxt av onormalaceller i hjärnan. Hjärnan är ansvarig för att styra funktionerna hos alla andra organ,därför kan all onormala tillväxt av celler i hjärnan ha allvarliga konsekvenser för dessfunktioner. Antalet globala dödligheten ledda av hjärncancer har uppskattats till251329 under 2020. Tidig upptäckt av hjärncancer är dock avgörande för snabb behandlingoch för att förbättra patienternas livskvalitet och överlevnadssannolikhet.Manuell medicinsk bildklassificering vid diagnostisering av sjukdomar har visat sigvara extremt tidskrävande och arbetskrävande. Convolutional Neural Network(CNN) är en ledande algoritm för bildklassificering som har överträffat människor.Denna studie jämför fem CNN-arkitekturer, nämligen VGG-16, VGG-19, AlexNet,EffecientNetB7, och ResNet-50 i form av prestanda och noggrannhet. Dessutom diskuterarförfattarna i studien CNN:s ekonomiska inverkan på sjukvårdssektorn. Modellensprestanda demonstrerades med hjälp av funktioner om förlust och noggrannhetsvärden samt med hjälp av en Confusion matris. Resultatet av det utfördaexperimentet har visat att VGG-19 har uppnått bästa prestanda med 97% noggrannhet,medan EffecientNetB7 har uppnått värsta prestanda med 93% noggrannhet.

Brain tumor is a disease characterized by uncontrolled growth of abnormal cells in the brain. The brain is responsible for regulating the functions of all other organs, hence, any atypical growth of cells in the brain can have severe implications for its functions. The number of global mortality in 2020 led by cancerous brains was estimated at 251,329. However, early detection of brain cancer is critical for prompt treatment and improving patient’s quality of life as well as survival rates. Manual medical image classification in diagnosing diseases has been shown to be extremely time-consuming and labor-intensive. Convolutional Neural Networks (CNNs) has proven to be a leading algorithm in image classification outperforming humans. This paper compares five CNN architectures namely: VGG-16, VGG-19, AlexNet, EffecientNetB7, and ResNet-50 in terms of performance and accuracy using transfer learning. In addition, the authors discussed in this paper the economic impact of CNN, as an AI approach, on the healthcare sector. The models’ performance is demonstrated using functions for loss and accuracy rates as well as using the confusion matrix. The conducted experiment resulted in VGG-19 achieving best performance with 97% accuracy, while EffecientNetB7 achieved worst performance with 93% accuracy. / Hjärntumör är en sjukdom som kännetecknas av okontrollerad tillväxt av onormala celler i hjärnan. Hjärnan är ansvarig för att styra funktionerna hos alla andra organ, därför kan all onormala tillväxt av celler i hjärnan ha allvarliga konsekvenser för dess funktioner. Antalet globala dödligheten ledda av hjärncancer har uppskattats till 251329 under 2020. Tidig upptäckt av hjärncancer är dock avgörande för snabb behandling och för att förbättra patienternas livskvalitet och överlevnadssannolikhet. Manuell medicinsk bildklassificering vid diagnostisering av sjukdomar har visat sig vara extremt tidskrävande och arbetskrävande. Convolutional Neural Network (CNN) är en ledande algoritm för bildklassificering som har överträffat människor. Denna studie jämför fem CNN-arkitekturer, nämligen VGG-16, VGG-19, AlexNet, EffecientNetB7, och ResNet-50 i form av prestanda och noggrannhet. Dessutom diskuterar författarna i studien CNN:s ekonomiska inverkan på sjukvårdssektorn. Modellens prestanda demonstrerades med hjälp av funktioner om förlust och noggrannhets värden samt med hjälp av en Confusion matris. Resultatet av det utförda experimentet har visat att VGG-19 har uppnått bästa prestanda med 97% noggrannhet, medan EffecientNetB7 har uppnått värsta prestanda med 93% noggrannhet.

Användningen av Artificiell Intelligens (AI) är utbredd bland verksamma företag idag, likväl privatpersoner. Det har blivit en integrerad del av vårt samhälle som ofta går obemärkt förbi. Allt från face recognition, självkörande bilar och automatisering inom arbetsrelaterade områden, har AI onekligen påverkat omvärlden. I takt med att AI-modeller fortsätter att utvecklas tillkommer även farhågor om dess påverkan på jobb, tillhörande säkerhetsrisker och etiska dilemman. Uppsatsens litteratur hjälper till att skildra AI historiskt, i nutid, men även ge en uppfattning om vart den är på väg. Den AI-modell som i nuläget har väckt störst uppmärksamhet är ChatGPT. Dess potential tycks inte ha några gränser, därmed uppstod relevansen för att öka kunskapen kring AI-modellen. Vidare gjordes en avgränsning, där fokusområdet var att undersöka hur ChatGPT kan generera kodkommentarer och potentiellt agera som ett hjälpmedel vid kommentering av källkod. I samband med avgränsningen och fokusområdet bildades även forskningsfrågan: Large Language Models: Bedömning av ChatGPT:s potential som verktyg för kommentering av kod För att besvara forskningsfrågan har avhandlingen varit baserat på en kvalitativ ansats, där urvalet av respondenter har varit programmerare. Den primära datainsamlingen har genomförts via två semistrukturerade intervjuer, varav den inledande innefattade initiala känslor kring ChatGPT och övergripande fakta om respektive intervjuobjekt. Vidare gjordes det en observation för att få en inblick i hur AI-modellen används av programmerare, för att avslutningsvis göra en uppföljande intervju post-observation i syfte att samla tankarna från intervjuobjekten efter användning av ChatGPT för att generera kodkommentarer. Baserat på den insamlade empirin kunde studien konkludera vissa begränsningar i den nuvarande modellen, inte minst behovet av tydliga instruktioner. Trots brister visar ChatGPTs framställning potential att vara en betydande resurs för kommentering av kod i framtiden. Resultaten indikerar att modellen kan generera relativt passande kommentarer i de analyserade kodkodstycken. Emellertid uttryckte deltagarna under de avslutande intervjuerna generellt sett att kommentarerna var redundanta och saknade betydande värde för att öka förståelsen av källkoden. Respondenterna diskuterade dock möjligheterna att använda ChatGPT i framtiden, men underströk behovet av förbättringar för att göra det till en tillförlitlig metod inom arbetsrelaterade situationer. / The usage of Artificial Intelligence (AI) is widespread among both companies and individuals today. It has become an integrated part of our society, often going unnoticed. From face recognition and self-driving cars to automation in work-related areas, AI has undeniably impacted the world. As AI models continue to evolve, concerns about their impact on jobs, associated security risks, and ethical dilemmas arise. The literature in this essay helps portray AI historically, in the present, and provides an insight into its future direction. The AI model that has currently garnered the most attention is ChatGPT. Its potential seems limitless, which prompted the relevance of increasing knowledge about the AI model. Furthermore, a delimitation was made, where the focus area was to investigate how ChatGPT can generate code comments and potentially act as a tool for commenting source code. As part of the research focus and scope, the research question was formulated: "Large Language Models: Assessment of ChatGPT's Potential as a Tool for Code Commenting." To answer the research question, the thesis adopted a qualitative approach, with programmers as the selected respondents. The primary data collection was conducted through two semi-structured interviews, where the initial interview involved capturing initial impressions of ChatGPT and gathering general information about the interviewees. Additionally, an observation was carried out to gain insights into how programmers utilize the AI model, followed by a post-observation interview to gather the interviewees' thoughts after using ChatGPT to generate code comments. Based on the collected empirical data, the study was able to conclude certain limitations in the current model, particularly the need for clear instructions. Despite these limitations, ChatGPT's performance demonstrates the potential to be a significant resource for code commenting in the future. The results indicate that the model can generate relatively suitable comments in the analyzed code snippets. However, during the concluding interviews, participants generally expressed that the comments were redundant and lacked significant value in enhancing the understanding of the source code. Nevertheless, the respondents 2 discussed the possibilities of using ChatGPT in the future, while emphasizing the need for improvements to establish it as a reliable method in work-related situations.

The pharmaceutical sector is important for human health due to the increasing demand for medical products but is also a pollution and waste intensive industry. There is an urgent need for the industry to review its environmental footprints and simultaneously consider the industrial transformation called Industry 4.0. This is especially true for small and medium sized enterprises (SMEs). To achieve these objectives, it is presumed that artificial intelligence (AI) will have an important role.  This thesis sets out to identify barriers that pharmaceutical SMEs may encounter when implementing AI to improve environmental efforts. Furthermore, due to the lack of efficient tools the Green Performance Map is analyzed to see if additional value in the design phase and running of a production system can be obtained. Semi-structured interviews were conducted as this thesis is a case study and follows an inductive process. Other qualitative data and literature were used to investigate the research questions. The results indicate that organizational, resource, regulatory and knowledge specific factors can create barriers. Furthermore, there are indications that the Green Performance Map will be useful in both the design phase and running of a production system, this is however dependent on the resources. / Läkemedelssektorn är viktig för människans hälsa på grund av den ökade efterfrågan av medicinska produkter men bidrar även till stora mängder avfall och föroreningar. Det finns ett akut behov att industrin granskar sina miljöavtryck och samtidigt överväger den industriella omvandlingen som kallas Industri 4.0. Detta gäller särskilt för små och medelstora företag. För att uppnå dessa mål kan Artificiell Intelligens (AI) komma att ha en betydelsefull roll.  Detta examensarbete syftar till att identifiera de hinder som små och medelstora läkemedelsföretag kan stöta på när de implementerar AI för att förbättra sitt miljöarbete. På grund av brist på effektiva verktyg analyseras dessutom Green Performance Map för att se om ett mervärde i designfasen och under driften av produktionssystemet kan erhållas. Semistrukturerade intervjuer genomfördes då examensarbetet är en fallstudie och följer en induktiv process. Kvalitativa data och litteratur användes för att undersöka forskningsfrågorna. Resultatet indikerar att organisatoriska, resurs-, reglerings- och kunskapsspecifika faktorer kan skapa barriärer. Dessutom, finns det indikatorer på att Green Performance Map kommer vara användbart både i designfasen och när produktionssystemet är i drift, detta är dock beroende på nivån av resurser.

The pharmaceutical sector is important for human health due to the increasing demand for medical products but is also a pollution and waste intensive industry. There is an urgent need for the industry to review its environmental footprints and simultaneously consider the industrial transformation called Industry 4.0. This is especially true for small and medium sized enterprises (SMEs). To achieve these objectives, it is presumed that artificial intelligence (AI) will have an important role.  This thesis sets out to identify barriers that pharmaceutical SMEs may encounter when implementing AI to improve environmental efforts. Furthermore, due to the lack of efficient tools the Green Performance Map is analyzed to see if additional value in the design phase and running of a production system can be obtained. Semi-structured interviews were conducted as this thesis is a case study and follows an inductive process. Other qualitative data and literature were used to investigate the research questions. The results indicate that organizational, resource, regulatory and knowledge specific factors can create barriers. Furthermore, there are indications that the Green Performance Map will be useful in both the design phase and running of a production system, this is however dependent on the resources. / Läkemedelssektorn är viktig för människans hälsa på grund av den ökade efterfrågan av medicinska produkter men bidrar även till stora mängder avfall och föroreningar. Det finns ett akut behov att industrin granskar sina miljöavtryck och samtidigt överväger den industriella omvandlingen som kallas Industri 4.0. Detta gäller särskilt för små och medelstora företag. För att uppnå dessa mål kan Artificiell Intelligens (AI) komma att ha en betydelsefull roll.  Detta examensarbete syftar till att identifiera de hinder som små och medelstora läkemedelsföretag kan stöta på när de implementerar AI för att förbättra sitt miljöarbete. På grund av brist på effektiva verktyg analyseras dessutom Green Performance Map för att se om ett mervärde i designfasen och under driften av produktionssystemet kan erhållas. Semistrukturerade intervjuer genomfördes då examensarbetet är en fallstudie och följer en induktiv process. Kvalitativa data och litteratur användes för att undersöka forskningsfrågorna. Resultatet indikerar att organisatoriska, resurs-, reglerings- och kunskapsspecifika faktorer kan skapa barriärer. Dessutom, finns det indikatorer på att Green Performance Map kommer vara användbart både i designfasen och när produktionssystemet är i drift, detta är dock beroende på nivån av resurser.

Syfte: Syftet med denna studie har varit att utforska och skapa ökad förståelse hur konsumenternas köpbeslut och efterköpsbeteende kan förändras av att heminredningsföretag inom e-handeln använder Artificiell Intelligens (AI) samt vilka eventuella konsekvenser AI användandet har på konsumenternas förtroende för företagen.  Problembakgrund: Med tanke på e-handelns framfart och att AI ständigt utvecklas är det relevant att ämnet diskuteras. Förtroende för AI skiljer sig mellan de svenska medborgarna samtidigt som implementeringen av AI ökar hos företagen.   Metod: Studien behandlar hur AI påverkar köpbeslut, efterköpsbeteende och förtroende med utgångspunkt i en kvalitativ studie och med en induktiv forskningsansats. Semistrukturerade intervjuer med femton personer genomfördes för att kunna besvara forskningsfrågorna.  Slutsats: Utifrån studiens empiri och analys kunde slutsatser dras att AI påverkar konsumenternas köpbeslut, efterköpsbeteende och förtroende på olika sätt i vardera steg. Detta ger en indikation från studien att företag som använder AI bör se till att det är genomtänkt och välutvecklat. Slutsatsen är att AI i dagsläget inte används av företag på ett tillräckligt utvecklat sätt utifrån dess potentiella kompetens, därav fyller det inte sin fulla funktion och konsumentens förtroende kan antas påverkas mer negativt än positivt. Om AI istället används på ett mer genomtänkt och välutvecklat sätt påverkar det konsumenternas förtroende positivt. / Purpose: The purpose of this study has been to explore and create greater understanding of how consumers' purchase decisions and post-purchase behavior change as a result of interior design companies in e-commerce using Artificial Intelligence (AI) and what possible consequences AI use has on consumers' trust in the companies. Problem background: Considering the progress of e-commerce and that AI is constantly developing, makes the topic relevant to discuss. Trust in AI differs between Swedish citizens, while the implementation of AI is increasing among companies. Method: The study investigates how AI affects purchase decisions, post-purchase behavior and trust based on a qualitative study with an inductive research approach. Semi-structured interviews with fifteen people were conducted in order to answer the research questions. Conclusion: Based on the study's empirical data and analysis, conclusions could be drawn that AI affects consumers' purchase decisions, post-purchase behavior and trust, in different ways at each stage. This gives an indication from the study that companies using AI should ensure that it is well thought out and well developed. The conclusion is that AI is currently not used by companies in a sufficiently developed way based on its potential competence, therefore it does not fulfill its full function and consumer trust can be assumed to be affected more negatively than positively. Instead, customer trust is enhanced when AI is applied in a well thought out and well developed manner.

Under de senaste åren har revisionsbranschen genomgått betydande förändringar med införandet av digitalisering och olika digitala verktyg. Under det senaste året har Artificiell Intelligens (AI) blivit alltmer framträdande och förväntas fortsätta att utvecklas. Revisionsbyråer integrerar digitala verktyg för att optimera revisionsprocessen, förbättra kvaliteten på revisionerna och reducera risken för konkurrens. Användning av AI-teknik kan signalera att revisionsbyrån ligger i framkant med tekniska verktyg och därmed öka revisionens trovärdighet. Tidigare forskning betonar fördelarna med att implementera digitala verktyg, som AI-teknik, i revisionsarbetet. Det förväntas att detta ska medföra effektivisering, flexibilitet, resursbesparing samt möjlighet att fokusera på andra mer komplexa arbetsuppgifter för revisorn. Syftet med den föreliggande studien är att undersöka hur användningen av AI-teknik och digitalisering påverkar revisionsprocess, revisionskvalitet och revisorns kompetenskrav. Studien utforskar dessutom revisorers uppfattning och acceptans av teknologiska innovationer hos revisionsbyråer som ingår i The Big Four. För att åstadkomma detta genomfördes intervjuer med elva revisorer av olika yrkesbefattning. Resultaten från den föreliggande studien indikerar att majoriteten av respondenterna har en positiv inställning till AI-tekniken och dess framtida utveckling. Dessutom framhåller respondenterna att tekniken är ett värdefullt hjälpmedel och stöd under revisionsprocessen genom att erbjuda vägledning och insikter.  Studien framhäver vikten av att använda AI-teknik inom revision med försiktighet och betonar att revisorns mänskliga kompetens och expertis fortfarande är avgörande för både revisionskvalitet och klientförtroende. Trots att majoriteten av respondenterna ser potential i hur AI-teknik kan förbättra deras arbete, påpekar studien att tekniken fortfarande är i ett tidigt utvecklingsstadium. Studien har resulterat i att AI-teknik inte är så etablerad som tidigare forskning har indikerat. Det har också observerats att revisorer behöver ökad kunskap om AI för att effektivt kunna använda tekniken i sin revision, vilket kan åstadkommas genom utbildning. Dessa slutsatser indikerar att AI-tekniken fortsätter att genomgå betydande förbättringar och att dess fulla potential ännu inte har realiserats. / Artificial Intelligence and Digitalization in the Auditing Industry: Challenges and Opportunities for the Auditing Process and Audit Quality In recent years, the auditing industry has undergone significant changes with the introduction of digitalization and various digital tools. Over the past year, Artificial Intelligence (AI) has become increasingly prominent and is expected to continue developing. Audit firms are integrating digital tools to optimize the auditing process, improve audit quality, and reduce the risk of competition. The use of AI-technology can signal that the audit firm is at the forefront of technological tools, thereby increasing the credibility of the audit. Previous research emphasizes the benefits of implementing digital tools, such as AI-technology, in auditing work. It is expected that this will lead to increased efficiency, flexibility, resource savings, and the ability for auditors to focus on other, more complex tasks.The purpose of the present study is to examine how the use of AI-technology and digitalization affects the auditing process, audit quality, and the competence requirements for auditors. The study also explores auditors' perceptions and acceptance of technological innovations at audit firms within The Big Four. To achieve this, interviews were conducted with eleven auditors of various professional positions. The results from the present study indicate that the majority of respondents have a positive attitude towards AI-technology and its future development. Additionally, the respondents highlight that the technology is a valuable tool and support during the auditing process by providing guidance and insights.The study highlights the importance of using AI-technology in auditing with caution and emphasizes that the auditor's human competence and expertise remain crucial for both audit quality and client trust. Although the majority of respondents see potential in how AI-technology can enhance their work, the study points out that the technology is still in an early stage of development. The study has shown that AI-technology is not as established as previous research has indicated. It has also been observed that auditors need increased knowledge about AI to effectively use the technology in their audits, which can be achieved through education. These conclusions indicate that AI-technology continues to undergo significant improvements and that its full potential has yet to be realized.

Background: Managing credit risks is an integral part of the banking sector and is crucial for banks’ success. Effective risk management ensures stable and profitable operations, addressing challenges like information asymmetry between lenders and borrowers. To combat these challenges, banks are shifting from manual methods to automated processes in credit assessment and credit risk management.Purpose: The purpose of the study was to investigate how the use of AI has contributed to credit risk management and the handling of risk assessments within Swedish banks. Additionally, the study explored the factors driving the use of AI in this area.  Methodology: An abductive research approach was employed within the framework of a qualitative research method. Four banks were included in the study: two major banks and two niche banks. Semi structured interviews provided the primary data for the study, while secondary data, such as articles and literature, were used to support and explain the findings during the analysis and discussion.  Theory: The study was based on two models and the theory of information asymmetry. The first model focuses on the credit assessment process, while the second addresses critical success factors for the implementation of AI. The theory of information asymmetry consists of moral hazard and adverse selection. Conclusions: The study’s conclusion indicated that AI has contributed to increased efficiency and precision in credit risk management. Furthermore, AI supports addressing information asymmetry by automating data collection, analysis, and fraud detection. The study concludes that effective AI usage necessitates a balanced combination of management support, strategic vision, organizational culture, and structure.