Denna studie ämnar undersöka vilken inställning svenska revisorer har gentemot AI-verktyg och huruvida svenska revisorer uppvisar algoritmaversion i relation till AI-verktyg inom revision. Införandet av AI-verktyg i revisionsbranschen har potential att förändra revisorsyrket i grunden och bidra till stora ökningar i revisionskvalitet. Denna potential riskerar dock att ha motsatt effekt om revisorer litar på AI-verktyg i mindre utsträckning än de litar på människor, ett fenomen som kallas algoritmaversion. Tidigare undersökningar har visat att revisorer i USA uppvisar algoritmaversion, men hittills har fenomenet inte studerats i Sverige. Genom intervjuer med elva auktoriserade revisorer och fyra leverantörer av revisionsverktyg med utgångspunkt i TAM2-modellen finner vi indikationer på att svenska revisorer har en hög acceptans av AI-verktyg inom revision och inte uppvisar algoritmaversion. Om resultaten visar sig vara allmängiltiga innebär det att införandet av AI-verktyg i den svenska revisionsbranschen kommer att bidra till ökad revisionskvalitet.

The development of a new technology plays a big role in many areas in our society. During the past couple of years artificial intelligence has grown into a very popular subject and its implementations keep growing and improving. Within the graphic design domain, artificial intelligence (AI) has made great progress, but also created discussion about how AI affects or will affect graphic designers and their work. In this study we focused on the current views and expectations of AI when it comes to the workflow and creativity of graphic designers. This was investigated by carrying out a survey where designers could answer questions about their experiences of how AI affects their efficiency and creativity. The study involved conducting an online survey on a sample of 23 participants who work as graphic designers. Most of them were males, worked in North America and had more than 5 years of working experience in their field. Participants were assigned questions such as how their workflow and creativity had been affected by the usage of AI technology from a personal point of view. On the other hand, participants who had not used AI before were asked about their willingness to learn and implement the technology in their work. Based on the results of this study, there appears to be a difference between the perception of AI-technology among graphic designers who have used it and those who have not. Participants who have experience using AI tend to view it more positively while participants who have not used AI tend to view it more critically. However, the results are not conclusive. Apart from the predominant representation of North American males among the participants, a longer-term study with a larger sample size is recommended to increase the reliability of the findings. Additionally, it may be beneficial to repeat the study in the future, as AI-technology continues to evolve and becomes more integrated into the field of graphic design. / Utvecklingen av en ny teknologi spelar en stor roll i många områden i dagens samhälle. Under de senaste åren har artificiell intelligens (AI) växt fram som ett väldigt populärt ämne och dess tillämpningar fortsätter att växa och förbättras. Inom grafisk design har AI gjort stora framsteg, som har skapat diskussioner om hur AI påverkar och kommer att påverka grafiska designers och deras arbete. Det vi fokuserade på i denna studie är den nuvarande synen och förväntningen av AI är när det kommer till arbetsflödet och kreativiteten hos grafiska designers. Detta undersökte vi genom att utföra en enkätundersökning där designers fick berätta om deras upplevelser om hur AI påverkar deras effektivitet och kreativitet. Studien genomfördes med en online enkätundersökning med en grupp av 23 deltagare som arbetade som grafiska designers. De flesta deltagarna var män, arbetade i Nordamerika och hade mer än 5 års arbetserfarenhet inom sitt arbetsområde. Deltagarna fick svara på frågor såsom hur deras arbetsflöde och kreativitet hade påverkats av användningen av AI-teknologi från en personlig synvinkel. Som motsats fick deltagarna som inte hade använt AI innan frågor om deras vilja att lära sig och implementera teknologin i sitt arbete. Baserat på resultaten av denna studie förefaller det finnas en skillnad mellan uppfattningen av AI-teknologi bland grafiska designers som har använt det och de som inte har det. Hos deltagare som har använt AI visas det en tendens att de har en mer positiv syn på teknologin, medan deltagare som saknar erfarenhet tenderar att vara mer kritiska mot den. Dock är resultaten inte tillräckligt övertygande. Förutom den övervägande representationen av nordamerikanska män bland deltagarna, rekommenderas en långsiktig studie med en större urvalsstorlek för att öka trovärdigheten. Dessutom skulle det vara fördelaktigt att upprepa studien senare i framtiden då AI-teknologin fortsätter att utvecklas och har hunnit integreras i en större utsträckning inom grafisk design.

The growth of e-commerce has been evident over the past years and for companies like Klarna that provides payment solutions, focusing on the purchase experience is more important than ever. With that goal in mind, more companies are using machine learning methods and tools to make predictions and forecast future outcomes, giving them a competitive advantage on the market. This thesis aims to apply supervised machine learning techniques to predict customer conversion, i.e. predict if a customer with a started shopping session will complete the purchase. The purpose of the project is to also determine which supervised learning algorithm performs the best when predicting customer conversion, with regards to a set of model evaluation metrics. The classical classification method Logistic Regression was tested, as well as the machine learning methods Support vector Machine, Random forest and XGBoost. The metrics used to evaluate the model performances were Precision, Recall, F1- and AUC-scores. Furthermore, the SHapley Additive exPlanations approach was implemented for feature importance and for interpreting tree-based models. The results showed that it is in fact possible to predict customer conversion using machine learning. All models yielded good performance and the difference in performance was relatively small. XGBoost performed slightly better than the rest of the models. / Tillväxten av e-handel har varit tydlig de senaste åren och för företag som Klarna, som erbjuder betalningslösningar, är det viktigare än någonsin förr att lägga stor fokus på kundernas köpupplevelse. Som hjälp använder allt fler företag maskininlärnings- metoder och verktyg för att prediktera och göra framtidsprognoser, något som gör dem konkurrenskraftiga på marknader. Syftet med detta examensarbete är att tillämpa övervakad maskininlärning för att prediktera kundkonvertering, med andra ord prediktera om en kund som påbörjat en shoppingsession kommer att slutföra beställningen. Syftet med projektet är även att avgöra vilken övervakad inlärningsalgoritm som presterar bäst vid predikteringen, med avseende på en uppsättning av valideringsmått. Den klassiska klassificeringsmetoden Logistisk Regression testades, så väl som maskininlärnings metoderna Stödvektormaskin, Random Forest och XGBoost. För att validera modellerna användes Precision, Recall, F1- och AUC-scores. Dessutom implementerades metoden SHapley Additive exPlanations för att företaget enklare ska förstå vikten av de olika variablerna och tolka de trädbaserade modellerna. Resultaten visade att det går att prediktera kundkonvertering med hjälp av maskininlärning. Alla modeller påvisade bra resultat och skillnaden i prestation var relativt liten. XGBoost presterade lite bättre än resterande modeller.

Graphs are a powerful way to represent data. They can be seen as a collection of objects (nodes) and the relationships between them (edges or links). The power of this structure has its intrinsic value in the relationship between data points that can even provide more information than the data properties. An important type of graph is Knowledge Graphs in which each node and edge has a type associated. Often graph data is incomplete and in this case, it is not possible to retrieve useful information. Link prediction, also known as knowledge graph completion, is the task of inferring if there are missing edges or nodes in a graph. Models of different types, including Machine Learning-based, Rule-based, and Neural Network-based models have been developed to address this problem. The goal of this research is to understand how link prediction methods perform in a real use-case scenario. Therefore, multiple models have been compared on different accuracy metrics and production case requirements on a microservice tracing dataset. Models have been trained and tested on two different knowledge graphs obtained from the data, one that takes into account the temporal information, and the other that does not. Moreover, the prediction of the models has been evaluated with what is usually done in the literature, and also mimicking a real use-case scenario. The comparison showed that too complex models cannot be used when the time, at training, and/or inference phase, is critical. The best model for traditional prediction has been RotatE which usually doubled the score of the second- best model. Considering the use-case scenario, RotatE was tied with QuatE, which required a lot more time for training and predicting. They scored 20% to 40% better than the third-best performing model, depending on the case. Moreover, most of the models required less than a millisecond for predicting a triplet, with NodePiece that was the fastest, beating ConvE by a 4% margin. For the training time, NodePiece beats AnyBURL by 40%. Considering the memory usage, again NodePiece is the best, by an order of magnitude of at least 10 when compared to most of the other models. RotatE has been considered the best model overall because it had the best accuracy and an above-average performance on the other requirements. Additionally, a simulation of the integration of RotatE with a dynamic sampling tracing tool has been carried out, showing similar results to the ones previously obtained. Lastly, a thorough analysis of the results and suggestions for future work are presented. / Grafer är ett kraftfullt sätt att representera data. De kan ses som en samling objekt (noder) och förhållandet mellan dem (kanter eller länkar). Kraften i denna struktur har sitt inneboende värde i förhållandet mellan datapunkter som till och med kan ge mer information än dataegenskaperna. En viktig typ av graf är Knowledge Graphs där varje nod och kant har en typ associerad. Ofta är grafdata ofullständiga och i det här fallet är det inte möjligt att hämta användbar information. Länkprediktion, även känd som färdigställande av kunskapsdiagram, är uppgiften att förutsäga om det saknas kanter eller noder i en graf. Modeller av olika typer, inklusive Machine Learning-baserade, Regelbaserade och Neural Network-baserade modeller har utvecklats för att lösa detta problem. Målet med denna forskning är att förstå hur länkprediktionsmetoder fungerar i ett verkligt use-case scenario. Därför har flera modeller jämförts med olika noggrannhetsmått och produktionsfallskrav på en mikrotjänstspårningsdatauppsättning. Modeller har tränats och testats på två olika kunskapsgrafer som erhållits från data, en som tar hänsyn till tidsinformationen och den andra som inte gör det. Dessutom har förutsägelsen av modellerna utvärderats med vad som vanligtvis görs i litteraturen, och även efterlikna ett verkligt use-case scenario. Jämförelsen visade att alltför komplexa modeller inte kan användas när tiden, vid träning och/eller slutledningsfasen, är kritisk. Den bästa modellen för traditionell förutsägelse har varit RotatE som vanligtvis fördubblade poängen för den näst bästa modellen. Med tanke på användningsfallet var RotatE knuten till QuatE, vilket krävde mycket mer tid för träning och förutsägelse. De fick 20% till 40% bättre än den tredje bäst presterande modellen, beroende på fallet. Dessutom krävde de flesta av modellerna mindre än en millisekund för att förutsäga en triplett, med NodePiece som var snabbast och slog ConvE med 4% marginal. För träningstiden slår NodePiece AnyBURL med 40%. Med tanke på minnesanvändningen är återigen NodePiece bäst, med en storleksordning på minst 10 jämfört med de flesta andra modeller. RotatE har ansetts vara den bästa modellen överlag eftersom den hade den bästa noggrannheten och en prestanda över genomsnittet för övriga krav. Dessutom har en simulering av integrationen av RotatE med ett dynamiskt samplingsspårningsverktyg utförts, som visar liknande resultat som de tidigare erhållna. Slutligen presenteras en grundlig analys av resultaten och förslag till framtida arbete.

Road compaction is the last and important stage in road construction. Both under-compaction and over-compaction are inappropriate and may lead to road failures. Intelligent compactors has enabled data gathering and edge computing functionalities, which introduces possibilities in data-driven compaction control. Compaction physical processes are complex and are material-dependent. In the road construction industry, material physical models, together with boundary conditions, can be used for modeling effects of compacting the underlying subgrade materials and the pavement (the most widely used is asphalt) itself on site, which can be computed using Finite Element (FE) methods. However, parametrizations of these physical models require large efforts, creating difficulties in using these models to optimize real-time compaction. Our research has, for the first time, bridged the gap between data-driven compaction control and physics by introducing the parameter identification pipeline. Two use cases are investigated, corresponding to offline learning and online learning of parameters. In offline learning, a sequence of actions is learned to maximally reduce parameters uncertainties without observing responses; in online learning, the decisions of actions are made and parameters are derived while sequential observations come in. The parameter identification pipeline developed in this thesis involves compaction simulation using a simple physical model, surrogate model development using Artificial Neural Network (ANN), and online/offline optimization procedure with Approximate Bayesian Computation (ABC). The developed procedure can successfully identify the parameters with low uncertainty for the case that the selected experiments supply enough information to theoretically identify the parameters. For the case of that parameters cannot be theoretically identified by certain experiments, the identified parameters have larger uncertainties. / Vägpackning är det sista och viktiga steget i vägbygget. Både under- och överkomprimering är olämpliga och kan leda till vägfel. Intelligenta komprimatorer har möjliggjort datainsamling och edge computing-funktioner som introducerar möjligheter inom datadriven komprimeringskontroll. Packningsfysiska processer är komplexa och materialberoende. Inom vägbyggnadsindustrin kan materialfysiska modeller tillsammans med randvillkor användas för att modellera effekter av att packa de underliggande underlagsmaterialen och själva beläggningen (den mest använda är asfalt) på plats. Dem kan beräknas med Finite Element (FE) metoder. Parametrisering av dessa fysiska modeller kräver dock stora ansträngningar och skapar svårigheter att använda dessa modeller för att optimera realtid vägpackning. Vår forskning har för första gången överbryggt gapet mellan datadriven komprimeringskontroll och fysik genom att introducera pipeline för parameteridentifiering. Två användningsfall undersöks motsvarande offlineinlärning och onlineinlärning av parametrar. En sekvens av åtgärder är lärd vid offlineinlärning för att maximalt reducera parametrar osäkerheter utan att observera svar. Vid onlineinlärning fattas beslut om åtgärder och parametrar härleds medan sekventiella observationer kommer in. Den pipeline för parameteridentifiering som utvecklats i denna avhandling involverar kompakteringssimulering med en enkel fysisk modell, surrogatmodellutveckling med artificiellt neuralt nätverk (ANN) och online /offline optimeringsprocedur med Approximate Bayesian Computation (ABC). Den utvecklade proceduren kan framgångsrikt identifiera parametrarna med låg osäkerhet för det fall att de valda experimenten ger tillräckligt med information för att teoretiskt identifiera parametrarna. För fallet med att parametrar inte teoretiskt kan identifieras genom vissa experiment, de identifierade parametrarna har större osäkerheter.

Företaget Cake har idag inte en komplett bild över hur dess fordon används. Därför samlar företaget idag upp användardata i en förhoppning om att kunna analysera denna data för att få insikter över hur dess produkter används och vad de ska satsa på i framtiden. Företaget har idag inte någon komplett lösning för att analysera denna mängd data. De efterlyser en kartläggning över den data som samlas in och vilket analysverktyg som kan utvecklas. Rapportens syfte var att undersöka om företagets användardata kan utvinnas och användas till visualisering samt maskininlärning för att få mer nytta av den.För att uppnå detta började arbetet med en undersökning av de befintliga processerna och metoderna såsom hur data samlas in och kan analyseras hos uppdragsgivaren samt genomgång hur den insamlade datan var strukturerad. Därefter utvecklades och implementerades en lösning för att visualisera och analysera användardata, inklusive undersökning av möjligheterna med maskininlärning för att få djupare insikter i användarnas beteenden. Resultatet visar att om företaget implementerar ett användarvänligt visualiserings- och analysverktyg blir det överlägset jämfört med nuvarande verktyg och metoder då prototypen möjliggör att företaget kan undersöka användarmönster under specifika tidsperioder och göra jämförelser mellan fordon vilket inte kunde göras med befintliga verktyg och metoder. Vid implementeringen måste säkerhet avseende personuppgifter beaktas. Vid analys av IoT-data med maskininlärningsmetoden Clustering samt den behandling som görs dras slutsatsen att möjligheten fanns till att särskilja olika användares dolda användarmönster och gruppera dessa. Användarmönster refererar till de regelbundna och karakteristiska sätten på vilka användare interagerar med en specifik teknologi, tjänst eller system över tid. Dessa mönster kan inkludera upprepade handlingar, preferenser, tidsbaserade aktiviteter och andra beteendemässiga aspekter. / Today, the company Cake does not have a complete picture of how its vehicles are used.Therefore, the company today collects user data in the hope of being able to analyze this data to gain insights into how its products are used and what they should focus on in the future. Today, the company does not have a complete solution for analyzing this amount of data. Today, the company also does not have a complete solution for analyzing this amount of data. They are calling for a survey of the data that is collected and what analysis tools can be developed. The purpose of the report was to investigate whether the company's user data can be mined and used for visualization and machine learning to get more use out of it. To achieve this, the work began with an investigation of the existing processes and methods such as how data is collected and can be analyzed at the client and a review of how the collected data was structured. A solution to visualize and analyze user data was then developed and implemented, including exploring the possibilities of machine learning to gain deeper insights into user behaviour. The result shows that if the company implements a user-friendly visualization and analysis tool, it will be superior compared to current tools and methods, as the prototype enables the company to examine user patterns during specific time periods and make comparisons between vehicles, which could not be done with existing tools and methods. During the implementation, security regarding personal data must be taken into account. When analyzing IoT data with the machine learning method Clustering and the processing that is done, it is concluded that the possibility existed to distinguish the hidden user patterns of different users and group them. User patterns refer to the regular and characteristic ways in which users interact with a specific technology, service or system over time. These patterns may include repeated actions, preferences, time-based activities, and other behavioral aspects.

No description available.

This thesis investigates how three different machine learning models perform on cardinalty estimation for sql queries. All three models were evaluated on three different data sets. The models were tested on both estimating cardinalities when the query just takes information from one table and also a two way join case. Postgresql's own cardinality estimator was used as a baseline. The evaluated models were: Artificial neural networks, random forests and extreme gradient boosted trees. What was found is that the model that performs best is the extreme gradient boosted tree with a tweedie regression loss function. To the authors knowledge, this is the first time an extreme gradient boosted tree has been used in this context. / Denna uppsats undersöker hur tre olika maskininlärningsmodeller presterar på kardinalitetsuppskattning för sql förfrågningar till en databas. Alla tre modeller utvärderades på tre olika datauppsättningar. Modellerna fick både behandla förfrågningar från en tabell, samt en sammanslagning mellan två tabeller. Postgresql's egna kardinalitetsestimerare användes som referenspunkt. De utvärderade modellerna var följande: artificiella neurala nätverk, random forests och extreme gradient boosted trees. En slutsats var att den modellen som utförde uppgiften bäst var extreme gradient boosted trees med en tweedie-regression förlustfunktion. Såvitt författaren vet är det här första gången den här typen av extreme gradient boosted tree används på denna typ av problem.

Global food prices are currently rising at a rapid pace. The current supply chain involves a number of different steps, where each step involves a price surcharge that is ultimately paid by the consumer. Modern technology, such as machine learning and smart logistics, enables alternative supply chains. This report examines the possibility of designing a model that, with the help of scenarios of change based on previous studies and the taskmaster’s vision, can make predictions for future food prices. The report was based on the supply chain and current prices for potatoes. The models used are ARIMA, SVR with different cores, linear regression, Ridge regression and Lasso regression. The models are evaluated with the error measurements Mean Absolute Error, Mean Squared Error, Root Mean Squared Error and R2. The best-performing models, with which the prediction was then performed, were ARIMA and SVR with a linear core. The predictions and calculations showed drastically reduced food prices and a large reduction in unnecessary food waste, especially in the scenario that involves an overall change of the supply chain. This has major macroeconomic effects, as food prices affect inflation. The analysis also shows the importance of the industry’s players working with analysis and strategy to handle a future shift that entails higher uncertainty in the market. There are uncertainties about the effect on other supply chains, as well as the net effect of a shift as the costs for this are unknown. / I dagsläget stiger livsmedelspriserna globalt i hög takt. Den nuvarande försörjningskedjan innebär många olika steg, där varje steg innebär prispåslag som till slut betalas av konsumenten. Modern teknik, som maskininlärning och smart logistik ger upphov till alternativa försörjningskedjor. Denna rapport undersöker möjligheten att utforma en modell som, med hjälp av omställningsscenarion baserade på tidigare studier och uppdragsgivarens vision, kan göra prediktioner för framtida livsmedelspriser. Rapporten baserades på försörjningskedjan och aktuella priser för matpotatis. De använda modellerna är ARIMA, SVR med olika kärnor, linjär regression, Ridge regression samt Lasso regression. Modellerna utvärderas med felmåtten Mean Absolute Error, Mean Squared Error, Root Mean Squared Error samt R2. De bäst presterande modellerna, som prediktionen sedan utfördes med, var ARIMA och SVR med linjär kärna. Prediktionerna och uträkningarna visade på drastiskt sänkta matpriser och en stor sänkning av onödigt matsvinn, framför allt vid det scenario som innebär en övergripande omställning av försörjningskedjan. Detta för med sig stora makroekonomiska effekter, då livsmedelspriset påverkar inflationen. Analysen visar även på vikten av att branschens aktörer arbetar med analys och strategi för att hantera ett kommande skifte som innebär en högre osäkerhet på marknaden. Osäkerheter finns kring effekten på andra försörjningskedjor, samt nettoeffekten av en omställning då kostnaderna för denna är okända.

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