Artificial intelligence (AI) is a fast-paced technology which can be found in different organizations, including the public sector of Sweden. This advanced tool implies many new work processes and an executive of sufficient basic information for such implementation. While finding a usage within the public sector, a problem occurs around how to and what is needed regarding the integration and processes for a complete normalization of the AI usage. Based on the following research question “What are the main challenges for public sector organizations when it comes to normalizing the use of AI in daily tasks?”, the aim of this thesis is therefore to investigate the key obstacles hindering the integration of AI tools into routine tasks. Through eight semi-structured interviews grounded in the Normalization Process Theory (NPT), the study explores theoretical frameworks surrounding AI, which includes generative AI, and an examination of AI implementations within the public sector context. The conclusion of this thesis reveals several obstacles preventing a complete normalization of AI within the public sector. These include the absence of clear guidelines regarding AI usage, lack of legitimacy for AI tools in current workflows, insufficient competence and development opportunities, and limited resources for AI advancement and utilization. These insights show the many challenges the public sector encounters in embracing AI, and furthermore a need for comprehensive strategies to address these obstacles to facilitate the seamless integration of AI technologies into daily operations.

Brandväggar är en kritisk komponent i nätverkssäkerhet som kontrollerar och filtrerar nätverkstrafik för att skydda mot obehörig åtkomst och cyberhot. Effektiv hantering av brandväggsregler är avgörande för att säkerställa att ett nätverk fungerar smidigt och säkert. I stora företagsnätverk som Scania kan hanteringen av dessa regler bli komplex och resurskrävande, vilket kan leda till duplicerade och överlappande regler som försämrar systemets prestanda.Detta examensarbete undersöker tillämpningen av generativ artificiell intelligens (GAI) och maskininlärning för att hantera och optimera brandväggsregler, med fokus på identifiering och hantering av duplicerade och överlappande regler. Problemställningen adresserar de växande utmaningarna med att underhålla effektiva brandväggsregler i stora företagsnätverk som Scania. Genom att implementera och utvärdera en prototyp baserad på XGBoost, utforskar arbetet potentialen hos AI-tekniker för att förbättra hanteringen och säkerheten av nätverkstrafik. Resultaten visar att AI kan spela en kritisk roll i automatiseringen av processer för upptäckt och korrigering av felaktiga regler, vilket bidrar till ökad nätverkssäkerhet och optimerad resursanvändning. Studien bekräftar att användningen av AI inom brandväggshantering erbjuder betydande fördelar, men lyfter också fram behovet av fortsatt forskning för att adressera säkerhetsutmaningar relaterade till AI-lösningar. / Firewalls are a critical component of network security, controlling and filtering network traffic to protect against unauthorized access and cyber threats. Effective management of firewall rules is essential to ensure that a network operates smoothly and securely. In large enterprise networks like Scania, managing these rules can become complex and resourceintensive, leading to duplicate and overlapping rules that degrade system performance and security.This thesis investigates the application of generative AI (GAI) and machine learning to manage and optimize firewall rules, focusing on the identification and handling of duplicate and overlapping rules. The problem addresses the growing challenges of maintaining effective firewall rules in large enterprise networks like Scania. By implementing and evaluating a prototype based on XGBoost, this work explores the potential of AI techniques to improve the management and security of network traffic. The results demonstrate that AI can play a critical role in automating the processes for detecting and correcting faulty rules, contributing to increased network security and optimized resource usage. The study confirms that the use of AI in firewall management offers significant benefits but also highlights the need for further research to address security challenges related to AI solutions.

Manuell granskning av användarrecensioner för att extrahera relevant informationkan vara en tidskrävande process. Denna rapport har undersökt om stora språkmodeller kan användas för att sammanfatta, extrahera och analysera nyckelinformation från recensioner, samt hur en sådan applikation kan konstrueras.  Det visade sig att olika modeller presterade olika bra beroende på mätvärden ochviktning mellan recall och precision. Vidare visade det sig att fine-tuning av språkmodeller som Llama 3 förbättrade prestationen vid klassifikation av användbara recensioner och ledde, enligt vissa mätvärden, till högre prestation än större språkmodeller som Chat-Bison. För engelskt översatta recensioner hade Llama 3:8b:Instruct, Chat-Bison samt den fine-tunade versionen av Llama 3:8b ett F4-makro-score på 0.89, 0.90 och 0.91 respektive. Ytterligare ett resultat är att de större modellerna Chat-Bison, Text-Bison och Gemini, presterade bättre i fallet för generering av sammanfattande texter, än de mindre modeller som testades vid inmatning av flertalet recensioner åt gången.  Generellt sett presterade språkmodellerna också bättre om recensioner först översattes till engelska innan bearbetning, snarare än då recensionerna var skrivna i originalspråk där de majoriteten av recensionerna var skrivna på svenska. En annan lärdom från förbearbetning av recensioner är att antal anrop till dessa språkmodeller kan minimeras genom att filtrera utifrån ordlängd och betyg.  Utöver språkmodeller visade resultaten att användningen av vektordatabaser och embeddings kan ge en större överblick över användbara recensioner genom vektordatabasers inbyggda förmåga att hitta semantiska likheter och samla liknande recensioner i kluster. / Manually reviewing user reviews to extract relevant information can be a time consuming process. This report investigates if large language models can be used to summarize, extract, and analyze key information from reviews, and how such anapplication can be constructed.  It was discovered that different models exhibit varying degrees of performance depending on the metrics and the weighting between recall and precision. Furthermore, fine-tuning of language models such as Llama 3 was found to improve performance in classifying useful reviews and, according to some metrics, led to higher performance than larger language models like Chat-bison. Specifically, for English translated reviews, Llama 3:8b:Instruct, Chat-bison, and Llama 3:8b fine-tuned had an F4 macro score 0.89, 0.90, 0.91 respectively. A further finding is that the larger models, Chat-Bison, Text-Bison, and Gemini performed better than the smaller models that was tested, when inputting multiple reviews at a time in the case of summary text generation.  In general, language models performed better if reviews were first translated into English before processing rather than when reviews were written in the original language where most reviews were written in Swedish. Additionally, another insight from the pre-processing phase, is that the number of API-calls to these language models can be minimized by filtering based on word length and rating. In addition to findings related to language models, the results also demonstrated that the use of vector databases and embeddings can provide a greater overview of reviews by leveraging the databases’ built-in ability to identify semantic similarities and cluster similar reviews together.

Introduktion: Antalet stressrelaterade sjukdomar ökar i samhället där lärare är den yrkesgrupp som under 2022 rapporterade in flest arbetsrelaterade besvär. Läroväsendet står inför ett paradigmskifte, med den ökade tillgängligheten av generativ AI är den traditionella undervisningen mitt uppe i en förändringsprocess, vilket kan påverka lärarnas arbetssituation och arbetsmiljö. Lärare behöver rätt förutsättningar och kompetensutveckling för att integrera digitala tekniken. De teoretiska ramverken som applicerades var European Framework for the Digital Competence of Educators (DigCompEdu) och krav-kontroll-stödmodellen. Syfte: Syftet med studien var att undersöka hur generativ AI påverkade lärarnas psykosociala arbetsmiljö. Metod: En kvalitativ fokusgruppsintervju med en deduktiv ansats och en innehållsanalys med induktiv ansats. Rekrytering av deltagare genomfördes med ett strategiskt urval och snöbollsurval. Totalt genomfördes fyra fokusgruppsintervjuer med totalt 14 deltagare. Resultat: Resultatet bestod av sex kategorier; Professionellt engagemang, Digitala resurser, Undervisning och lärande, Bedömning och reflektion, Den lärande tar eget ansvar samt Stödja den lärandes digitala kompetens med tillhörande 13 underkategorier, där alla återspeglade studiens syfte. Slutsats: Sammanfattningsvis visar studiens resultat att lärarna är i stort behov av gemensamma riktlinjer och digital kompetensutveckling på arbetsplatsen, eftersom de saknar stöd från arbetsgivare och myndigheter. Lärarna behöver tid och resurser för att lära sig generativ AI, då det kan resultera i tidsvinster och fungera som ett stöd i arbetet och därmed minska arbetsbelastningen. / Introduction: The prevalence of stress-related illnesses is increasing in society, with teachers being the professional group that reported the highest number of work-related issues in 2022. The educational sector is facing a paradigm shift; with the increased availability of generative AI, traditional teaching methods are undergoing a transformation, which may impact teachers' working conditions and work environment. Teachers need appropriate conditions and professional development to integrate digital technology effectively. The theoretical frameworks applied were the European Framework for the Digital Competence of Educators (DigCompEdu) and the demand-control-support model. Aim: The aim of the study was to examine how generative AI affected teachers' psychosocial work environment. Method: A qualitative focus group interview with a deductive approach and content analysis with an inductive approach were employed. Participants were recruited using strategic and snowball sampling methods. A total of four focus group interviews were conducted with 14 participants in total. Results: The results consisted of six categories: Professional Engagement, Digital Resources, Teaching and Learning, Assessment and Reflection, Learner's Self-Responsibility, and Supporting Learners' Digital Competence, along with 13 associated subcategories, all reflecting the study's aim. Conclusion: To summarize, the study's results indicate that teachers are in substantial need of common guidelines and digital professional development in the workplace, as they lack support from employers and authorities. Teachers require time and resources to learn about generative AI, as it can lead to time savings and serve as a support tool in their work, thereby reducing their workload.

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.

In 2024, widespread usage of generative AI affects ComDev practitioners in their day-today jobs and have far-reaching implications for our societies. This thesis aims to (1) discover if humanitarians communicate about GenAI ethically and responsibly, (2) examine the existing power dynamics in shaping the discourses, and (3) determine if AI ethical frameworks help to safeguard the interests of vulnerable communities effectively. Though existing paradigms in Critical ICT4D and Digital for Development have suggested the need for critical reflections, this thesis has identified a gap in practical recommendations for Communication for Development. This research was conducted using a semi-systematic literature review and critical discourse analysis with two coding cycles on NVivo. Subsequently, themes, stakeholder maps, and a longitudinal analysis were derived to provide a practical toolkit to ComDev practitioners. Currently, there are multiple discussions and workshops in the area of GenAI in Geneva. However, the digital divide remains an ICT4D problem. Despite a boom in AI regulations and frameworks, organisations work in silos and maximise profits. Thus, there is a need for cross-sector collaboration and de-colonial programmes to mitigate the risks of the digital divide for vulnerable communities.

Agile methodologies are one of the most common approaches for companies to develop new software products. Within these methodologies, a significant focus is placed on rapid deliveryand minimal documentation. However, this focus can lead to documentation, especially that concerning quality requirements (QR), being overlooked in favor of speed. This can result in a decrease in the overall quality of the final software product. To address these issues, the suitability of Generative AI (GenAI) is examined to analyze its potential in solving these problems. The purpose of this study was to investigate whether GenAI is suitable foraddressing issues related to QR documentation within agile methodologies. The study conducted a case study on a company currently using GenAI. The data collection method used for this investigation was semi-structured interviews. The Task-Technology Fit (TTF) model was used to evaluate the suitability of GenAI for QR documentation. The results show that "Ease of Use" and "Production timeliness" are GenAI"s greatest strengths. However,other aspects such as "Quality" and "System reliability" showed weaker results. Future research should focus on exploring the broader use of GenAI within agile methodologies and developing comprehensive training programs for the effective use of GenAI.

During an investigation carried out by a police officer or a gendarme, audition reports are written, the length of which can be up to several pages. The high-level goal of this thesis is to study various automatic and reliable text summarization methods to help with this time-consuming task. One challenge comes from the specific, French and judicial data that we wish to summarize; and another challenge comes from the need for reliable and factual models. First, this thesis focuses on automatic summarization evaluation, in terms of both content (how well the summary captures essential information of the source text) and factuality (to what extent the summary only includes information from or coherent with the source text). Factuality evaluation, in particular, is of crucial interest when using LLMs for judicial purposes, because of their hallucination risks. Notably, we propose a light variation of SelfCheckGPT, which has a stronger correlation with human judgment (0.743) than the wide-spread BARTScore (0.542), or our study dataset. Other paradigms, such as Question-Answering, are studied in this thesis, which however underperform compared to these. Then, extractive summarization methods are explored and compared, including one based on graphs via the TextRank algorithm, and one based on greedy optimization. The latter (overlap rate: 0.190, semantic similarity: 0.513) clearly outperforms the base TextRank (overlap rate: 0.172, semantic similarity: 0.506). An improvement of the TextRank with a threshold mechanism is also proposed, leading to a non-negligible improvement (overlap rate: 0.180, semantic similarity: 0.513). Finally, abstractive summarization, with pre-trained LLMs based on a Transformer architecture, is studied. In particular, several general-purpose and multilingual models (Llama-2, Mistral and Mixtral) were objectively compared on a summarization dataset of judicial procedures from the French police. Results show that the performances of these models are highly related to their size: Llama-2 7B struggles to adapt to uncommon data (overlap rate: 0.083, BARTScore: -3.099), while Llama-2 13B (overlap rate: 0.159, BARTScore: -2.718) and Llama-2 70B (overlap rate: 0.191, BARTScore: -2.479) have proven quite versatile and efficient. To improve the performances of the smallest models, empirical prompt-engineering and parameter-efficient fine-tuning are explored. Notably, our fine-tuned version of Mistral 7B reaches performances comparable to those of much larger models (overlap rate: 0.185, BARTScore: -2.060), without the need for empirical prompt-engineering, and with a linguistic style closer to what is expected. / Under en utredning som görs av en polis eller en gendarm skrivs förhörsprotokoll vars längd kan vara upp till flera sidor. Målet på hög nivå med denna rapport är att studera olika automatiska och tillförlitliga textsammanfattningsmetoder för att hjälpa till med denna tidskrävande uppgift. En utmaning kommer från de specifika franska och rättsliga uppgifter som vi vill sammanfatta; och en annan utmaning kommer från behovet av pålitliga, sakliga och uppfinningsfria modeller. För det första fokuserar denna rapport på automatisk sammanfattningsutvärdering, både vad gäller innehåll (hur väl sammanfattningen fångar väsentlig information i källtexten) och fakta (i vilken utsträckning sammanfattningen endast innehåller information från eller överensstämmer med källtexten). Faktautvärdering, i synnerhet, är av avgörande intresse när man använder LLM för rättsliga ändamål, på grund av deras hallucinationsrisker. Vi föreslår särskilt en lätt variant av SelfCheckGPT, som har en starkare korrelation med mänskligt omdöme (0,743) än den utbredda BARTScore (0,542), eller vår studiedatauppsättning. Andra paradigm, såsom Question-Answering, studeras i denna rapport, som dock underpresterar jämfört med dessa. Sedan utforskas och jämförs extraktiva sammanfattningsmetoder, inklusive en baserad på grafer via TextRank-algoritmen och en baserad på girig optimering. Den senare (överlappning: 0,190, semantisk likhet: 0,513) överträffar klart basen TextRank (överlappning: 0,172, semantisk likhet: 0,506). En förbättring av TextRank med en tröskelmekanism föreslås också, vilket leder till en icke försumbar förbättring (överlappning: 0,180, semantisk likhet: 0,513). Slutligen studeras abstrakt sammanfattning, med förutbildade LLM baserade på en transformatorarkitektur. I synnerhet jämfördes flera allmänna och flerspråkiga modeller (Llama-2, Mistral och Mixtral) objektivt på en sammanfattningsdatauppsättning av rättsliga förfaranden från den franska polisen. Resultaten visar att prestandan för dessa modeller är starkt relaterade till deras storlek: Llama-2 7B kämpar för att anpassa sig till ovanliga data (överlappning: 0,083, BARTScore: -3,099), medan Llama-2 13B (överlappning: 0,159, BARTScore: -2,718) och Llama-2 70B (överlappning: 0,191, BARTScore: -2,479) har visat sig vara ganska mångsidiga och effektiva. För att förbättra prestandan för de minsta modellerna utforskas empirisk prompt-teknik och parametereffektiv finjustering. Noterbart är att vår finjusterade version av Mistral 7B når prestanda som är jämförbara med de för mycket större modeller (överlappning: 0,185, BARTScore: -2,060), utan behov av empirisk prompt-teknik och med en språklig stil som ligger närmare vad som förväntas.

Denna studie undersöker utmaningarna och möjligheterna med implementeringen av artificiell intelligens (AI) på arbetsplatsen. Genom en kombination av intervjuer, enkäter och litteraturöversikt analyseras olika aspekter av AI-implementering, inklusive effektivitet, produktivitet, kompetensutveckling, etiska dilemman och samarbete. Resultaten visar att AI-implementering kan leda till ökad effektivitet och produktivitet genom automatisering av rutinmässiga uppgifter. Dock finns det utmaningar relaterade till anställdas acceptans, utbildning och säkerhetsfrågor. Vidare betonas vikten av att etablera etiska riktlinjer för att hantera potentiella risker och dilemman som uppstår med AI-användning. Kommunikation och samarbete identifieras som nyckelfaktorer för en framgångsrik integration av AI på arbetsplatsen. Denna studie belyser behovet av att förstå och navigera de komplexa dynamikerna som omger AI-implementering för att maximera dess fördelar och minimera dess risker. / This study examines the challenges and opportunities associated with the implementation of artificial intelligence (AI) in the workplace. Through a combination of interviews, surveys, and literature review, various aspects of AI implementation are analyzed, including efficiency, productivity, skills development, ethical dilemmas, and collaboration. The results indicate that AI implementation can lead to increased efficiency and productivity by automating routine tasks. However, there are challenges related to employee acceptance, training, and security issues. Furthermore, the importance of establishing ethical guidelines to address potential risks and dilemmas arising from AI usage is emphasized. Communication and collaboration are identified as key factors for successful integration of AI in the workplace. This study highlights the need to understand and navigate the complex dynamics surrounding AI implementation to maximize its benefits and minimize its risks.

Denna kvalitativa studie undersöker effekten av generativ artificiell intelligens (AI) på marknadsföringsstrategier inom musikindustrin. I takt med att digitala plattformar alltmer dominerar landskapet utforskar marknadsföringsavdelningar innovativa sätt att engagera publiken, vilket gör integrationen av generativ AI avgörande. Genom intervjuer med marknadsförare inom den svenska musikindustrin belyser denna forskning den nuvarande användningen, de upplevda fördelar och utmaningar med generativ AI för att förbättra arbetsflödeseffektiviteten och marknadsföringstaktiken. Resultaten visar att även om generativ AI avsevärt effektiviserar skapandet av innehåll och interaktion med konsumenter, kvarstår oro för dess tillförlitlighet och etiska implikationer av dess användning. Studien bidrar till en djupare förståelse för generativ AI:s transformerande roll i musikmarknadsföring och erbjuder värdefulla insikter för praktiker som strävar efter att utnyttja teknologin som konkurrensfördel. / This qualitative study examines the impact of generative artificial intelligence (AI) on marketing strategies within the music industry. As digital platforms increasingly dominate the landscape, marketing departments are exploring innovative ways to interact with audiences, making the integration of generative AI pivotal. Through interviews with marketing professionals in the Swedish music industry, this research sheds light on the current use, perceived benefits, and challenges of generative AI in enhancing workflow efficiencies and marketing tactics. The study reveal that while generative AI significantly streamlines content creation and consumer interaction, concerns about its reliability and the ethical implications of its use persist. The study contributes to a deeper understanding of the transformative role of AI in music marketing, providing valuable insights for practitioners aiming to leverage technology for competitive advantage.