Most of the work on photography is about image and trying to understand photography as an image. Contrary to this approach, this paper deals with the experience of the photographer at the time of taking the picture, and also the influence of photography, understood as a medium, on our perception. The main topic is the photography of movement, where we can best demonstrate how photography changes both our perception and our understanding of (objective) reality. The beginning of the work is devoted to one of the greatest Czech photographers, Josef Sudek, who describes the method of his work. Sudek's definition of the moment involved in taking the picture is "when everything fits together"; the impossibility of returning to the same moment is a central feature of photography as presented in this work. Consequently, the basis for the thesis is that (1) photography and camera change the way we perceive, and that (2) photography is an actualization of the possibility of how we see what we see. The actualization of the possibility is discussed mainly in the context of Barbara Probst, whose work "Exposures" fundamentally enters the history of photography, and who - once again - does not put emphasis on the image but rather on the photographer as the creator of the image.

Many organizations from and outside of the IT industry are trying to implement Agile in their ways of working via large scale transformations. The organizations feels the need to become Agile in order to increase their client satisfaction, deliver their product faster, and compete in the rapidly changing market. This Master's thesis was conducted at one of the largest energy utilities in the north of Europe, Company C, in order to analyze their R\&D organization after implementing their large scale Agile transformation. The thesis main research question focused on studying how did the large scale Agile transformation effect the organization ambidexterity, knowledge transfer capabilities, and ability to innovate. The question was analyzed qualitatively via an ethnographic design and a set of semi-structured interviews. The results have shown various challenges within the organization that were introduced after the large scale Agile transformation, such as focusing only on customer satisfaction as a measure of success, and the reduction of knowledge transfer capabilities with the department. The analysisand discussions evaluated the connection between those challenges and the large scale Agile transformation. The main takeaways from the Thesis suggested that the Agile transformation provided the necessary tool for the organization to become more exploitative, however, there was no clear connection between the transformation and the diminishing exploratory practices. Moreover, the large scale Agile transformation supported incremental innovations, but did not negatively impact other types of innovation. Finally, the knowledge transfer capabilities were reduced due to the minimal documentation approach that the organization has implemented. / Många organisationer från och utanför IT-branschen försöker implementera Agile i sina arbetssätt genom storskaliga transformationer. Organisationerna känner behov av att bli Agila för att öka sin kundnöjdhet, leverera sina produkter snabbare och konkurrera på den snabbt föränderliga marknaden. Detta masterarbete genomfördes på ett av de största energiföretagen i norra Europa, Company C, för att analysera deras FoU-organisation efter att ha implementerat sin storskaliga agila-transformation. Arbetets huvudsakliga forskningsfråga fokuserade på att studera hur den storskaliga agila-transformationen påverkade organisationens förmåga till ambidextri, kunskapsöverföring och innovationsförmåga. Frågan analyserades kvalitativt genom en etnografisk design och en uppsättning semistrukturerade intervjuer. Resultaten har visat olika utmaningar inom organisationen som introducerades efter den storskaliga Agile-transformationen, såsom att fokusera endast på kundnöjdhet som en måttstock för framgång och minskningen av kunskapsöverföringsförmågan inom avdelningen. Analysen och diskussionerna utvärderade sambandet mellan dessa utmaningar och den storskaliga Agile-transformationen. Huvudpunkterna från arbetet föreslog att Agile-transformationen gav organisationen de nödvändiga verktygen för att bli mer exploaterande, men det fanns ingen tydlig koppling mellan transformationen och minskningen av utforskande praktiker. Dessutom stödde den storskaliga Agile-transformationen inkrementella innovationer men påverkade inte negativt andra typer av innovation. Slutligen minskade kunskapsöverföringsförmågan på grund av den minimala dokumentationsansatsen som organisationen genomfört.

In recent years, product development organizations have started adopting agile methods beyond its intended application on software development as part of organizational aspirations to increase market responsiveness and decrease lead times. Such extended adoption of agile is now commonly known as large-scale agile transformation, yet case studies and research-based guidance on implementing agile at scale is scarce. Available literature lists several general challenges and success factors surfacing during the full course of transformation. This thesis aims to complement existing research through investigating critical factors of a large-scale transformation specifically at early stages of agile adoption. This is performed by applying Laanti's agile maturity model and Roger's innovation adoption theory to a case study of a large fintech company who recently initiated their transformation. Although many of the general challenges discovered were proven to appear even at early stages of adoption, we found four factors particularly important for early-stage adoption of large-scale agile, namely 1) having agile support tailored to team maturity, 2) involving project managers in agile coaching, 3) breaking down silo barriers and 4) developing agile customer contracts. In addition to the critical factors found, we propose an extension to Roger's adoption model in cases when external stakeholders are believed to be affected by the adoption of an innovation. Further studies on early-stage adoption of large-scale agile are required to confirm our conclusions. / Som ett led i att öka marknadsresponsivitet och minska ledtider, har det idag blivit alltmer vanligt för organisationer som utvecklar produkter att applicera agila arbetssätt utanför mjukvaruutveckling. En sådan utökad adoption av agile kallas för storskalig agile transformation. Fallstudier och forskningsbaserade råd för implementering av agile i stor skala är fortfarande få. Syftet med denna studie är att bidra till och komplettera existerande forskning genom att utforska kritiska faktorer för storskaliga agila transformationer i ett tidigt adoptionsstadie. Detta görs genom att applicera och kombinera Laanti's agila mognadsmodell och Roger's teori om innovationsadoption i en fallstudie på ett stort fintech-företag som nyligen initierade sin agila transformation. Fyra kritiska faktorer specifika för tidigaadoptionsstadier identifierades, närmare bestämt vikten av att 1) anpassa agila stödfunktioner till varje teams agila mognad, 2) involvera projektledare i agile coachning, 3) bryta ner silobarriärer mellan funktioner och 4) utveckla agila kundkontrakt. Dessutom föreslår vi en utökning av Roger's innovationsegenskaper för värdering av potentiell adoptionsframgång av innovationer som påverkar externa intressenter. Ytterligare studier på stor-skalig agil transformation i tidiga stadier krävs för att bekräfta våra slutsatser.

In recent years, artificial intelligence (AI) has become increasingly popular. An area where AI technology is used and has received much attention during the past year is chatbots. They can simulate an understanding of human language and form text responses to questions asked. Apart from generating text responses, they can also generate programming code, making them useful for tasks such as testing. Although testing is considered a crucial part of software development, many find it tedious and time-consuming. There are currently limited AI-powered tools for generating unit tests in general and even fewer for the programming language Java. The thesis tackles the problem of the lack of tools for generating unit tests in Java that explore the capabilities of AI, and a research question is introduced thereafter. The purpose of this thesis is to address the issue by creating a prototype for generating unit tests in Java based on the AI model, GPT-3.5-Turbo. The goal is to provide a basis for other professionals to create tools for generating unit tests, which was done by experimenting with different prompts and values of a randomness parameter and then suggesting the prototype JUTAI. A quantitative research method with an experimental and comparative approach was used to evaluate the results. A comparison model with three criteria was brought forward to evaluate the results. The findings reveal that JUTAI outperformed the general-purpose AI tool, ChatGPT, across all three criteria and indicate that the goal of this thesis is achieved and the research question answered. / Intresset för artificiell intelligens (AI) har ökat de senaste åren. Ett område där AI- teknologi används och som har fått mycket uppmärksamhet under det senaste året är chattbottar. De kan simulera en förståelse för mänskligt språk och svara på frågor i textformat. Utöver det kan de även generera programkod. Tack vare förmågan att generera kod kan de användas för testning. Även om testning anses vara en viktig del av mjukvaruutveckling, tycker många att det är tråkigt och tidskrävande. För närvarande finns det ett begränsat antal verktyg som kan generera enhetstester, och det finns ännu färre verktyg som kan göra detta i Java. Detta examensarbete tog sig an problemet med bristen på AI-verktyg för enhetstestning i Java genom att besvara på forskningsfrågan som ställdes. Syftet med examensarbetet är att föreslå en lösning på problemet genom att utveckla en prototyp som använder sig av AI- modellen GPT-3.5-Turbo för att generera enhetstester i Java. Målet är att ge en grund för andra yrkesverksamma att skapa verktyg för att generera enhetstester, vilket gjordes genom att experimentera med olika instruktionstrukturer och värden för en slumpmässighetsparameter, och sedan föreslå protypen JUTAI. En kvantitativ forskningsmetod tillsammans med en experimentell och jämförande ansats användes för att utvärdera resultaten. En jämförelsemodell med tre kriterier togs fram för att utvärdera resultaten. Resultaten visar att JUTAI presterade bättre än AI-verktyget ChatGPT i de tre kriterierna och indikerar att målet med detta examensarbete uppnåddes och forskningsfrågan besvarades.

No description available.

There are different transportations in the city logistics (e.g., passengers, freights, and wastes), which are handled respectively by single-purpose vehicles (SVs) of the corresponding type. The multi-purpose vehicle (MV) is a future concept whose load modules can be changed for different urban transportations. MVs enable the sequential sharing of different mobilities, thus theoretically improving the efficacy of the city logistics by higher utilization of vehicles. A variant model of the Pick-up and Delivery Problem with Time Windows is established to describe the sequential sharing problem considering both MVs and SVs with the features of multiple depots, partial recharging strategies, and fleet sizing. In the problem, MVs can change their load modules for all types of objects carried by SVs. An adaptive large neighborhood algorithm (ALNS) is developed with new mechanisms for MVs. The proposed ALNS is tested by 15 artificial data cases and compared with the MIP solver. The results show the proposed ALNS is time-effective and validated to find good solutions. / Det finns olika transporter i stadslogistiken (t.ex. passagerare, gods och avfall), som hanteras av enskilda fordon (SV) av motsvarande typ. Multifunktionsfordonet (MV) är ett framtida koncept vars lastmoduler kan ändras för olika stadstransporter. MV möjliggör sekventiell delning av olika mobiliteter, vilket på ett teoretiskt sätt förbättrar stadslogistikens effektivitet genom högre användning av fordon. En variantmodell av Pick-up and Delivery Problem with Time Windows är etablerad för att beskriva det sekventiella delningsproblemet med beaktande av både MV och SV med funktionerna i flera depåer, partiella laddningsstrategier och flottans storlek. I problemet kan MV: er ändra sina belastningsmoduler för alla typer av objekt som bärs av SV: er. En adaptiv stor stadsdelalgoritm (ALNS) har utvecklats med nya mekanismer för MV. Den föreslagna ALNS testas av 15 artificiella datafall och jämförs med MIP-lösaren. Resultaten visar att det föreslagna ALNS är tidseffektivt och validerat för att hitta bra lösningar.

Sensitive data leaking from a system can have tremendous negative consequences, such as discrimination, social stigma, and fraudulent economic consequences for those whose data has been leaked. Therefore, it’s of utmost importance that sensitive data is not leaked from a system. This thesis investigated different methods to prevent sensitive patient data from leaking in a machine learning system. Various methods have been investigated and evaluated based on previous research; the methods used in this thesis are a large language model (LLM) for code analysis and a membership inference attack on models to test their privacy level. The LLM code analysis results show that the Llama 3 (an LLM) model had an accuracy of 90% in identifying malicious code that attempts to steal sensitive patient data. The model analysis can evaluate and determine membership inference of sensitive patient data used for training in machine learning models, which is essential for determining data leakage a machine learning model can pose in machine learning systems. Further studies in increasing the deterministic and formatting of the LLM‘s responses must be investigated to ensure the robustness of the security system that utilizes LLMs before it can be deployed in a production environment. Further studies of the model analysis can apply a wider variety of evaluations, such as increased size of machine learning model types and increased range of attack testing types of machine learning models, which can be implemented into machine learning systems. / Känsliga data som läcker från ett system kan ha enorma negativa konsekvenser, såsom diskriminering, social stigmatisering och negativa ekonomiska konsekvenser för dem vars data har läckt ut. Därför är det av yttersta vikt att känsliga data inte läcker från ett system. Denna avhandling undersökte olika metoder för att förhindra att känsliga patientdata läcker ut ur ett maskininlärningssystem. Olika metoder har undersökts och utvärderats baserat på tidigare forskning; metoderna som användes i denna avhandling är en stor språkmodell (LLM) för kodanalys och en medlemskapsinfiltrationsattack på maskininlärnings (ML) modeller för att testa modellernas integritetsnivå. Kodanalysresultaten från LLM visar att modellen Llama 3 hade en noggrannhet på 90% i att identifiera skadlig kod som försöker stjäla känsliga patientdata. Modellanalysen kan utvärdera och bestämma medlemskap av känsliga patientdata som används för träning i maskininlärningsmodeller, vilket är avgörande för att bestämma den dataläckage som en maskininlärningsmodell kan exponera. Ytterligare studier för att öka determinismen och formateringen av LLM:s svar måste undersökas för att säkerställa robustheten i säkerhetssystemet som använder LLM:er innan det kan driftsättas i en produktionsmiljö. Vidare studier av modellanalysen kan tillämpa ytterligare bredd av utvärderingar, såsom ökad storlek på maskininlärningsmodelltyper och ökat utbud av attacktesttyper av maskininlärningsmodeller som kan implementeras i maskininlärningssystem.

Bakgrund: Den omänskliga faktorn kan vara en riskfaktor för verksamhetsnyttan, goda arbetsmiljön, säkerheten och hållbarheten i hälso- och sjukvården. Några av anledningarna till att Artificiell Intelligens (AI) har börjat bli realistiskt inom hälso- och sjukvården är datorernas ökade prestanda och tillgång till stora mängder data. AI har potential att fungera som ett verktyg för att implementera digitaliseringen inom hälso- och sjukvården, samtidigt som den mänskliga närvaron kan bevaras. Syfte: Undersöka hur vårdpersonalen förhåller sig till användningen av AI-system och deras upplevelse av kontroll och ansvar. Metod: Kvalitativ design används och semistrukturerade intervjuer genomfördes. Inledningsvis användes allmänna frågor för att fånga informanternas tidigare och nuvarande erfarenhet av AI-system i hälso- och sjukvården. Därefter utformades fortsatta frågor enligt vinjettmetoden. Kvalitativ analysmetod användes för att tolka intervjuerna. Resultat: Analysen resulterade i sex kategorier som belyser olika aspekter av vårdpersonalens samarbete med AI-system inom hälso- och sjukvården. Dessa kategorier inkluderar kontrollbehov, samstämmighet, prestation, övervakning, kunskap och prioritering. Diskussion: Motsats till AI kan människor hållas ansvariga för sina beslut och för de beslut som fattas av AI-system. Inom sjukvården upplever vårdpersonalen ett gemensamt helhetsansvar för patientvården, oavsett lagar och regler. Vetskapen om att behöva möta patienter eller anhöriga och framföra dåliga nyheter, är det som verkligen sätter ansvaret i perspektiv. Vid felaktigheter påverkas hela vårdteamet, även om de inte själva orsakat felet. I framtiden kommer vårdpersonalens roll att gå från att vara bedömare till att vara övervakare. Denna förändring kan dock orsaka problem, eftersom vårdpersonalens kontrollbehov för AI-system minskar i akuta situationer. I dessa situationer fokuserar vårdpersonalen på att normalisera situationen och prioriterar bort allt annat. Beslut som fattas görs med medvetenheten om att de sannolikt behöver omprövas när situationen har stabiliserats. Detta problematiserar den nya rollen som övervakare, eftersom vårdpersonalen i dessa situationer egentligen borde ha större fokus på att se till att AI-systemet fungerar korrekt. Slutsats: Det är osannolikt att vårdpersonalen kommer att kunna hantera de snabba och komplexa beslut som AI-systemet gör. Det kommer kräva ökad kunskap från vårdpersonalen för att identifiera situationer där AI-systemet kan göra fel och i händelse av en akut situation kommer personalen att prioritera detta över andra åtaganden. För att etablera ett samarbete mellan människa och maskin inom vården krävs utbildning och förståelse för det skifte som sker för vårdpersonalens roll, att gå från bedömning till övervakning av AI-systemen. / Background: The inhumane factor can be a risk factor for operational benefit, good working environment, safety and sustainability in healthcare. Some of the reasons why Artificial Intelligence (AI) has started to become realistic in healthcare are the increased performance of computers and access to large amounts of data. AI has the potential to act as a tool to implement digitization in healthcare, while preserving the human presence. Purpose: Investigate how healthcare professionals relate to the use of AI systems and their experience of control and responsibility. Method: Qualitative design is used and semi-structured interviews were conducted. Initially, general questions were used to capture the informants' previous and current experience with AI-systems in healthcare. Further questions were then designed according to the vignette method. Qualitative analysis method was used to interpret the interviews. Results: The analysis resulted in six categories that highlight different aspects of healthcare professionals collaboration with AI-systems in healthcare. These categories include control needs, compliance, performance, monitoring, knowledge, and prioritization. Discussion: Unlike AI, humans can be held accountable for their decisions and for the decisions made by AI-systems. In healthcare, the healthcare professionals experience a shared overall responsibility for patient care, regardless of laws and regulations. The knowledge of having to meet patients or relatives and deliver bad news is what really puts the responsibility into perspective. In the event of errors, the entire healthcare team is affected, even if they did not cause the error themselves. In the future, the role of healthcare professionals will change from being an assessor to instead monitor the AI-system. However, this change can cause problems, as healthcare professionals control needs for AI-systems are reduced in emergency situations. In these situations, the healthcare professionals focus on normalizing the situation and deprioritises everything else. Decisions that are made are made with the awareness that they will likely need to be reconsidered once the situation has stabilized. This problematizes the new role of supervisor, because in these situations the healthcare professionals should really be more focused on making sure the AI-system is working correctly. Conclusion: It is unlikely that healthcare professionals will be able to handle the rapid and complex decisions made by the AI-system. It will require increased knowledge from the healthcare professional, to identify situations where the AI system can make mistakes and in the event of an emergency, the staff will prioritize this over other commitments. In order to establish a collaboration between humans and machines in healthcare, training and understanding of the shift that is taking place for the role of the healthcare professionals, to go from assessment to monitoring of the AI systems, is required.

The evolution of Language Models (LMs) has enabled building chatbot systems that are capable of human-like dialogues without the need for fine-tuning the chatbot for a specific task. LMs are stateless, which means that a LM-based chatbot does not have a recollection of the past conversation unless it is explicitly included in the input prompt. LMs have limitations in the length of the input prompt, and longer input prompts require more computational and monetary resources, so for longer conversations, it is often infeasible to include the whole conversation history in the input prompt. In this project a short-term memory module is designed and implemented to provide the chatbot context of the past conversation. We are introducing two methods, LimContext method and FullContext method, for producing an abstractive summary of the conversation history, which encompasses much of the relevant conversation history in a compact form that can then be supplied with the input prompt in a resource-effective way. To test these short-term memory implementations in practice, a user study is conducted where these two methods are introduced to 9 participants. Data is collected during the user study and each participant answers a survey after the conversation. These results are analyzed to assess the user experience of the two methods and the user experience between the two methods, and to assess the effectiveness of the prompt design for both answer generation and abstractive summarization tasks. According to the statistical analysis, the FullContext method method produced a better user experience, and this finding was in line with the user feedback. / Utvecklingen av LMs har gjort det möjligt att bygga chatbotsystem kapabla till mänskliga dialoger utan behov av att finjustera chatboten för ett specifikt uppdrag. LMs är stateless, vilket betyder att en chatbot baserad på en LM inte sparar tidigare delar av konversationen om de inte uttryckligen ingår i prompten. LMs begränsar längden av prompten, och längre prompter kräver mer beräknings- och monetära resurser. Således är det ofta omöjligt att inkludera hela konversationshistoriken i prompten. I detta projekt utarbetas och implementeras en korttidsminnesmodul, vars syfte är att tillhandahålla chatboten kontexten av den tidigare konversationen. Vi introducerar två metoder, LimContext metod och FullContext metod, för att ta fram en abstrakt sammanfattning av konversationshistoriken. Sammanfattningen omfattar mycket av det relevanta samtalet i en kompakt form, och kan sedan resurseffektivt förses med den påföljande prompten. För att testa dessa korttidsminnesimplementationer i praktiken genomförs en användarstudie där de två metoderna introduceras för 9-deltagare. Data samlas in under användarstudier. Varje deltagare svarar på en enkät efter samtalet. Resultaten analyseras för att bedöma användarupplevelsen av de två metoderna och användarupplevelsen mellan de två metoderna, och för att bedöma effektiviteten av den snabba designen för både svarsgenerering och abstrakta summeringsuppgifter. Enligt den statistiska analysen gav metoden FullContext metod en bättre användarupplevelse. Detta fynd var även i linje med användarnas feedback.

The topic of this thesis is the detoxification of language in social networks with a particular focus on style transfer techniques that combine deep learning and linguistic resources. In today’s digital landscape, social networks are rife with communication that can often be toxic, either intentionally or unintentionally. Given the pervasiveness of social media and the potential for toxic language to perpetuate negativity and polarization, this study addresses the problem of toxic language and its transformation into more neutral expressions. The importance of this issue is underscored by the need to promote non-toxic communication in the social networks that are an integral part of modern society. The complexity of natural language and the subtleties of what constitutes toxicity make this a challenging problem worthy of study. To address this problem, this research proposes two models, LexiconGST and MultiLexiconGST, developed based on the Delete&Generate framework. These models integrate linguistic resources into the detoxification system to guide deep learning techniques. Experimental results show that the proposed models perform commendably in the detoxification task compared to stateof-the-art methods. The integration of linguistic resources with deep learning techniques is confirmed to improve the performance of detoxification systems. Finally, this research has implications for social media platforms and online communities, which can now implement more effective moderation tools to promote non-toxic communication. It also opens lines of further research to generalize our proposed method to other text styles. / Ämnet för denna avhandling är avgiftning av språk i sociala nätverk med särskilt fokus på stilöverföringstekniker som kombinerar djupinlärning och språkliga resurser. I dagens digitala landskap är sociala nätverk fulla av kommunikation som ofta kan vara giftig, antingen avsiktligt eller oavsiktligt. Med tanke på hur utbredda sociala medier är och hur giftigt språk kan bidra till negativitet och polarisering, tar den här studien upp problemet med giftigt språk och hur det kan omvandlas till mer neutrala uttryck. Vikten av denna fråga understryks av behovet av att främja giftfri kommunikation i de sociala nätverk som är en integrerad del av det moderna samhället. Komplexiteten i naturligt språk och de subtila aspekterna av vad som utgör toxicitet gör detta till ett utmanande problem som är värt att studera. För att ta itu med detta problem föreslår denna forskning två modeller, LexiconGST och MultiLexiconGST, som utvecklats baserat på ramverket Delete&Generate. Dessa modeller integrerar språkliga resurser i avgiftningssystemet för att vägleda djupinlärningstekniker. Experimentella resultat visar att de föreslagna modellerna presterar lovvärt i avgiftningsuppgiften jämfört med toppmoderna metoder. Integrationen av språkliga resurser med djupinlärningstekniker bekräftas för att förbättra prestanda för avgiftningssystem. Slutligen har denna forskning konsekvenser för sociala medieplattformar och onlinegemenskaper, som nu kan implementera mer effektiva modereringsverktyg för att främja giftfri kommunikation. Det öppnar också för ytterligare forskning för att generalisera vår föreslagna metod till andra textstilar.