Artificiell Intelligens, AI är ett ämne vars popularitet ökat explosionsartat under de senaste åren. I takt med det har även användande av AI-genererat material och upphovsrättsliga frågor kring det börjat bli allt vanligare. Målet med den här uppsatsen är att ta tag i en av de frågorna, nämligen hur det gällande upphovsrättsliga läget ser ut för så kallad träningsdata. Frågan är då om de stora ansamlingarna av olika verk som matas in när man utvecklar en ny modell för dessa AI-program att använda sig av ska behandlas som en databas, eller något annat.   För att svara på denna fråga görs då en genomgång av EU-rätt och svensk rätt, där relevanta direktiv och lagrum undersöks och analyseras. Denna genomgång tar huvudsakligen upp Sveriges upphovsrättslag och EU:s databasdirektiv med förarbeten, men även relevanta rättsfall och artiklar från juridiska tidskrifter behandlas.Vidare görs även en analys över hur dessa kan vara tillämpliga för AI-träningsdata och en genomgång av diskussioner kring ämnet, varpå uppsatsen avslutas med en sammanfattning av undersökningen, samt en slutsats över den rättsliga situationen i frågan.

Övervakad maskininlärning har gett goda resultat för automatisk namntaggning. Detta kräver dock manuellt annoterad träningsdata, vilket är krävande att ta fram. Studier har visat att likhet mellan träningsdata och testdata är viktigt för att uppnå bra resultat, men normalt sett tränas system alltid med så mycket data som möjligt, utan hänsyn till dess relevans. Syftet med denna studie är att undersöka om bättre namntaggning kan uppnås genom att utesluta de delar av träningsdatan som inte tillhör samma textdomän som testdatan. För att genomföra detta konstrueras ett system med multinomial logistisk regression som tränas och testas på Stockholm-Umeå Corpus enligt både traditionell och föreslagen metod. Undersökningen visar en liten men signifikant försämring vid användning av enbart domänspecifik träningsdata, ett resultat som dock inte är genomgående för alla delar av undersökningen. Den stora fördelen av att reducera träningsdatan är dock att det ökar maskininlärningens hastighet. För att kunna utnyttja detta föreslås att namntaggning föregås av textklassificering.

Denna rapport beskriver ett projekt vars syfte är att underlätta valet av bakteri- estammar till testpaneler som används av Q-lineas instrument ASTar®. ASTar® är ett automatiserat instrument för snabb antibiotikasensitivitetstestning (AST). Med testpanel menas en uppsättning av bakteriestammar som används för träning av den algoritm som används av ASTar®. De huvudsakliga målen med detta projekt är att ta fram indikatorer som kan användas för att utvärdera en testpanel samt att skapa verktyg för visualisering av en testpanel. Indikatorerna återspeglar en pa- nels spridning, täckning och redundans. Spridning är hur många olika MIC-värden en testpanel innefattar för varje antibiotikum och hur utspridda de är, täckning är antalet MIC-värden som varje antibiotikum har i en testpanel och redundans är kopplat till hur unikt varje MIC-värde på panelen är. Med MIC-värden menas den minsta koncentration av antibiotika som hämmar en bakteries tillväxt. I detta projekt har indikatorer tagits fram för att kunna kvantifiera en panels spridning, täckning och redundans, och enkelt kunna jämföra olika testpaneler utifrån dessa aspekter. Ett skript compare.py har skrivits i programmeringsspråket Python för att skapa en visualisering som jämför de kvantitativa indikatorvärdena för olika paneler i relation till de högsta möjliga värdena. Ytterligare ett skript, master_vis.py har skrivits för att generera olika visualiseringar av en panel och dess täckning, sprid- ning och redundans. Sex olika grafer och två tabeller kan genereras med detta skript. Dessa visualiseringar och tabeller visar bland annat hur utspridda MIC-värdena är på en panel, hur många känsliga, intermediära och resistenta MIC-värden som finns för varje antibiotikum på en panel och hur många unika MIC-värden som finns för varje stam på panelen. Slutligen har även ett tredje skript skrivits, kallat isola- te_selection.py. Detta skript utgår från de framtagna kvantitativa indikatorerna för att välja ett specificerat antal stammar till en panel och utvecklades för att under- söka hur indikatorerna skulle kunna användas för att påverka stamvalet. Möjligen skulle en liknande implementering kunna göras i Q-lineas nuvarande stamvalsskript. Samtliga skript, visualiseringar och beräkningsmetoder som har arbetats fram i det- ta projekt är tänkta att kunna användas av Q-linea för att underlätta deras fram- tagning och utvärdering av testpaneler.

The field of autonomous driving is as active as it has ever been, but the reality where an autonomous vehicle can drive on all roads is currently decades away. Instead, using an on-the-fly learning method, such as qHebb learning, a system can,after some demonstration, learn the appearance of any road and take over the steering wheel. By training in a simulator, the amount and variation of training can increase substantially, however, an on-rails auto-pilot does not sufficiently populate the learning space of such a model. This study aims to explore concepts that can increase the variance in the training data whilst the vehicle trains online. Three computationally light concepts are proposed that each manages to result in a model that can navigate through a simple environment, thus performing better than a model trained solely on the auto-pilot. The most noteworthy approach uses multiple thresholds to detect when the vehicle deviates too much and replicates the action of a human correcting its trajectory. After training on less than 300 frames, a vehicle successfully completed the full test environment using this method. / Autonom körning är ett aktivt område inom både industrin och forskarvärlden, men ännu är en verklighet där förarlösa fordon kan ta sig fram oavsett väg, decennier bort. Istället kan man genom att använda en adaptiv inlärningsmodell som qHebb learning uppnå ett system som kan ta sig fram självmant på alla vägar, efter en initial inlärningsperiod. Genom att använda en simulator skulle möjligheten att träna en sådan modell öka avsevärt, likaså variationen av vägtyper och det omgivande landskapet. Dock klarar inte en enformig autopilot att fylla modellens lärningsrymd. Detta arbete stävar efter att utforska koncept som kan öka variationen på träningsdatan, medan fordonet kör. Tre prestandalätta metoder presenteras som alla överträffar autopiloten och resulterar i en modell som lärt sig att följa en väg längs kurvor och raksträckor. Det främsta konceptet använder sig av två tröskelvärden för att korrigera fordonets styrning då den avviker för mycket från den korrekta rutten. Efter träning på färre än 300 bilder lyckas denna metod slutföra alla testsegment utan kollision.

This master’s thesis investigates generative AI-art through the lens of actor network theory. By focusing on the role of images in datasets as a material that effects both AI-models and artworks, the decisively non-human agencies generative AI-models can be said to possess, and the traces and associations that generative AI-models imbue artworks with, this thesis aims to investigate art that has been created with GAN-models as well as contemporary text-to-image diffusion-models, by way of similar premises. Forgoing common discussions and questions regarding the status of AI-art as art that inundate many a reasoning regarding this topic, this thesis instead investigates the use of generative AI to make images and art with an understanding of it as a multifaceted practice that can be observed and experienced in a variety of ways.  General topics such as the way images are used to train AI-models, the blurry connections between trained images and generated images, the way AI-models can be used and interacted with by using prompts as well as different kinds of interfaces and AI-Image-generators, are investigated, followed by the analysis of a number of artworks for which generative AI has been used. Throughout this study generative AI-art emerges as a both novel and oftentimes contested artform that is defined by direct and indirect connection to other media, a varied understanding of what it is that the artificial intelligence appears to do, and a use of the AI-artwork as a means to comment the mediums emerging characteristics.