Arbetsdispositionsplanen (APD-plan) är en central metod för planering av byggarbetsplatser och stöd för platsledningens beslutsfattande. Idag är stödet nästan uteslutande manuellt arbete även om det görs med digitala verktyg och uppdatering av APD-planen uteblir.  Denna studie syftar till att undersöka möjligheterna för att automatisera överföringen av information från en 360-graders hjälmkamera på en byggarbetsplats till en digital APD-plan integrerad med byggnadsinformationsmodeller (BIM). Målet med studien är att undersöka hur informationen från en hjälmkamera kan kopplas till digitala verktyg såsom APD-planer och BIM-modeller samt hur denna information kan användas som stöd för platsledningen på byggarbetsplatsen genom kontinuerlig uppdatering av APD-planen.  Studien baseras på en fallstudie som innefattar datainsamling i form av bilder och videor från byggarbetsplatsen, intervjuer med personer med erfarenhet och kunskap inom byggbranschen samt observationer från fältstudie. En litteraturstudie presenteras också, där teori kopplad till examensarbetets syfte och frågeställning används som grund för analys, diskussion och slutsatser.  För att uppnå syftet och målen med studien besvaras följande forskningsfrågor:  Hur uppdateras och används APD-planer i dagsläget inom byggsektorn?  Vilka utmaningar och svårigheter är förknippade med automatiserad överföring av information från hjälmkameror till APD-planer?  Vilka fördelar och nackdelar medför användningen av en 360-graders hjälmkamera som verktyg för automatiserad uppdatering av APD-planer och integrering med BIM-modeller?  Utifrån litteraturstudien och genomförda intervjuer uppdateras APD-planer i nuläget manuellt genom att APD-ansvarig genomför inspektioner ute på arbetsplatsen. Denna metod är tidskrävande och uppdateringar tenderar att utebli på grund av tidsbrist.  Resultatet av fallstudien indikerar att insamlad data från byggarbetsplatsen automatiskt kunde överföras till APD-planen men inspektionen för att samla in data krävde manuellt utförande. APD-planen uppdaterades manuellt genom att jämföra insamlade data från byggarbetsplatsen och sedan uppdatera APD-planen utifrån dessa förändringar.  Utvecklad metod skapar förutsättningar för en smidare och effektiv uppdateringsprocess av APD-planen. APD-ansvarig kan utföra uppdateringar digitalt utan fysisk närvaro på platsen. Med metoden kan APD-planer uppdateras frekvent där senaste information finns tillgänglig i smartphones för samtliga involverade i projektet. Nackdelen med utvecklad metod är att manuell uppdatering krävs där vidare forskning är nödvändig för att automatisera uppdateringen. Formatet av insamlat material medförde att en automatiserad uppdatering uteblev eftersom materialet inte kunde kopplas samman med APD-modellen utan enbart jämföras. Om formatet av insamlat material skulle kunna omvandlas till modeller eller placeras ovanpå befintliga modeller skulle en automatiserad uppdatering av APD-planen vara genomförbar. / The Construction Site Utilization Plan (CSUP) is a central method for planning construction sites and support for site management's decision-making. Today, the support is almost exclusively manual work, even if it is done with digital tools, updating the CSUP tends to be absent.  This study aims to investigate the possibilities of automating the transfer of information from a 360-degree helmet camera on a construction site to a digital CSUP model integrated with building information models (BIM). The goal of the study is to investigate how the information from a helmet camera can be connected to digital tools such as CSUP and BIM models and how this information can be used to support site management on the construction site through continuous updating of the CSUP.  The study is based on a case study that includes data collection in the form of images and videos from the construction site, interviews with people with experience and knowledge in the construction industry, and observations from field studies. A literature study is presented as well, where theory linked to the aim and question of the thesis is used as a basis for analysis, discussion and conclusions.  In order to achieve the aim and objectives of the study, the following research questions are answered:  How are CSUPs currently updated and used in the construction sector?  What are the challenges and difficulties associated with automated transmission of information from helmet cameras to CSUPs? What are the advantages and disadvantages of using a 360-degree helmet camera as a tool for automated updating of CSUPs and integration with BIM models?  Based on the literature study and conducted interviews, CSUPs are currently updated manually by the CSUP manager carrying out inspections at the construction site. This method is time consuming and updates tend to fail due to lack of time.  The results of the case study indicate that data collected from the construction site could be automatically transferred to the CSUP but the inspection to collect the data required manual execution. The CSUP was manually updated by comparing collected data from the construction site and then updating the CSUP based on these changes.  The developed method creates the conditions for a smoother and more efficient updating process of the CSUP. CSUP managers can carry out updates digitally without physical presence on site. With the method, CSUPs can be updated frequently where the latest information is available on smartphones for everyone involved in the project. The disadvantage of the developed method is that manual updating is required where further research is necessary to automate the updating. The format of collected material meant that an automated update was not possible because the material could not be connected to the CSUP model but only compared. If the format of collected material could be converted into models or placed on top of existing models, automated updating of the CSUP would be feasible.

Bluetooth is a technology that has been implemented in over 5 billion devices and therefore has a considerable impact. It is the dominant technology for shortrange wireless communication. Modern society relies heavily on information technology (IT), and this has introduced a significant threat to society and companies in the form of hackers whether they be state-sponsored, political activists, or part of organized crime. This has introduced the need for companies and organizations that strive to make devices more secure, as well as standards that can be used for evaluating how secure a device is. Common Criteria (CC) is an internationally recognized set of guidelines and standards that can be used for security evaluation. There is a growing demand for enhanced efficiency in the field of security evaluation, especially considering the move to agile methodologies in information and communication technology (ICT) product development. Historically, security evaluation has been tailored to each individual product. The current trends in the certification and global ICT evaluation industry indicate a move in the direction of a greater reliance on predefined test cases. In this thesis, I describe how I designed, developed, and evaluated a toolkit that automates the evaluation of Android devices concerning a selection of security requirements that concern Bluetooth from the Mobile Device Fundamentals Protection Profile in CC. This involved a literature study, examination of the Bluetooth Core Specification, software development, and evaluation of the toolkit. My results from evaluating the toolkit found that it only reports non-compliance with a security requirement if the target of evaluation (TOE) is non-compliant. Additionally, every time the toolkit reported compliance with a security requirement, manual evaluation verified that the TOE truly complied with the security requirement. Finally, during the development phase, I discovered a vulnerability that had not been discovered during manual evaluation. It has been confirmed by the developer to be a vulnerability and a patch is currently being developed. My evaluation indicates that the toolkit I have developed is reliable and that it could therefore be used in the security industry. By finding a vulnerability by using automation, I have shown that automation could potentially be a useful approach for vulnerability research. Similarly to fuzzing, automation can be used to expose a system to behavior that it does not expect and therefore potentially reveal vulnerabilities. / Bluetooth är en teknologi som har implementerats i över 5 miljarder enheter och har därför stor inverkan. Det är den dominerande teknologin för trädlös kommunikation med kort räckvidd. Det moderna samhället är starkt beroende av informationsteknologi (IT), och detta har introducerat ett betydande hot mot samhället och företag i form av hackare oavsett om de är statligt sponsrade, politiska aktivister, eller en del av organiserad brottslighet. Detta har introducerat ett behov av företag och organisationer som strävar efter att göra enheter säkrare, såväl som standarder som kan användas för att utvärdera hur säker en enhet är. Common Criteria (CC) är en internationellt erkänd uppsättning riktlinjer och standarder som kan användas för säkerhetsutvärdering. Det finns en växande efterfrågan på ökad effektivitet inom området för säkerhetsutvärdering, särskilt med tanke på övergången till agila metoder för produktutveckling inom information- och kommunikations-teknologi. Historiskt sett har säkerhetsutvärdering skräddarsytts för varje enskild produkt. De nuvarande trenderna i certifieringsindustrin och globala ICT-utvärderingsindustrin indikerar en förflyttning i riktning mot ett mer frekvent användande av fördefinierade testfall. I denna uppsats beskriver jag hur jag designade, utvecklade och utvärderade ett verktyg som automatiserar utvärderingen av Android-enheter gällande ett urval av säkerhetskrav som rör Bluetooth från Mobile Device Fundamentals Protection Profile i CC. Detta innebar en litteraturstudie, granskning av Bluetooth Core Specification, mjukvaruutveckling och utvärdering av verktyget. Mina resultat från utvärderingen av verktyget visade att den bara rapporterar bristande efterlevnad med ett säkerhetskrav om målet för utvärdering (TOE) inte efterlever säkerhetskravet i fråga. Dessutom, varje gång verktyget rapporterade överensstämmelse med ett säkerhetskrav, verifierade manuell utvärdering att TOE:n verkligen efterlevde säkerhetskravet i fråga. Slutligen, under utvecklingsfasen upptäckte jag en sårbarhet som inte upptäckts under manuell utvärdering. Sårbarhet har bekräftats av utvecklaren och en patch håller på att utvecklas. Min utvärdering visar att det verktyg som jag har utvecklat är tillförlitlig och att den därför skulle kunna användas i säkerhetsbranschen. Genom att hitta en sårbarhet genom automatisering har jag visat att automatisering skulle kunna vara en användbar metod för sårbarhetsforskning. På samma sätt som fuzzing kan automatisering används för att utsätta ett system för beteenden som det inte förväntar sig och därför potentiellt avslöja sårbarheter.

Bakgrund och syfte. Ordflödestest undersöker en persons förmåga att generera så många ord som möjligt under en minut. Orden kan börja på en viss bokstav eller tillhöra en särskild kategori. FAS är ett vanligt ordflödestest där orden som ska genereras börjar på bokstäverna F, A och S. Exempel på kategoriska ordflödestest är djurflöde, som går ut på att säga så många djur som möjligt, samt verbflöde där instruktionen är att säga så många saker man kan göra (handlingar). Forskare har undersökt vilka mentala färdigheter som ligger till grund för ordflödesförmågan, framför allt planerande och reglerande (exekutiva) funktioner samt språklig förmåga. I forskning används ofta FAS och djurflöde för att undersöka olika delar av den språkliga förmågan. Även verbflöde har undersökts i dessa sammanhang, men inte i lika stor utsträckning. Däremot har verbflöde en större roll i forskning på planerande och reglerande funktioner hos äldre personer som har exempelvis Alzheimers eller Parkinson. Forskningen har lett till att ordflödestest används i kliniska sammanhang som en del i utredningen av dessa sjukdomar. I praktiken används även FAS och djurflöde vid utredningar av dyslexi, språkstörning och koncentrations-/hyperaktivitetssvårigheter (ADHD). Forskning har visat motstridiga resultat om vilka typer av ordflödestest som är nedsatta vid dyslexi och språkstörning, eller vilka mentala förmågor som är viktiga vid genomförande av ordflödestest. I denna studie undersöks FAS, djurflöde och verbflöde hos studenter inom högre utbildning med och utan dyslexi. Syftet är att utreda om ordflödesförmågan är nedsatt hos studenter med dyslexi. Studien undersöker om ordflöde kan bidra till att förklara spridningen i läsförmåga. Metod. I undersökningen deltog 42 studenter, varav 16 hade dyslexidiagnos och 26 kontroller utan dyslexidiagnos. Deltagarna genomförde test som undersöker läsförmåga, fonologisk förmåga, snabb benämning samt ordflöde av FAS, djur och verb. Resultat. Prestationen på ordflödesförmåga var signifikant nedsatt hos studenter med dyslexi jämfört med kontrollgruppen. En multipel regression med bakåteliminering genomfördes för att undersöka om FAS, djurflöde och verbflöde kunde förutsäga spridningen i läsförmåga när fonologisk medvetenhet och snabb benämning kontrollerades för. Regressionsanalysen visade att verbflöde, tillsammans med fonologisk medvetenhet, kunde förutsäga läsförmåga hos studenter med och utan dyslexi. Diskussion. Den nedsatta ordflödesförmågan hos studenter med dyslexi diskuteras utifrån faktorer som utbildning och andra mentala förmågor. Resultatet pekar på ett unikt samband mellan verbflöde och läsförmåga hos studenter med och utan dyslexi. De strukturer i hjärnan som aktiveras vid verbflöde är även strukturer som ligger till grund för andra mentala förmågor. Dessa mentala förmågor har även visats vara nedsatta hos personer med dyslexi. Generellt indikerar dessa nya fynd att verbflöde har en betydelse i förhållande till läsförmåga och dyslexi som behöver undersökas vidare. Resultatet diskuteras även utifrån ett kliniskt perspektiv. / Verbal fluency is commonly measured in cognitive assessments and has been shown to measure aspects of verbal ability and executive function, as well as to involve specific cortical areas during performance. Verbal fluency tasks, in which participants generate words during a given time limit, have been used in research and assessments of neurobiological disorders and impairments. Dyslexia is a neurobiologically based reading disorder that is characterized by difficulties in word decoding and spelling. Research on verbal fluency in individuals with dyslexia shows that semantic and letter fluency is impaired. However, studies show inconsistent results. This study examines performance on semantic fluency (animals), action fluency (verbs), and letter fluency (FAS) in 42 students with developmental dyslexia (DD, n = 16) and a control group with typical reading development (TD, n = 26). Participants also perform a test battery that measures reading and phonological abilities, amongst others. Additionally, it is examined if verbal fluency performance can contribute to predicting reading ability, when phonological awareness and rapid automatized naming (RAN) are taken into account. Results show that verbal fluency performance was impaired in the DD group, and that action and letter fluency were relatively more impaired than semantic fluency. A backward elimination regression showed that action fluency and phonological awareness were significant predictors of reading ability, together explaining 48 % of the variance. The impaired verbal fluency ability is discussed in relation to factors such as education and cognitive abilities. Further, the findings point to a possible unique connection between action fluency and reading ability in students, in addition to phonological awareness. The possibility that the relationship between action fluency and reading may be partly explained by common neurocognitive underpinnings is discussed. These novel findings indicate that action fluency has a pertinent role in reading ability and dyslexia, which should be further examined.

Construction of radiotherapy treatments for cancer is a laborious and time consuming task. At the same time, when presented with a treatment plan, an oncologist can quickly judge whether or not it is suitable. This means that the problem of constructing these treatment plans is well suited for automation. This thesis investigates a novel way of automatic treatment planning. The treatment planning system this pipeline is constructed for provides dose mimicking functionality with probability density functions of dose–volume histograms (DVHs) and spatial dose as inputs. Therefore this will be the output of the pipeline. The input is historically treated patient scans, segmentations and spatial doses. The approach involves three modules which are individually replaceable with little to no impact on the remaining two modules. The modules are: an autoencoder as a feature extractor to concretise important features of a patient segmentation, a distance optimisation step to learn a distance in the previously constructed feature space and, finally, a probabilistic spatial dose estimation module using sparse pseudo-input Gaussian processes trained on voxel features. Although performance evaluation in terms of clinical plan quality was beyond the scope of this thesis, numerical results show that the proposed pipeline is successful in capturing salient features of patient geometry as well as predicting reasonable probability distributions for DVH and spatial dose. Its loosely connected nature also gives hope that some parts of the pipeline can be utilised in future work. / Skapandet av strålbehandlingsplaner för cancer är en tidskrävande uppgift. Samtidigt kan en onkolog snabbt fatta beslut om en given plan är acceptabel eller ej. Detta innebär att uppgiften att skapa strålplaner är väl lämpad för automatisering. Denna uppsats undersöker en ny metod för att automatiskt generera strålbehandlingsplaner. Planeringssystemet denna metod utvecklats för innehåller funktionalitet för dosrekonstruktion som accepterar sannolikhetsfördelningar för dos–volymhistogram (DVH) och dos som input. Därför kommer detta att vara utdatan för den konstruerade metoden. Metoden är uppbyggd av tre beståndsdelar som är individuellt utbytbara med liten eller ingen påverkan på de övriga delarna. Delarna är: ett sätt att konstruera en vektor av kännetecken av en patients segmentering, en distansoptimering för att skapa en distans i den tidigare konstruerade känneteckensrymden, och slutligen en skattning av sannolikhetsfördelningar med Gaussiska processer tränade på voxelkännetecken. Trots att utvärdering av prestandan i termer av klinisk plankvalitet var bortom räckvidden för detta projekt uppnåddes positiva resultat. De estimerade sannolikhetsfördelningarna uppvisar goda karaktärer för både DVHer och doser. Den löst sammankopplade strukturen av metoden gör det dessutom möjligt att delar av projektet kan användas i framtida arbeten.

Trouble and bug reports are essential in software maintenance and for identifying faults—a challenging and time-consuming task. In cases when the fault and reports are similar or identical to previous and already resolved ones, the effort can be reduced significantly making the prospect of automatically detecting duplicates very compelling. In this work, common methods and techniques in the literature are evaluated and compared on domain-specific and multimodal trouble reports from Ericsson software. The number of samples is few, which is a case not so well-studied in the area. On this basis, both traditional and more recent techniques based on deep learning are considered with the goal of accurately detecting duplicates. Firstly, the more traditional approach based on natural language processing and machine learning is evaluated using different vectorization techniques and similarity measures adapted and customized to the domain-specific trouble reports. The multimodality and many fields of the trouble reports call for a wide range of techniques, including term frequency-inverse document frequency, BM25, and latent semantic analysis. A pipeline processing each data field of the trouble reports independently and automatically weighing the importance of each data field is proposed. The best performing model achieves a recall rate of 89% for a duplicate candidate list size of 10. Further, obtaining knowledge on which types of data are most important for duplicate detection is explored through what is known as Shapley values. Results indicate that utilizing all types of data indeed improve performance, and that date and code parameters are strong indicators. Secondly, a Siamese network based on Transformer-encoders is evaluated on data fields believed to have some underlying representation of the semantic meaning or sequentially important information, which a deep model can capture. To alleviate the issues when having few samples, pre-training through automatic data labeling is studied. Results show an increase in performance compared to not pre-training the Siamese network. However, compared to the more traditional model it performs on par, indicating that traditional models may perform equally well when having few samples besides also being simpler, more robust, and faster. / Buggrapporter är kritiska för underhåll av mjukvara och för att identifiera fel — en utmanande och tidskrävande uppgift. I de fall då felet och rapporterna liknar eller är identiska med tidigare och redan lösta ärenden, kan tiden som krävs minskas avsevärt, vilket gör automatiskt detektering av dubbletter mycket önskvärd. I detta arbete utvärderas och jämförs vanliga metoder och tekniker i litteraturen på domänspecifika och multimodala buggrapporter från Ericssons mjukvara. Antalet tillgängliga träningsexempel är få, vilket inte är ett så välstuderat fall. Utifrån detta utvärderas både traditionella samt nyare tekniker baserade på djupinlärning med målet att detektera dubbletter så bra som möjligt. Först utvärderas det mer traditionella tillvägagångssättet baserat på naturlig språkbearbetning och maskininlärning med hjälp av olika vektoriseringstekniker och likhetsmått specialanpassade till buggrapporterna. Multimodaliteten och de många datafälten i buggrapporterna kräver en rad av tekniker, så som termfrekvens-invers dokumentfrekvens, BM25 och latent semantisk analys. I detta arbete föreslås en modell som behandlar varje datafält i buggrapporterna separat och automatiskt sammanväger varje datafälts betydelse. Den bäst presterande modellen uppnår en återkallningsfrekvens på 89% för en lista med 10 dubblettkandidater. Vidare undersöks vilka datafält som är mest viktiga för dubblettdetektering genom Shapley-värden. Resultaten tyder på att utnyttja alla tillgängliga datafält förbättrar prestandan, och att datum och kodparametrar är starka indikatorer. Sedan utvärderas ett siamesiskt nätverk baserat på Transformator-kodare på datafält som tros ha en underliggande representation av semantisk betydelse eller sekventiellt viktig information, vilket en djup modell kan utnyttja. För att lindra de problem som uppstår med få träningssexempel, studeras det hur den djupa modellen kan förtränas genom automatisk datamärkning. Resultaten visar på en ökning i prestanda jämfört med att inte förträna det siamesiska nätverket. Men jämfört med den mer traditionella modellen presterar den likvärdigt, vilket indikerar att mer traditionella modeller kan prestera lika bra när antalet träningsexempel är få, förutom att också vara enklare, mer robusta, och snabbare.

Södra Gotland (Storsudret) är ett av de mest utsatta områdena i Sverige när det kommer till torka under somrarna. Trots stora mängder nederbörd har jordbrukare problem med bevattning då öns geologi påverkar lagringen av vatten i form av grundvatten negativt. Vilket beror på att berggrunden består främst av kalk, märgel och märgelsten. Dålig tillgång till vatten kombinerat med långa och varma somrar har medfört att skörden minskat markant under de senaste åren. Bevattningstekniker som används i dagsläget är inte bra på att utnyttja vatten på ett hållbart och effektivt sätt. Dessutom har kostnaderna ökat för många jordbrukare på Gotland med avseende på de ökande elpriserna. Bevattning kräver el och vissa bönder har exempelvis inte tillgång till el vid sina åkrar och måste därmed dra el vilket ökar kostnaderna markant. Behovet av mer resurseffektiva och hållbara bevattningstekniker är stort och något som behöver undersökas mer djupgående.  Syftet med denna studie var att undersöka ifall ett automatiserat bevattningssystem som drivs av solenergi faktiskt är möjligt att implementera. Detta utifrån olika kriterier såsom kostnad, energianvändning, skördemängd, klimatpåverkan och vattenanvändning. Därefter jämföra mot ett mer konventionellt system som används i dagsläget och därmed undersöka vilka skillnader det finns. Det var två system som valdes i studien. System 1 var ett potentiellt automatiserad rampbevattningssystem och system 2 ett konventionellt rampbevattningssystem. Båda systemen sattes in i verklighetsbaserade scenario (en åker i södra Gotland) för att få en mer realistisk överblick. Därefter användes en multikriterieanalys för att jämföra båda systemen mot varandra utifrån valda kriterier. Sist av allt användes en SWOT-analys för att sammanknyta all resultat som togs fram i studien.  Resultatet visade att det är i teorin möjligt att bygga ett helt automatiserat bevattningssystem som drivs av solenergi och att det finns både positiva och negativa delar med systemet jämfört mot en konventionell rambevattning. Det potentiella systemet har exempelvis både en högre kostnad som 1,1 gånger högre, samt en högre energianvändning per hektar, cirka 5 gånger högre jämfört med ett konventionellt system. Dock presterade det potentiella systemet bättre jämfört mot ett konventionellt system med avseende på klimatpåverkan som var 10 gånger lägre jämfört med ett konventionellt system. SWOT sammanställningen visade också att intresset för automatiserade bevattningssystem är låg bland jordbrukare delvis på grund av att systemen inte är anpassade till svenska förhållanden, samt den höga investeringskostnaden. Därav krävs det att fler aktörer blir involveras och kunskapen sprids för att öka etableringen av automatiserade bevattningssystem på södra Gotland (Storsudret) samt resten av Sverige. / The southern part of Gotland (Storsudret) is one of the most exposed areas in Sweden when it comes to drought during the summers. Despite large amounts of rainfall, farmers have problems with irrigation as the island’s geology negatively affects the storage of water in the form of groundwater. Poor access to water combined with long and hot summers has meant that the harvest has decreased significantly in recent years. Irrigation techniques used today are not good at using water sustainably and efficiently. In addition, costs have increased for many farmers in Gotland concerning the increasing electricity prices. Irrigation requires electricity and some farmers, for example, do not have access to electricity in their fields and thus have to get electricity, which increases costs significantly. The need for more resource-efficient and sustainable irrigation techniques is great and something that needs to be investigated in more depth.  The purpose of this study was to investigate whether an automated irrigation system powered by solar energy is realistically possible to implement. This was based on various criteria such as cost, energy requirements, yield, etc., and then compare against a more conventional system that is currently used and thus examines what differences there are. Two systems were chosen in the study. System one was a potentially automated irrigation system and system two was a conventional ramp irrigation system. Both systems were put into a reality-based scenarios (a field in southern Gotland) to get a more realistic overview. Multi-criteria analysis was then used to compare both systems against each other based on selected criterias. Afterward, a SWOT analysis was also carried out to summarize all the results that were produced in the study.  The result showed that it is theoretically possible to build a fully automated irrigation system powered by solar energy and that there are both positive and negative parts to the system com- pared to conventional ramp irrigation. The potential system has, for example, both a higher cost which was 1.1 times higher, and a higher energy requirement per hectare which was 5 times higher compared to a conventional system. However, the potential system performed better compared to a conventional system concerning climate impact which was 10 times lower compared to a conven- tional system. The SWOT summarize also showed that interest in automated irrigation systems was low among farmers partly due to the systems not being adapted to Swedish conditions and the large investment cost. Thus it is necessary that more actors be involved and the knowledge spread to increase the establishment of automated irrigation systems in southern Gotland (Storsudret) and in the rest of Sweden.

SOTA language models have demonstrated remarkable capabilities in tackling NLP tasks they have not been explicitly trained on – given a few demonstrations of the task (few-shot learning), or even none at all (zero-shot learning). The purpose of this Master’s thesis has been to investigate practical aspects and potential applications of zero/few-shot learning in the context of text classification. This includes topics such as combined usage with active learning, automated data labeling, and interpretability. Two different methods for zero/few-shot learning have been investigated, and the results indicate that:  • Active learning can be used to marginally improve few-shot performance, but it seems to be mostly beneficial in settings with very few samples (e.g. less than 10). • Zero-shot learning can be used produce reasonable candidate labels for classes in a dataset, given knowledge of the classification task at hand.  • It is difficult to trust the predictions of zero-shot text classification without access to a validation dataset, but IML methods such as saliency maps could find usage in debugging zero-shot models. / Ledande språkmodeller har uppvisat anmärkningsvärda förmågor i att lösa NLP-problem de inte blivit explicit tränade på – givet några exempel av problemet (few-shot learning), eller till och med inga alls (zero-shot learning). Syftet med det här examensarbetet har varit att undersöka praktiska aspekter och potentiella tillämpningar av zero/few-shot learning inom kontext av textklassificering. Detta inkluderar kombinerad användning med aktiv inlärning, automatiserad datamärkning, och tolkningsbarhet. Två olika metoder för zero/few-shot learning har undersökts, och resultaten indikerar att: • Aktiv inlärning kan användas för att marginellt förbättra textklassificering med few-shot learning, men detta verkar vara mest fördelaktigt i situationer med väldigt få datapunkter (t.ex. mindre än 10). • Zero-shot learning kan användas för att hitta lämpliga etiketter för klasser i ett dataset, givet kunskap om klassifikationsuppgiften av intresse. • Det är svårt att lita på robustheten i textklassificering med zero-shot learning utan tillgång till valideringsdata, men metoder inom tolkningsbar maskininlärning såsom saliency maps skulle kunna användas för att felsöka zero-shot modeller.

This project is about screw hole detection using neural networks for automated assembly and disassembly. In a lot of industrial companies, such as Ericsson AB, there are products such as radio units or filters that have a lot of screw holes. Thus, the assembly and disassemble process is very time consuming and demanding for a human to assemble and disassemble the products. The problem statement in this project is to investigate the performance of neural networks within object detection and semantic segmentation to detect screw holes in industrial products. Different industrial models were created and synthetic data was generated in Blender. Two types of experiments were done, the first one compared an object detection algorithm (Faster R-CNN) with a semantic segmentation algorithm (SegNet) to see which area is most suitable for hole detection. The results showed that semantic segmentation outperforms object detection when it comes to detect multiple small holes. The second experiment was to further investigate about semantic segmentation algorithms by adding U-Net, PSPNet and LinkNet into the comparison. The networks U-Net and LinkNet were the most successful ones and achieved a Mean Intersection over Union (MIoU) of around 0.9, which shows that they have potential for further development. Thus, conclusions draw in this project are that segmentation algorithms are more suitable for hole detection than object detection algorithms. Furthermore, it shows that there is potential in neural networks within semantic segmentation to detect screw holes because of the results of U-Net and LinkNet. Future work that one can do is to create more advanced product models, investigate other segmentation networks and hyperparameter tuning. / Det här projektet handlar om skruvhålsdetektering genom att använda neurala nätverk för automatiserad montering och demontering. I många industriföretag, såsom Ericsson AB, finns det många produkter som radioenheter eller filter som har många skruvhål. Därmed, är monterings - och demonteringsprocessen väldigt tidsfördröjande och krävande för en människa att montera och demontera produkterna. Problemformuleringen i detta projekt är att undersöka prestationen av olika neurala nätverk inom objekt detektering och semantisk segmentering för skurvhålsdetektering på indutriella produkter. Olika indutriella modeller var skapade och syntetisk data var genererat i Blender. Två typer av experiment gjordes, den första jämförde en objekt detekterings algoritm (Faster R-CNN) med en semantisk segmenterigs algoritm för att vilket område som är mest lämplig för hål detektering. Resultaten visade att semantisk segmentering utpresterar objekt detektering när det kommer till att detektera flera små hål. Det andra experimentet handlade om att vidare undersöka semantiska segmenterings algoritmer genom att addera U-Net, PSPNet och LinkNet till jämförelsen. Nätverken U-Net och PSPNet var de mest framgångsrika och uppnåde en Mean Intersection over Union (MIoU) på cirka 0.9, vilket visar på att de har potential för vidare utveckling. Slutsatserna inom detta projekt är att semantisk segmentering är mer lämplig för hål detektering än objekt detektering. Dessutom, visade sig att det finns potential i neurala nätverk inom semantisk segmentering för att detejtera skruvhål på grund av resultaten av U-Net och LinkNet. Framtida arbete som man kan göra är att skapa flera avancerade produkt modeller, undersöka andra segmenterisk nätverk och hyperparameter tuning.