Background: This research explores the integration of satellite imagery and imageprocessing techniques to innovate forest monitoring methods. Traditional approachesoften fall short in scale and efficiency, necessitating enhanced techniques for accurateforest structure analysis. Objectives: The main goal is to develop a software prototype capable of automat-ing the measurement of tree row spacing and detecting clearing areas within forests,thereby facilitating more informed and efficient forest management and conservationefforts. Methods: The study employed computer vision techniques and image processingalgorithms using OpenCV to process high-resolution satellite images. The develop-ment and testing of the prototype involved iterative enhancements to refine accuracyand functionality. Results: The findings demonstrate that the prototype successfully identifies andmeasures forest structural features with high accuracy, confirming the effectivenessof integrating computational techniques with ecological monitoring practices. Conclusions: The successful application of satellite imagery and image processingsignificantly enhances forest monitoring capabilities, promoting sustainable forestmanagement. This research underscores the potential of technology to transformenvironmental conservation efforts by providing detailed, reliable data that supportsproactive management strategies. / Bakgrund: Denna forskning utforskar integrationen av satellitbilder och avanceradebildbehandlingstekniker för att innovera metoder för skogsövervakning. Traditionellatillvägagångssätt är ofta bristfälliga i skala och effektivitet, vilket kräver förbättradetekniker för noggrann analys av skogsstrukturer. Syften: Huvudmålet är att utveckla en programvaruprototyp som kan automatiseramätningen av trädradsavstånd och upptäcka kalhyggen inom skogar, vilket underlät-tar mer informerad och effektiv skogsförvaltning och bevarandeinsatser.Metoder: Studien använde datorsynstekniker och bildbehandlingsalgoritmer medOpenCV för att bearbeta högupplösta satellitbilder. Utvecklingen och testningen avprototypen involverade iterativa förbättringar för att förfina noggrannhet och funktionalitet. Resultat: Resultaten visar att prototypen framgångsrikt identifierar och mäterskogsstrukturella egenskaper med hög noggrannhet, vilket bekräftar effektivitetenav att integrera avancerade datatekniker med ekologiska övervakningsmetoder. Slutsatser: Den framgångsrika tillämpningen av satellitbilder och bildbehandlingförbättrar avsevärt möjligheterna till skogsövervakning och främjar hållbar skogsför-valtning. Denna forskning understryker teknikens potential att transformera miljöbe-varande insatser genom att tillhandahålla detaljerade, tillförlitliga data som stöderproaktiva förvaltningsstrategie

Den växande globala användningen av sociala medier skapar enorma mängder social data online, kallat för Big Social Data (BSD). Tidigare forskning lyfter problem med att BSD ofta har bristande tillförlitlighet som underlag vid beslutsfattande och att det är starkt kopplat till dataoch informationskvalitet. Det finns dock en avsaknad av forskning som redogör för praktikers perspektiv på detta. Därför undersökte denna studie vad som upplevs problematiskt kring transformation av BSD till tillförlitlig information för beslutsfattande i en organisationskontext, samt hur detta skiljer sig i teori jämfört med praktik. En fallstudie gjordes av mjukvaruföretaget SAS Institute (SAS). Datainsamlingen genomfördes via intervjuer samt insamling av dokument och resultaten analyserades kvalitativt. Studien gjorde många intressanta fynd gällande upplevda problem kopplat till transformation av BSD, bl.a. hög risk för partisk data och låg analysmognad, samt flera skillnader mellan teori och praktik. Tidigare forskning gör inte heller skillnad mellan begreppen datakvalitet och informationskvalitet, vilket görs i praktiken. / The growing use of social media generates enormous amounts of online social data, called Big Social Data (BSD). Previous research highlights problems with BSD reliability related to decision making, and that reliability is strongly connected to data quality and information quality. However, there is a lack of research with a focus on practitioners’ perspectives on this matter. To address this gap, this study set out to investigate what is perceived as a problem when transforming BSD into reliable information for decision making in an organisational context, and also how this differs in theory compared with practice. A case study was conducted of the software company SAS Institute (SAS). Data collection was done through interviews and gathering of documents, and results were analysed qualitatively. The study resulted in many interesting findings regarding perceived problems connected to the transformation of BSD, e.g. high risk of biased data and low maturity regarding data analysis, as well as several differences between theory and practice. Furthermore, previous research makes no distinction between the terms data quality and information quality, but this is done in practice.

In this masters thesis we focused on using machine learning methods for detecting money laundering in financial transaction networks, in order to demonstrate that it can be used as a complement or instead of the more commonly used rule based systems. The graph learning method graph convolutional networks (GCN) has been a hot topic in the field since they were shown to scale well with data size back in 2018. However the typical GCN models cannot use edge features, which is why this thesis combines the GCN model with a node and edge neural network (NENN) in order to solve this problem. This new method will be compared towards an already established machine learning method for financial transactions, namely the tree boosting method (XGBoost). Because of confidentiality concerns for financial transactions data, the machine learning algorithms will be tested on two carefully constructed synthetically generated data sets, which from agent based simulations resembles real financial data. The results showed the viability and superiority of the new implementation of the GCN model with it being a preferable method for connectivly structured data, meaning that a transaction or account is analyzed in the context of its financial environment. On the other hand the XGBoost method showed better results when examining transactions independently. Hence it was more accurately able to find fraudulent and non fraudulent patterns from the transactional features themselves. / I detta examensarbete fokuserar vi på användandet av maskininlärningsmetoder för att detektera penningtvätt i finansiella transaktionsnätverk, med målet att demonstrera att dess kan användas som ett komplement till eller i stället för de mer vanligt använda regelbaserade systemen. Grafinlärningsmetoden \textit{graph convolutional networks} (GCN) som har varit ett hett ämne inom området sedan metoden under 2018 visades fungera bra för stora datamängder. Däremot kan inte en vanlig GCN-modell använda kantinformation, vilket är varför denna avhandling kombinerar GCN-modellen med \textit{node and edge neural networks} (NENN) för att mer effektivt detektera penningtvätt. Denna nya metod kommer att jämföras med en redan etablerad maskininlärningsmetod för finansiella transaktioner, nämligen \textit{tree boosting} (XGBoost). På grund av sekretessanledningar för finansiella transaktionsdata var maskininlärningsalgoritmerna testade på två noggrant konstruerade syntetiskt genererade datamängder som från agentbaserade simuleringar liknar riktiga finansiella data. Resultaten visade på applikationsmöjligheter och överlägsenhet för den nya implementationen av GCN-modellen vilken är att föredra för relationsstrukturerade data, det vill säga när transaktioner och konton analyseras i kontexten av deras finansiella omgivning. Å andra sidan visar XGBoost bättre resultat på att examinera transaktioner individuellt eftersom denna metod mer precist kan identifiera bedrägliga och icke-bedrägliga mönster från de transnationella funktionerna.

This master thesis focuses on the modernisation of the PowerBox, a performance testing machine intended for Olympic wrestlers to help them enhance their ability to prevent penalty points caused by being pushed out of the wrestling area. As the PowerBox has become outdated and underutilized, this study aims to revive the project by exploring how modern hardware and software technology can be integrated to provide real-time feedback and automate post-analysis processes. Recognising that the success of modernisation depends not only on the data delivered but also on the user experience, a user-centred development cycle was designed to accommodate the demanding schedules of elite athletes. Within this cycle, a prototype was developed and tested to assess the hardware's validity, software usability, and overall user experience. Additionally, an automated data analysis system was developed, and a proof-of-concept was demonstrated in this thesis. The prototype performed exceptionally well, exhibiting high validity of the hardware components, with force correlations exceeding 0.99 and velocity correlations exceeding 0.9. Usability was also rated positively, achieving a 100% success rate in user challenges and an 88.75 score on the system usability scale. Furthermore, users evaluated the overall user experience as excellent based on the user experience questionnaire. Notably, the PowerBox generated significant interest not only among wrestlers but also among other athletes, such as rugby players and handball players. This demonstrates the impact of modernising performance testing machines like the PowerBox. / Denna masteruppsats fokuserar på moderniseringen av PowerBox, en prestationstestmaskin för att hjälpa dem att förbättra sin förmåga att hålla sig innanför det markerade brottningsområdet och därmed undvika straffpoäng. Eftersom PowerBox har blivit föråldrad och underutnyttjad syftar denna studie till att återuppliva projektet genom att utforska hur modern hårdvaru- och programvaruteknik kan integreras för att ge realtidsfeedback och automatisera efteranalysprocesser. Med medvetenhet om att framgången med moderniseringen inte bara beror av den levererade datan utan också av användarupplevelsen har en användarcentrerad utvecklingscykel utformats för att anpassa sig till de krävande scheman för elitidrottare. Inom denna cykel utvecklades och testades en prototyp för att bedöma hårdvarans validitet, programvarans anvandarvänlighet och den övergripande användarupplevelsen. Dessutom utvecklades ett automatiserat dataanalysystem och en bevisföring presenterades i denna avhandling. Prototypen presterade exceptionellt bra och visade hög validitet för hårdvarukomponenterna, med kraftkorrelationer överstigande 0,99 och hastighetskorrelationer överstigande 0,9. Anvandarvänligheten bedömdes också positivt och uppnådde 100% framgångsgrad i användarutmaningar och en poäng på 88,75 på systemets anvandarvänlighetsskala. Dessutom bedömde användare den övergripande användarupplevelsen som utmärkt baserat på användarupplevelseenkäten. Det är viktigt att notera att PowerBox väckte betydande intresse inte bara bland brottare utan också bland andra idrottare, som rugby- och handbollsspelare. Detta visar på effekten av att modernisera prestationstestmaskiner som PowerBox. / Deze masterthesis richt zich op de modernisering van de PowerBox, een prestatietest bedoeld voor Olympische worstelaars om hun vermogen te verbeteren om strafpunten te voorkomen die veroorzaakt worden door buiten het worstelgebied geduwd te worden. De PowerBox is een verouderde machine die nog weinig gebruikt wordt, en het doel van deze thesis is om dit project nieuw leven in te blazen door te onderzoeken hoe moderne hardware- en software technologie geïntegreerd kunnen worden om realtime feedback te bieden en post-analyseprocessen te automatiseren. Het is belangrijk te beseffen dat het success van de modernisering niet alleen afhangt van de geleverde data, maar ook van de gebruikerservaring. Daarom is er een gebruiker gerichte ontwikkelingscyclus ontworpen die ook past binnen het drukke schema van topsporters. Binnen deze cyclus is een prototype ontwikkeld en getest om de validiteit van de hardware, de gebruiksvriendelijkheid van de software en de algehele gebruikservaring te beoordelen. Daarnaast is er een geautomatiseerd data-analyse systeem ontwikkeld waar deze thesis een proof-of-concept van presenteerd. Het prototype presteerde buitengewoon goed, met hoge validiteit van de hardware componenten, met krachtcorrelaties van meer dan 0.99 en snelheidscorrelaties van meer dan 0.9. De gebruiksvriendelijkheid werd ook positief beoordeeld, met een slagingspercentage van 100% bij de uitdagingen en een score van 88.75 op de schaal voor systeemgebruiksvriendelijkheid. Bovendien beoordeelden gebruikers de algehele gebruikservaring als uitstekend op basis van de gebruikerservaringsvragenlijst Opmerkelijk is dat de PowerBox niet alleen veel interesse heeft gewekt bij worstelaars, maar ook bij andere atleten, zoals rugby- en handbalspelers. Dit toont het effect aan van het moderniseren van prestatietestmachines zoals de PowerBox.

Den fjärde industriella revolutionen, även kallad Industri 4.0, drivs av ett antal teknologier som medför digitalisering och automatisering av industriella processer. Konceptet innebär en applicering av dataanalys med avancerade analytiska verktyg på stora mängder data, vilka påstås ge stora möjligheter för kvalitetsförbättringar. För att en sådan övergång ska ske är förmågan att hantera data avgörande. Trots det uppvisar många företag idag bristande användning av data för att ta beslut. Frågan är hur företag kan göra för att hantera data och utföra en transformation till Industri 4.0. För att studera det här ämnet har det här examensarbetet utförts som en fallstudie på en stansprocess hos Scania Ferruform. Genom en litteraturstudie, kvantitativ datainsamling samt observationer och intervjuer undersökte examensarbetet den nuvarande användning av data i processen. Därefter undersöktes data med statistiska verktyg för att visa på hur data kan hanteras i en process för att erhålla större kunskap om orsaker till avvikelser. Examensarbetet utredde till sist hur fortsatt arbete med datahantering kan utföras för att uppnå målet Industri 4.0.Analysverktyg har använts för att analysera över 39 000 datapunkter. Resultatet visar på att det finns utvecklingsmöjligheter vad gäller insamling, kvalitet och användning av data. Ett ramverk presenteras för hur företaget bör hantera data för att kunna utvinna ny kunskap från deras processer samt hur Ferruform fortsatt kan arbeta mot Industri 4.0.Slutligen ges rekommendationer om fortsatta studier. Resultatet av examensarbetet blir ett stöd för Ferruform i deras arbete mot mer dugliga processer och den tekniska utveckling företaget eftersträvar. / The fourth industrial revolution, also called Industry 4.0 is powered by several technologies which result in digitalization and automatization of industrial processes. The concept includes the application of big data and advanced analytics, which are said to provide great opportunities for quality improvements. For such a transition to take place, the ability to handle data is crucial. Despite this, many companies today show a lack of use of data to drive decision-making. The question is how companies can manage data and ultimately transition towards Industry 4.0. To research this topic this thesis has been carried out as a case study of a punching process at Scania Ferruform. Through a literature review, quantitative data collection, as well as observations and interviews, the thesis examined the current use of data in the process. Subsequently, data were examined with statistical tools to illustrate how data can be managed in a process to attain increased knowledge about causes of deviations. Lastly, the thesis explored future work towards Industry 4.0. Analysis tools have been used to analyse over 39 000 data points. The result of the study shows that there are opportunities for development in terms of collection, quality and use of data. A framework of how Ferruform should manage data in order to extract new knowledge from its processes is presented. Furthermore, an action plan is presented for a transition towards Industry 4.0. Finally, recommendations are given for further studies. The result of the thesis will be helpful for Ferruform in its transition towards more efficient processes and the technical development of which the company strives towards.

With the arrival of 5G networks, telecommunication systems are becoming more intelligent, integrated, and broadly used. This thesis focuses on predicting the upcoming traffic to efficiently promote resource allocation, guarantee stability and reliability of the network. Since networks modeled as graphs potentially capture more information than tabular data, the construction of the graph and choice of the model are key to achieve a good prediction. In this thesis traffic prediction is based on a time-evolving graph, whose node and edges encode the structure and activity of the system. Edges are created by dynamic time-warping (DTW), geographical distance, and $k$-nearest neighbors. The node features contain different temporal information together with spatial information computed by methods from topological data analysis (TDA). To capture the temporal and spatial dependency of the graph several dynamic graph methods are compared. Throughout experiments, we could observe that the most successful model GConvGRU performs best for edges created by DTW and node features that include temporal information across multiple time steps. / Med ankomsten av 5G nätverk blir telekommunikationssystemen alltmer intelligenta, integrerade, och bredare använda. Denna uppsats fokuserar på att förutse den kommande nättrafiken, för att effektivt hantera resursallokering, garantera stabilitet och pålitlighet av nätverken. Eftersom nätverk som modelleras som grafer har potential att innehålla mer information än tabulär data, är skapandet av grafen och valet av metod viktigt för att uppnå en bra förutsägelse. I denna uppsats är trafikförutsägelsen baserad på grafer som ändras över tid, vars noder och länkar fångar strukturen och aktiviteten av systemet. Länkarna skapas genom dynamisk time warping (DTW), geografisk distans, och $k$-närmaste grannarna. Egenskaperna för noderna består av dynamisk och rumslig information som beräknats av metoder från topologisk dataanalys (TDA). För att inkludera såväl det dynamiska som det rumsliga beroendet av grafen, jämförs flera dynamiska grafmetoder. Genom experiment, kunde vi observera att den mest framgångsrika modellen GConvGRU presterade bäst för länkar skapade genom DTW och noder som innehåller dynamisk information över flera tidssteg.

This Master's Thesis delves into the application of topological regularization techniques and relative latent representations within the realm of zero-shot model stitching. Building upon the prior work of Moschella et al. (2022) that introduces relative latent representations to enhance the similarities between latent spaces of different models, we incorporate the approach of Hofer et al. (2021), which combines Topological Data Analysis (TDA) and Machine Learning techniques for topological densification of class distributions in the latent space. The main research objective is to investigate the impact of topological regularization on zero-shot stitching performance when employing relative latent representations. Theoretical foundations for the relative transformation are established based on the intertwiner groups of activation functions. Empirical analyses are conducted to validate the assumptions underlying the construction of the relative transformation in the latent space. Moreover, experiments are performed on a Large Language Model trained on multilingual Amazon Reviews datasets to evaluate the effectiveness of zero-shot stitching while using the topological densification technique and the relative transformation. The findings indicate that the proposed methodologies can enhance the performance of multilingual model stitching. Specifically, enforcing the relative transformation to preserve the H0 homology death times distributions proves beneficial. Additionally, the presence of similar topological features plays a crucial role in achieving higher model compatibility. However, a more in-depth exploration of the geometric properties of the post-relative transformation latent space is necessary to further improve the topological densification technique. Overall, this work contributes to the emerging field of Topological Machine Learning and provides valuable insights for researchers in transfer learning and representation learning domains. / Denna masteruppsats undersöker tillämpningen av topologiska regleringstekniker och relativa latenta representationer inom området för zero-shot model stitching. Genom att bygga vidare på tidigare arbete av Moschella et al. (2022), som introducerade relativa latenta representationer för att förbättra likheterna mellan latenta rummet hos olika modeller, inkorporerar vi tillvägagångssättet av Hofer et al. (2021), som kombinerar topologisk dataanalys (TDA) och maskininlärningstekniker för topologisk ``förtätning'' av klassfördelningar i det latenta utrymmet. Den huvudsakliga forskningsuppgiften är att undersöka effekten av topologisk reglering på zero-shot model stitching-prestanda när man använder relativa latenta representationer. Teoretiska grunder för den relativa transformationen etableras baserat på intertwinergrupperna för aktiveringsfunktioner. Empiriska analyser genomförs för att validera antagandena som ligger till grund för konstruktionen av den relativa transformationen i det latenta rummen. Dessutom utförs experiment på en stor språkmodell tränad på multilinguella Amazon Reviews-dataset för att utvärdera effektiviteten hos zero-shot model stitching med Hofer's topologiska reglering och relativa transformation. Resultaten visar att de föreslagna metoderna kan förbättra prestationen hos zero-shot model stitching för flerspråkiga modeller. Specifikt är det fördelaktigt att tvinga den relativa transformationen att bevara H0 homologins dödstidsfördelningar. Dessutom spelar närvaron av liknande topologiska egenskaper en avgörande roll för att uppnå högre modellkompatibilitet. Dock krävs en mer ingående utforskning av de geometriska egenskaperna hos det latenta utrymmet efter den relativa transformationen för att ytterligare förbättra Hofer's topologiska reglering. Sammanfattningsvis bidrar detta arbete till det framväxande området Topologisk Maskininlärning och ger värdefulla insikter för forskare inom ``transfer-inlärning'' och representationsinlärningsdomäner.

This master thesis explores the transformative potential of Large Language Models (LLMs) in enhancing business processes across various industries, with a specific focus on Management Innovation. As organizations face the pressures of digitalization, LLMs emerge as powerful tools that can revolutionize traditional business workflows through enhanced decision-making, automation of routine tasks, and improved operational efficiency. The research investigates the integration of LLMs within four key business domains: Human Resources, Tender Management, Consultancy, and Compliance. It highlights how LLMs facilitate Management Innovation by enabling new forms of workflow automation, data analysis, and compliance management, thus driving substantial improvements in efficiency and innovation. Employing a mixed-method approach, the study combines an extensive literature review with surveys and interviews with industry professionals to evaluate the impact and practical applications of LLMs. The findings reveal that LLMs not only offer significant operational benefits but also pose challenges related to data security, integration complexities, and privacy concerns. This thesis significantly contributes to the academic and practical understanding of LLMs, proposing a framework for their strategic adoption to foster Management Innovation. It underscores the need for businesses to align LLM integration with both technological capabilities and strategic business objectives, paving the way for a new era of management practices shaped by advanced technologies. / Denna masteruppsats utforskar den transformativa potentialen hos Stora Språkmodeller (LLMs) i att förbättra affärsprocesser över olika industrier, med särskilt fokus på Management Innovation. När organisationer möter digitaliseringens press, framträder LLMs som kraftfulla verktyg som kan revolutionera traditionella affärsarbetsflöden genom förbättrat beslutsfattande, automatisering av rutinuppgifter och förbättrad operationell effektivitet. Forskningen undersöker integrationen av LLMs inom fyra centrala affärsområden: Human Resources, Anbudshantering, Konsultverksamhet och Regelefterlevnad. Den belyser hur LLMs underlättar Management Innovation genom att möjliggöra nya former av arbetsflödesautomatisering, dataanalys och efterlevnadshantering, vilket driver påtagliga förbättringar i effektivitet och innovation. Genom att använda en blandad metodansats kombinerar studien en omfattande litteraturöversikt med enkäter och intervjuer med branschproffs för att utvärdera påverkan och praktiska tillämpningar av LLMs. Resultaten visar att LLMs inte bara erbjuder betydande operationella fördelar utan även medför utmaningar relaterade till datasäkerhet, integrationskomplexitet och integritetsfrågor. Denna uppsats bidrar avsevärt till den akademiska och praktiska förståelsen av LLMs, och föreslår en ram för deras strategiska antagande för att främja Management Innovation. Den understryker behovet för företag att anpassa LLM-integrationen med både teknologiska kapabiliteter och strategiska affärsmål, vilket banar väg för en ny era av ledningspraxis formad av avancerade teknologier.

Mass spectroscopy imaging (MSI) has become a vital tool in modern research due to its ability to visualize the spatial distribution of molecules within tissue samples. The collaboration between researchers at AZ, the University of Gothenburg, and Chalmers University of Technology using the NanoSIMS instrument and MSI-SIMS technology has opened up new avenues of exploration in pharmaceutical development, particularly in examining drugs and metabolites at sub-cellular levels. This groundbreaking research has the potential to significantly improve the efficacy and safety of future pharmaceutical products. NanoSIMS possesses a unique imaging and processing technique that enables high-resolution imaging of cellular structures and subcellular compartments. This powerful tool allows for the visualization and measurement of elements and isotopes at the subcellular level. The technique involves bombarding a sample with a focused primary ion beam, which causes the emission of secondary ions. These secondary ions are then analyzed to determine the elemental and isotopic composition of the sample. NanoSIMS is particularly useful for analyzing biomolecules since traditional Mass spectrometry methods cannot provide information about how molecules behave at the cellular level. Given that many of the drugs used today have intra-cellular targets, hence understanding the drug's cellular pathways is extremely important, especially in cases where the risk for organ toxicity is high due to the high dosage of the drugs.  Our data from the image analysis indicated the presence of amiodarone inside the lysosomes; however, the lack of enrichment from the 13C portion of the dual-labeled molecule made it difficult to reach a variation below the LOD. Since our LOD is relatively high when working with 13C12C, we focused on the fact that accuracy, precision, and sensitivity would be the most crucial factors in our study. After adjusting these parameters, we obtained an image that made the measurement possible. This project aims to utilize a dual-labeled drug (13C and 127I) to bridge the absolute quantification ability of the 13C labeling scheme to the more sensitive labeling scheme. The focus of this study lies therefore on optimization and the relationship between Spatial resolution, Sensitivity, Mass Resolution, Accuracy, and Precision. This technique is extremely promising, but the limit of detection is relatively high mainly due to the high percentage of carbon in the sample. Despite this fact, we were able to present some valuable data.  Our analysis showed that the sensitivity of the 127I is much better than 13C, however, we produced an image where the ratio between the labels was above the detection limit. Using this data, a Relative sensitivity factor (RSF) value was measured, and the concentration of the drug could be estimated by applying the quantification equation.