Breast cancer is the most common form of cancer for women around the world. In an attempt to decrease the mortality, women in Sweden between the ages of 40-74 years are called to regular mammography screenings to detect the disease as early as possible. Despite this, around 1400 die from the disease every year in Sweden. Every mammography image has to be analyzed by two radiologists. Despite this and regular screening, there are cases that go unnoticed. The factors that lessen the effectiveness of the system are that some cases go unnoticed and analyzing the mammography images is time consuming. This paper has investigated whether AI can be used to help solve these issues. Earlier research examines both of these aspects. Algorithms performing at approximately the same level of accuracy as radiologists and lessening the workload for examining radiologists has been developed [1]. This paper examined how to develop a similar simplified algorithm, how it can be implemented in healthcare and what the consequences of that would be. Hopefully, usage of similar technology will lead to a decrease in mortality and more accurate assessments. The study was conducted by interviewing two experts within the subject, and an attempt to develop an algorithm that through image analysis can classify tumours from mammography images.  The result shows that there is a big potential for using AI within healthcare, and by that enabling more accurate diagnosis and reducing mortality. During development of the algorithm a deeper understanding of the difficulties was given, such as the need for adequate processing power, processing and organization of image databases and the complexity in developing such a ML-algorithm for image analysis. The developed algorithm performed slightly better than random when detecting breast cancer on mammography images. / Bröstcancer är den vanligaste cancern bland kvinnor i världen. För att minska dödligheten kallas kvinnor i Sverige mellan 40-74 år regelbundet till mammografiscreening, i syfte att upptäcka tumörer i tid. Trots detta avlider ca. 1400 av sjukdomen varje år. Varje mammografibild granskas av två läkare. Trots detta och regelbunden screening finns det fall som missas. De faktorer som gör att systemet inte fungerar optimalt idag är att viss cancer inte upptäcks i tid samt att analysering av mammografibilderna är tidskrävande. Det här arbetet har undersökt huruvida användning av AI kan bidra till att lösa dessa problem. I tidigare forskning undersöks även båda dessa aspekter. Det har utvecklats AI-algoritmer som presterar ungefär i nivå med radiologer samt minskar arbetsbördan för undersökande radiologer [1]. I detta arbete undersöktes hur utvecklandet av en liknande algoritm går till, hur den faktiskt kan implementeras i sjukvården samt vilka konsekvenser detta kan ha. Förhoppningsvis kan tillämpning av liknande teknik leda till minskad dödlighet och säkrare bedömning. Studien genomfördes med intervjuer av två experter inom området, samt försök att utveckla en förenklad algoritm som genom bildanalys kan klassificera tumörer från mammografibilder. Resultatet visade att det finns stor potential för att använda AI inom sjukvården och med hjälp av detta uppnå säkrare bedömning och färre dödsfall. Under utvecklingen av algoritmen gavs en djupare förståelse för de svårigheter som uppkommer i utvecklandet av en sådan algoritm; såsom de krav på tillgänglig processorkraft, behandling och organisering av bilddatabaser och komplexiteten i att utveckla en maskininlärningsalgoritm för bildanalys. Algoritmen som utvecklades presterade något bättre än slumpen i detektion av tumörer på mammografier.

Artificiell intelligens (AI) och i synnerhet maskininlärning (ML) har inom UX-design visat potential att förbättra designprocessen genom att exempelvis identifiera användargrupper från stora datamängder, effektivisera idégenerering och automatisera repetitiva uppgifter. Det råder dock oenighet kring hur tekniken kan integreras i designprocessen. En viktig del av en designers arbete är att konsekvent prioritera användarbehov och därigenom förbättra användartillfredsställelsen. Därför försöker designers empatiskt sätta sig in i användarnas situation genom att identifiera deras behov och noggrant utforska potentiella problemområden. En visualiseringsteknik som ofta används av designers för att utveckla och förstå användarupplevelsen är journey mapping (JM). JM är dock en mycket resurskrävande process då den förutsätter nära samarbete mellan olika avdelningar och team. Trots detta visar forskning att de flesta designers inte integrerar element relaterade till insikter i sina kartor, vilka ofta är avgörande för att omvandla JM från visuell berättelse till handlingsplan. Integreringen av ML i JM-processen skulle potentiellt kunna möjliggöra en snabbare, mer datadriven och anpassningsbar designprocess som fokuserar mer på användarnas behov och önskemål. Utmaningen ligger i att smidigt integrera tekniken utan att förlora mänskliga perspektiv och tolkningar, vilka är grundläggande för användarcentrerad design. Denna studie fokuserar på att utforska sätt att integrera ML i delar av designprocessen för att möta utmaningarna som uppstår vid strävan efter användarcentrerad design i en resurskrävande miljö. För att uppnå en djupgående och strukturerad förståelse av samspelet mellan designprocessen, empatiskapande samt ML valdes en systematisk litteraturgranskning som den primära datainsamlingsmetoden samt tematisk analys som dataanalysmetod för denna studie. Målet är att utifrån detta resultat presentera praktiska rekommendationer, baserat på sammanställning av befintlig forskning, för hur JM-processen kan omformas och göras mer ML-driven. Genom en omfattande litteratursökning inhämtades data, vilken genomgick kvalitetsbedömning. Därefter genomfördes en inkludering- och exkluderingsprocess i enlighet med förutbestämda kriterier. Detta resulterade i 13 utvalda dokument, från vilka mönster och teman extraherades genom en tematisk analys. Resultatet visade på vikten av samskapande mellan människa och maskin för att möjliggöra en ansvarsfull designprocess. I resultaten presenteras även tekniska möjligheter och dilemman, där ML exempelvis kan automatisera repetitiva uppgifter och möjliggöra kontinuerlig övervakning och utvärdering av användarupplevelsen över tid. Dock kräver detta omfattande och representativa träningsdataset för att konstruera ML-modeller med hög generaliseringsförmåga gentemot nya och komplexa data. Resultaten belyser också bristen på förståelse för ML bland UX-designers och betonar vikten av samarbete med datavetare för att skapa en effektiv designprocess. Utifrån dessa resultat presenteras rekommendationer för en ML-driven JM-process. Även om UX-rollen troligtvis behöver omdefinieras, framhåller resultaten att kulturen inom UX-designprocessen snarare är "dataaktiverad" än helt datadriven. Detta perspektiv understryker det fortsatta behovet av mänsklig intuition och förståelse trots den ökade inriktningen på datadrivna metoder. Slutligen diskuteras hur framtida forskning skulle kunna inrikta sig på att utvärdera rekommendationernas praktiska tillämpbarhet. / Artificial Intelligence (AI), particularly Machine Learning (ML), has demonstrated potential within UX design to enhance the design process by identifying user groups from extensive datasets, streamlining idea generation, and automating repetitive tasks. However, there is ongoing debate about the integration of this technology in the design process. A crucial aspect of a designer's work is consistently prioritizing user needs to enhance user satisfaction. Designers strive to empathetically understand user situations by identifying their needs and meticulously exploring potential problem areas. One commonly used visualization technique employed by designers to develop and understand user experiences is Journey Mapping (JM). However, JM is a resource-intensive process, requiring close collaboration across different departments and teams for extensive data collection. Despite this, research indicates that most designers do not integrate elements related to insights into their maps, crucial for transforming JM from a visual narrative to an actionable plan. Integrating ML into the JM process could potentially enable a faster, more data-driven, and adaptable design process, effectively focusing on user needs and desires. The challenge lies in seamlessly integrating the technology without losing the human perspectives and interpretations fundamental to user-centered design. This study focuses on exploring ways to integrate ML into parts of the design process to address challenges in pursuing user-centered design in a resource-intensive environment. A systematic literature review was chosen as the primary data collection method, with thematic analysis employed as the data analysis method. The aim was to present practical recommendations based on a compilation of existing research on the design process, making the JM process more MLdriven. Through an extensive literature search, data was gathered and subjected to quality assessment. Subsequently, an inclusion and exclusion process were conducted according to predetermined criteria, resulting in 13 selected documents. Patterns and themes were extracted through thematic analysis. The results emphasize the importance of co-creation between humans and machines to enable a responsible design process. Technical possibilities and dilemmas are also presented, highlighting ML's ability to automate repetitive tasks and facilitate continuous monitoring and evaluation of user experience over time. However, this requires comprehensive and representative training datasets to construct ML models with high generalization ability to new and complex data. The results also underscore the lack of ML understanding among UX designers and emphasize the importance of collaboration with data scientists for an efficient design process. Recommendations for an ML-driven JM process are presented based on these findings. While the UX role may need redefinition, the results emphasize a "data-activated" culture within the UX design process rather than being entirely data-driven. This perspective underscores the ongoing need for human intuition and understanding despite the increased focus on data-driven methods. Finally, the discussion explores how future research could evaluate the practical applicability of the recommendations.

The paradigm of diffusion research can be traced back all the way to the 1940s when Ryan and Gross investigated the diffusion of hybrid seed among farmers in Iowa. Since the 1960s diffusion research has been applied in a wide variety of disciplines, for instance, to study the diffusion of the Internet and the non-diffusion of the Dvorak keyboard. Currently, the technologies that are on top of the Gartner Hype Cycle are all associated with Artificial Intelligence (AI), which shortly can be defined as learning devices that perceive their environment and take actions to maximize their success at some goal. Consequently, some people suggest that the current hype surrounding AI can be the end of the human kind, while others believe it will give way for millions of fresh jobs and cleverer decision-making. In recent years both media and political organizations have shown great interest in AI. In addition, the industry is captivated by the potential uses of AI. In the last years, AI-related companies in the US have raised billions of dollars in the stock market together with a large number of acquisitions. The large flow of capital into AI technology underpins the fast development of AI solutions. The purpose of this study is to investigate how groups approach AI. What can be concluded after reviewing different sectors is that organizations seem to share a common interest of AI. Furthermore, organizations share the opinion that eventually AI will be a more natural part of their processes. Organizations investing a larger share of their budget in R&D have a longer experience of using AI and are currently doing projects utilizing more advanced technologies within AI. In organizations from other sectors, the investments in AI depend on the people with the authority to invest money in projects and their view on AI. Organizations generally seem to approach AI in a similar way. Firstly, they evaluate what AI is. Secondly, they find areas to make small iterative PoC-projects utilizing AI, usually with machine learning. Finally, more money is invested if the PoC-projects were successful and the organization starts looking at how to acquire more competence within the area to fully exploit the value of AI. / Paradigmet för innovationsspridning kan spåras ända tillbaka till 1940-talet när Ryan och Gross undersökte spridningen av hybridfrön bland bönder i Iowa. Sedan 1960-talet har forskningen tillämpats inom en mängd olika discipliner, till exempel för att studera spridningen av Internet och icke-spridningen av Dvorak-tangentbordet. För närvarande är teknologierna som ligger på toppen av Gartner Hype-cykeln alla förknippade med artificiell intelligens (AI), som kan definieras som lärande enheter som uppfattar sin miljö och vidtar åtgärder för att maximera sin framgång gällande något mål. Hypen som nu finns kring AI har lett till att vissa människor tror att det kan innebära slutet för mänskligheten medan andra tror att det kommer att ge plats för miljoner nya jobb och smartare beslutsfattande. Under de senaste åren har både medier och politiska organisationer visat stort intresse för AI samt visat intresse för potentiella användningsområden av AI. AI-relaterade företag i USA har under de senaste åren har tagit in miljarder dollar i riskkapital. Ett stort antal förvärv och kapitalflödet till AI-teknik ökar den snabba utvecklingen av AI-lösningar. Syftet med denna studie är att beskriva spridningen av AI i organisationer från ett antal olika sektorer. Vad som kan sägas efter att ha studerat olika sektorer är att organisationer delar en gemensam nyfikenhet för AI och att de tror att AI kommer bli en allt mer naturlig del av sina processer. De företag som spenderar mycket pengar på FoU har längre erfarenhet av att använda AI och gör för närvarande projekt som använder mer avancerade tekniker. I andra organisationer är investeringarna inom AI beroende av de anställda som har rätt att investera pengar i projekt och deras syn på AI. Organisationer verkar allmänt närma sig AI på ett liknande sätt där de först utvärderar vad AI är. Därefter väljer de ett antal områden där de gör små iterativa projekt där de utnyttjar AI, vanligtvis via ML. Därefter investerades mer pengar om de små projekten lyckas och företaget börjar titta på hur man kan förvärva mer kompetens inom området.