Studien undersöker hanteringen av generativ artificiell intelligens i utbildningssammanhang bland lärare och elever inför att det kan erbjudas som ämne i svenska gymnasieskolor. Beslutet att kunna erbjuda ett AI ämne i gymnasieskolor har tagits från Skolverket. Syftet med studien är att undersöka hur generativ AI används i undervisningssammanhang vid Sundsta-Älvkulle gymnasiet i Karlstad och det tekniska Tullängsgymnasiet i Örebro, samt om införandet av artificiell intelligens som ämne skulle kunna bidra till ett gemensamt förhållningssätt och ett reflekterat användande hos eleverna. För att uppfylla syftet med studien utforskades tre huvudområden som utgör undersökningsfrågorna. På vilket sätt används generativ AI för närvarande i undervisningen? Vilka utmaningar och möjligheter finns det med att undervisa AI som ämne i skolorna? Hur kan införandet av AI som ämne påverka elevernas förståelse för användning av generativ AI som verktyg? Författaren av studien har valt en kvalitativ inriktad forskning genom att samla in material, studera tidigare forskning och utföra semi-strukturerade intervjuer där totalt 12 personer intervjuades, 3 lärare och 3 elever från respektive gymnasieskola för att besvara studiens undersökningsfrågor. Resultatet visar att användningen av generativa AI-verktyg förekommer både bland lärare och elever där majoriteten av lärarna anser att det underlättar i arbetet för att utforma lektioner. Elevernas användning är utbredd där samtliga elever använder generativa AI-verktyg. Lärarna ser ett behov av utbildning kring artificiell intelligens för att kunna stödja eleverna i att använda verktygen på ett reflekterat sätt och ser potentialen som det kan medföra i elevernas studier. I de två gymnasieskolorna finns det olika utmaningar när det gäller undervisning i ett AI ämne. Gymnasieskolan i Karlstad kommer att erbjuda ämnet höstterminen 2024 och vid det tekniska gymnasiet i Örebro finns redan ett AI ämne sedan tidigare. Studien visar att det finns utmaningar med att hinna implementera AI som ämne och utveckla den kompetens som krävs i Karlstad, kritik riktas även mot de behörighetskrav Skolverket tagit fram för att lärare ska få undervisa i ämnet. Att kunskaper för Sveriges elever är viktiga finns det en gemensam syn kring i de båda gymnasieskolorna och för att kunna skapa ett gemensamt förhållningssätt krävs det utbildningar om AI som är ämnesspecifika för lärare på gymnasieskolorna.

This study aimed to provide insights into the opportunities and challenges perceived by employees regarding the integration of large language models (LLMs) into their daily work routines, focusing on the Microsoft Copilot tool. Despite existing research showcasing the potential benefits of LLM-driven AI tools such as efficiency and fostering creativity, there remained a gap in understanding how such tools, particularly Copilot, influenced employees' work routines and tasks. Employing a qualitative approach, this study conducted 10 semi-structured interviews to investigate employees' experiences and perceptions. Hermeneutics served as the guiding methodological framework, allowing for a nuanced exploration of participants' experiences. The findings revealed a multifaceted use of Copilot within the IT company, ranging from idea generation to support in creation processes. Copilot facilitated both formal and informal learning by providing quick access to internal information and feedback, thereby streamlining tasks and freeing up time for other activities. However, challenges such as the limited Swedish language support and formal onboarding hindered its full utilization. Additionally, employees' attitudes toward technology and AI significantly influenced their adoption of Copilot, with technologically inclined individuals being more inclined to embrace and explore its functionalities. Furthermore, the study highlighted changes in work routines, including altered thought processes, support for idea generation, and verification of generated information.  Information security emerged as a notable concern, necessitating caution to prevent leakage of sensitive data. Discrepancies were observed between how employees presented Copilot to clients and their actual utilization, suggesting areas for improvement such as tailored training programs. In conclusion, while Copilot showed promise in enhancing work processes and facilitating learning and idea generation, there were challenges to address, particularly in terms of mindset shifts and integration into existing workflows. Nevertheless, being in the early stages of adaptation there was room for improvement and opportunities to enhance usage, ultimately benefiting the organization's operations.

This study investigates the potential of Large Language Models (LLMs) to automate and enhance software maintenance tasks, focusing on bug detection and code refactoring. Traditional software maintenance, which includes debugging and code optimization, is time-consuming and prone to human error. With advancements in artificial intelligence, LLMs like ChatGPT and Copilot offer promising capabilities for automating these tasks. Through a series of quasi-experiments, we evaluate the effectiveness of ChatGPT 3.5, ChatGPT 4 (Grimoire GPT), and GitHub Copilot. Each model was tested on various code snippets to measure their ability to identify and correct bugs and refactor code while maintaining its original functionality. The results indicatethat ChatGPT 4 (Grimoire GPT) outperforms the other models, demonstrating superior accuracy and effectiveness, with success percentages of 87.5% and 75% in bug detection and code refactoring respectively. This research highlights the potential of advanced LLMs to significantly reduce the time and cost associated with software maintenance, though human oversight is still necessary to ensure code integrity. The findings contribute to the understanding of LLM capabilities in real-world software engineering tasks and pave the way for more intelligent and efficient software maintenance practices.

This thesis presents the design and implementation of a generative Artificial Intelligence (AI)-based decision-support interface applied to the domain of pub- lic transport leveraging both offline and logged data from both past records and real-time updates. The AI assistant system was developed leveraging pre- trained Large Language Models (LLMs) together with Retrieval Augmented Generation (RAG) and the Function Calling Application Programming Inter- face (API), provided by OpenAI, for automating the process of adding knowl- edge to the LLM. Challenges such as formatting and restructuring of data, data retrieval methodologies, accuracy and latency were considered. The result is an AI assistant which can have a conversation with users, answer questions re- garding departures, arrivals, specific vehicle trips, and other questions relevant within the domain of the dataset. The AI assistant system has also been devel- oped to provide client-side actions that integrate with the user interface, enabling interactive elements such as clickable links to trigger relevant actions based on the content provided Different LLMs, including GPT-3.5 and GPT-4 with different temperatures, were compared and evaluated with a pre-defined set of questions paired with a respective ground truth. By adopting a conversational approach, the project aims to streamline infor- mation extraction from extensive datasets, offering a more flexible and feedback- oriented alternative to manual search and filtering processes. This way, traffic managers adapt and operate more efficiently. The traffic managers will also re- main informed about small disturbances and can act accordingly faster and more efficient. The project was conducted at Gaia Systems AB, Norrköping, Sweden. The project primarily aims to enhance the workflow of traffic managers utiliz- ing Gaia’s existing software for public transport management within Östgöta- trafiken. / Denna avhandling presenterar designen och implementationen av en generativ Artificiell Intelligens (AI)-baserad beslutsstödsgränssnitt applicerad på området för kollektivtrafik, utnyttjande både offline och loggad data från både tidigare händelser och realtidsuppdateringar. AI-assistentsystemet utvecklades med hjälp av Large Language Models (LLM) tillsammans med Retrieval Augmented Generation (RAG) och Function Calling API, tillhandahållet av OpenAI, för att automatisera processen att lägga till kunskap till en LLM. Utmaningar som formatering och omstrukturering av data, datahämtningsmetoder, noggrannhet och latens beaktades. Resultatet är en AI-assistent som kan ha en konversation med användare, svara på frågor om avgångar, ankomster, specifika fordonsturer och andra frågor relevanta inom datamängdens område. AI-assistentsystemet har också utvecklats för att tillhandahålla Client Actions som integreras med användargränssnittet, vilket möjliggör interaktiva element som klickbara länkar för att utlösa relevanta åtgärder baserade på den tillhandahållna innehållet. Olika LLM, inklusive GPT-3.5 och GPT-4 med olika temperaturer, jämfördes och utvärderades med en fördefinierad uppsättning frågor parat med en respektive sanning. Genom att använda en konversationell metod syftar projektet till att effektivisera informationsutvinning från omfattande datamängder och erbjuder ett mer flexibelt och feedbackorienterat alternativ till manuella sök- och filtreringsprocesser. På detta sätt kan trafikledare anpassa sig och arbeta mer effektivt. Trafikledarna kommer också att hållas informerade om mindre störningar och kan agera snabbare och mer effektivt. Projektet genomfördes på Gaia Systems AB, Norrköping, Sverige. Projektet syftar främst till att förbättra arbetsflödet för trafikförvaltare som använder Gaia's befintlig programvara för kollektivtrafikhantering inom Östgötatrafiken.

AI-assistenter har blivit mycket populära bland konsumenter, och organisationer inser i allt högre grad deras potentiella fördelar. Experter menar att implementering av AI-assistenter stöter på samma hinder som vid implementering av vanliga IT-system, men att AI-assistenter har unika aspekter som försvårar implementering ytterligare. Tidigare forskning har huvudsakligen baserats på expertåsikter och det saknas omfattande studier om specifika hinder som behöver åtgärdas för en framgångsrik implementering. Denna studie syftar till att fylla denna kunskapslucka genom att intervjua tolv deltagare från ett IT-företag för att få en helhetsförståelse av deras perspektiv på AI-assistenter i deras yrkesmiljö. Med Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) som teoretiskt ramverk, analyserades kvalitativa data från semistrukturerade intervjuer. Resultaten visar att deltagarna generellt har en positiv inställning till AI-assistenter, men de uttrycker flera utmaningar som kan försvåra implementeringen av dem. Dessa utmaningar inkluderar svårigheter att identifiera lämpliga tillämpningsområden, skiftande uppfattning av användningsområden, obekantskap med teknologin, stress relaterad till implementering, säkerhets- och tillitsfrågor, samt begränsade resurser. / AI assistants have become very popular among consumers, and organizations are increasingly recognizing their potential benefits. Experts suggest that implementing AI assistants faces the same obstacles as implementing regular IT systems, but with unique aspects that further complicate implementation. Previous research has mainly been based on expert opinions, and there is a lack of comprehensive studies on specific obstacles that need to be addressed for successful implementation. This study aims to fill this knowledge gap by interviewing twelve participants from an IT company to gain a comprehensive understanding of their perspectives on AI assistants in their professional environment. Using the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) as a theoretical framework, qualitative data from semi-structured interviews were analyzed. The results show that participants generally have a positive attitude towards AI assistants but express several challenges that could hinder the implementation. These challenges include difficulties in identifying appropriate application areas, shifting perceptions of use cases, unfamiliarity with the technology, stress related to implementation, security and trust issues, and limited resources.

Dans la plupart des entreprises de fabrication mécanique, le réglage des machines-outils est une tâche déléguée au régleur qui cherche à garantir les tolérances. Cela a pour conséquence d'augmenter le temps de réglage pour une qualité qui n'est pas au niveau souhaité. Au cours de ces six dernières années, le laboratoire SYMME a élaboré des méthodes de pilotage (Copilot-Pro®et Pilotage inertiel) pour résoudre le problème de réglage des machines-outils. Fondés sur ces deux méthodes, les travaux présentés en font une synthèse et présentent des nouvelles avancées dans le pilotage de commande numériques afin d'obtenir la meilleure qualité possible quelle que soit la complexité de la pièce. L'apport de ce travail est présenté en cinq chapitres. Le premier chapitre présente le contexte général des travaux de recherche et fait un état de l'art des travaux existants, d'une part sur le pilotage et d'autre part sur la conformité. Le pilotage consiste à réduire la variabilité autour de la cible des produits et la conformité consiste à s'assurer que la dispersion d'une caractéristique est contenue dans l'intervalle de tolérance de celle-ci. Le second chapitre revient sur les méthodes de pilotage qui consistent à établir les relations entre les caractéristiques de la pièce et les correcteurs et propose dessolutions pour améliorer le calcul de la correction en tenant compte à la fois des tolérances et des nombres de points palpés sur les surfaces de la pièce. Le troisième chapitre présente les stratégies de pilotage et met en évidence les limites des méthodes classiques de détection des situations hors contrôle qui sont la carte de contrôle de Shewhart et la carte T² de Hotelling. Le quatrième chapitre fait une synthèse des méthodologies pour faciliter le déploiement des méthodes dans l'industrie. Le cinquième chapitre présente une application expérimentale du pilotage inertiel et un témoignage de l'utilisation du pilotage matriciel dans une entreprise d'horlogerie. Une conclusion rappelle les principaux apports de ce travail.

De senaste åren har generativa AI-modeller såsom ChatGPT blivit ett populärt fenomen inom fleraområden, inklusive utbildning inom programmering. Frågor som uppstår i samband med detta är hur verktyg som ChatGPT kan påverka studenter samt hur utbildning kan anpassas med tanke på verktyget inverkan. Denna studie har valt att rikta in på hur användning av generativ AI påverkar studenters inlärningsmotivation och tilltro till att klara av programmeringsuppgifter. Studien syftar även till att fånga in studenters perspektiv kring hur de uppfattar att man bör anpassa utbildning för att hantera detta nya fenomen med utgångspunkt i utlärning av prompter. Studien har kommit fram till att studenterna som intervjuats har upplevt ökat tilltro till att klara av och lösa uppgifter med vid användning av generativ AI. Flera av studenterna hade också upplevt en ökning i inlärningsmotivationen på grund av generativ AI. Perspektiven studenterna hade gällande anpassning av utbildning uppfattade flera att utlärning av prompter som ett effektivt sätt att integrera generativ AI inom programmeringsutbildningar. Samtidigt uppfattade andra studenter vissa aspekter som viktigare att fokusera på gällande hur utbildning bör förhålla sig till generativ AI där bland annat ökad redovisning av uppgifter och ändring av svårighetsgraden på uppgifter beskrevs som viktigare anpassningar.

The emergence of generative AI has sparked significant hype in recent years, fueled by its ability to perform tasks autonomously and augment human capabilities. This technology has led to excitement in organizations all over the world, with promises of revolutionizing various industries. This study aims to explore the effects of generative AI in workplace environments and how different professional roles may be affected by this. Furthermore, this study seeks to shine light on possible barriers to achieve the positive effects that generative AI enables. More specifically, this study focuses on effects of the generative AI tool Copilot for M365 within a large global organization. By employing qualitative methods including interviews with employees who have been using Copilot in the workplace, this research aspires to uncover how humans interact with AI and what the effects of this might be. The results show that Copilots primarily induces efficiency through automation in the researched organization, while also suggesting signs of augmenting human cognition, where creativity and innovation emerge as effects. Furthermore, the findings indicate that there are no significant profession-specific effects. Lastly, the study has gained insight that there are barriers to achieve the full potential and value of generative AI.

Genom utvecklingen av AI sker ett begynnande paradigmskifte inom organisationer då anställda använder sig av AI-verktyg för att optimera sin arbetsprestanda. Användning av AI-verktyg är även något som kan bidra med nytta för akademiska roller inom utbildningssektorn, såsom lärare och forskare. Det är dock oklart vilket stöd dessa AI-verktyg kan bidra till för dessa yrkesroller. Eftersom deras arbetsuppgifter karaktäriseras av hög kvalitetsnivå och hänsyn till etiska aspekter, ställs höga krav på AI-verktygets kapabilitet. Denna studie syftar till att ge en ökad förståelse för acceptansen av AI-verktyget Microsoft 365 Copilot inom utbildningssektorn utifrån lärares och forskares perspektiv. Som stöd för att undersöka acceptansen av AI-verktyget har studien haft utgångspunkt i Technology Acceptance Model (TAM). Genom semistrukturerade intervjuer och ostrukturerade observationer erhölls en insyn i lärares och forskares upplevelser med AI-verktyget och vilka möjligheter eller begränsningar de identifierat med dess användning inom sin yrkesroll. Vår slutsats visar att AI-verktyget inte upplevs upprätthålla en nivå som var likvärdig med användarna själva eller liknande AI-verktyg. Vidare finns det även behov av stöd och utbildning för lärare och forskare att använda AI-verktyg, både vad gäller AI-verktygets funktionalitet men även riktlinjer om informationssäkerhet. / Through the development of AI, a new paradigm shift is beginning within organizations as employees use AI-tools to optimize their work performance. The use of AI-tools can also bring benefits to academic roles in the education sector, such as teachers and researchers. However, there is an uncertainty about the support these AI-tools can offer to these professional roles. Given the high level of quality required in these professional roles, as well as the need to consider ethical aspects, there are significant demands on the capabilities of the AI-tool. This study aims to provide a deeper understanding of the acceptance of the AI-tool Microsoft 365 Copilot within the education sector from the perspectives of teachers and researchers. To examine the acceptance of the AI-tool, the study is based on the Technology Acceptance Model (TAM). Through semi-structured interviews and unstructured observations, insights were gained into teacher’s and researcher’s experiences with the AI-tool and what opportunities or limitations they identified in using it within their professional role. Our conclusion indicates that the AI-tool was not perceived to maintain a level equal to the users themselves or similar AI-tools. Furthermore, there is a need for support and education for teachers and researchers in using AI-tools, both regarding the functionality of the AI-tool but also guidelines for information security.

The development of generative AI has made great strides. More and more organizations are looking into implementing this new technology to increase productivity and efficiency. One of these new AI system- development tools is GitHub Copilot. The tool has shown great promise by offering functions such as automatic code generation, but this does not come without faults, as the generated code may be lacking in quality. How system developers within organizations experience this new technology is unknown, nor is it a worthwhile investment for the organizations in question. A qualitative study with semi-structured interviews has been carried out to capture the experiences of system developers concerning GitHub Copilot. The study was based on the theoretical framework Technology Acceptance Model 2 (TAM 2), in which some selected factors were used to describe the intention to use the system. A study was conducted to identify factors that cause an increase and/or a decrease in user acceptance.  We believe this would provide insights into what context GitHub Copilot would lead to increased productivity and efficiency. Based on the four factors studied, perceived usefulness, perceived ease of use, job relevance, and output quality, the study concludes with factors that affect a user’s intention to use GitHub Copilot. The study reveals that system developers perceive the usage of GitHub Copilot as positive. They believe that it has the potential to increase both productivity and efficiency. They perceive the tool as easy to get started with and easy to use. The quality of the generated code is perceived as somewhat lacking, but this did not affect their acceptance of the system.