Search

This is a multidisciplinary project, at the intersection between interaction design, software development and media art. Human-Powered Interactions (HPI) is a field of Human-Computer Interactions (HCI) interested in self-sustainable systems in which power generation and the user interaction are simultaneous, unlike, for example, dynamo torches which have rechargeable batteries. Commonly found on electronic readers, Electronic Paper (e-paper) screens are ultra-low powered and do not require electricity for images to stay displayed, only to refresh them. This project explores these technologies through the prism of art, by designing and building The Human-Powered Generative Art Machine, an interactive hand-crank-powered generative art frame with an e-paper display. Through an interview with a researcher working in the field, a series of hands-on workshops and the construction of the machine, I delve into several questions around HPI, e-paper and generative art. The research uncovers new opportunities around programming and creative practices, to understand the constraints of these technologies and how to work around them. Det här är ett tvärvetenskapligt projekt i skärningspunkten mellan interaktionsdesign, mjukvaruutveckling och mediekonst. Människodrivna Interaktioner är ett område inom Människa–DatorInteraktion som intresserar sig för självförsörjande system där kraftgenerering och användarinteraktion sker samtidigt, till skillnad från t.ex. dynamoficklampor som har uppladdningsbara batterier. Elektroniska pappersskärmar, som är vanliga i elektroniska läsplattor, har extremt låg energiförbrukning och kräver inte elektricitet för att bilderna ska visas, utan endast för att uppdatera dem. I detta projekt undersöktes dessa tekniker genom konstens prisma genom att utforma och bygga The Human-Powered Generative Art Machine, en interaktiv, handkrankdriven, generativ konstram med en e-papper-skärm. Genom en intervju med en forskare som arbetar på området, en serie praktiska workshops och en materialutforskning fördjupar jag mig i flera frågor kring Människodrivna Interaktioner, e-papper och generativ konst. Forskningen avslöjar nya möjligheter i fråga om programmering och kreativa metoder för att förstå begränsningarna i denna teknik och hur man kan arbeta runt dem.

This research paper is designed as a position paper with empirical elements to analyze the role of AI in the field of art. This work is separated in different parts of analysis, starting by the philosophy of art and its possible meaning in our society, human mind and its correlation with art and Artificial Intelligence. Then, the question of usage of AI in art will be risen. The discussion about AI in art can be separated into 2 parts: AI as a tool for art and AI as an artist. In order to see how those positions in the artistic field are possible, a theoretical research will be made. Moreover, an interview and the ”Turing” test will be launched with people who are related to the field of art, AI or none of them. This will be made in order to reflect on the matter from a practical point of view. The practical research and the theoretical one will be analyzed together. Denna forskningsartikel är utformad som en positionsuppsats med empiriska inslag för att analysera AI:s roll inom konstområdet. Detta arbete är separerat i olika delar av analysen, med början i konstens filosofi och dess möjliga betydelse i vårt samhälle, mänskliga sinne och dess samband med konst och artificiell intelligens. Då kommer frågan om användningen av AI i konsten att väckas. Diskussionen om AI i konst kan delas upp i 2 delar: Ai som verktyg för konst och AI som konstnär. För att se hur dessa positioner inom det konstnärliga området är möjliga kommer den teoretiska forskningen att göras, liksom intervjun och ”turing”-testet kommer att lanseras med personer som är relaterade till konstområdet, AI eller ingen av dem kommer att göra det. göras för att reflektera över saken från den praktiska synpunkten. Den praktiska forskningen och den teoretiska kommer att analyseras tillsammans.

storage devices in micro sizes are receiving more and more attention. One of them, on-paper Microsupercapacitors (MSCs), has become a key energy storage device because of its good mechanical flexibility and high power density. In this project, a triphase system with electrochemically exfoliated graphene and graphene quantum dots to synergistically stabilize PEDOT:PSS in ethylene glycol/water solvent was developed for scalable and reliable inkjet printing. Without any post-treatment, the printed patterns with a large thickness (up to 9 μm, about 0.4 μm per layer) attain a sheet resistance of as low as 4 Ω2−1 and high resolution at a small drop spacing of 10 μm. Thanks to these feature, the areal capacitance of the on-paper MSCs can reach >2 mF cm−2 at a high scan rate of 1000 mV s−1. The device also exhibits excellent mechanical flexibility, long cycle life (>95% capacitance retention after 10000 cycles CV test) and long service time (retain 84% capacitance after 4 months in air without any encapsulation). Moreover, we can directly print the interconnect to connect 4 devices on paper substrate in series or in parallel and thus get rid of metal current collector. Med den snabba utvecklingen av flexibel och bärbar elektronik får energilagringsenheter i mikrostorlek allt mer uppmärksamhet. En av dem, mikrosuperkondensatorer (MSC) på papper, har blivit en viktig energilagringsenhet på grund av sin goda mekaniska flexibilitet och höga effekttäthet. I det här projektet utvecklades ett trefasigt system med elektrokemiskt exfolierad grafen och grafenkvantprickar för att synergistiskt stabilisera PEDOT:PSS i etylenglykol/vattenlösningsmedel för skalbar och tillförlitlig bläckstråleutskrift. Utan någon efterbehandling uppnår de tryckta mönstren med stor tjocklek (upp till 9 μm, ca 0,4 μmper lager) ett arkmotstånd på så lågt som 4 Ω2−1 och hög upplösning vid ett litet droppavstånd på 10 μm. Tack vare dessa egenskaper kan den ytliga kapacitansen hos MSC på papper nå >2 mF cm−2 vid en hög skanningshastighet på 1000 mV s−1. Anordningen uppvisar också utmärkt mekanisk flexibilitet, lång livslängd (>95% kapacitansbehållning efter 10000 cykler i CV-test) och lång livslängd (behåller 84% kapacitans efter 4 månader i luft utan inkapsling). Dessutom kan vi direkt skriva ut kopplingen för att ansluta fyra enheter på papperssubstratet i serie eller parallellt och på så sätt bli av med metallströmkollektorn.

The project presented in this report is set out to develop a portable electronic system to be used as a medicine pill container. With the functionality to configure up to twelve daily repeated alarms, the purpose of the medicine dosage system is first and foremost to remind the user when they should take their medicine. Secondly, LED lights and user-recorded voice notifications are to be implemented to further aid the user in taking the right medicine each time. The device is also to have a memory log, recording up to one hundred missed dosages, enabling an authorized medicine professional to verify the medicine adherence of the user.Prior to the start of the project, an outline for the functionality and physical appearance of the device was set by the project owner, Victrix AB. This project covers the hardware and software development, as well as the design choices within. The aim is to follow the proposed functionality specification as close as possible, while making justified hardware and software choices considering simplicity, efficiency, power consumption, and availability. By following the specification, the goal is ultimately to increase the medicine adherence for users of the device developed with this thesis.Using qualitative research methods, a valid background study was created, preceding the development of the medicine dosage system. Hardware for a first prototype of the device was then chosen based on the gathered information about existing technologies and related work. With thorough testing and recurrent information exchange with the client, a prototype of the medicine dosage system, based on an Arduino microcontroller, was constructed. The prototype was evaluated to fulfill 92% of the requirements considered as high priority by Victrix. Projektet som presenteras i denna rapport är tänkt att utveckla ett portabelt elektroniskt system för användning som en medicinsk pillerbehållare. Med funktionaliteten att konfigurera upp till tolv dagligen upprepande alarm är syftet med medicindoseringssystemet först och främst att påminna användaren när de ska ta sin medicin. Lysdioder och användarens egna inspelade röst som notifikationer ska implementeras för att vidare hjälpa användaren att ta rätt medicin vid varje tillfälle. Enheten ska också ha en minneslogg som sparar upp till etthundra missade doseringar, vilket gör det möjligt för auktoriserad sjukvårdspersonal att verifiera användarens följsamhet till medicineringen.En översiktlig beskrivning av funktionaliteten samt det fysiska utseendet av enheten skrevs av projektägaren Victrix AB innan projektet startades. Det som detta projekt täcker är hårdvaruoch mjukvaruutvecklingen, så väl som där tillhörande designval. Projektet siktar på att följa den föreslagna funktionalitetsspecifikationen så nära som möjligt, och samtidigt göra välgrundade val för hårdoch mjukvara med enkelhet, effektivitet, energiförbrukning och tillgänglighet i åtanke. Genom att följa specifikationen är det slutliga målet att frambringa ökad medicinföljsamhet för användare av den med det här projektet utvecklade enheten.Utvecklingen av medicindoseringssystemet föregicks av en befogad bakgrundsstudie utformad genom användningen av kvalitativa forskningsmetoder. Hårdvara att användas för en första prototyp av enheten valdes sedan baserat på den insamlade informationen om existerande teknologier och relaterat arbete. Genom grundliga tester och regelbundet informationsutbyte med kunden konstruerades en prototyp av medicindoseringssystemet baserat på en Arduinomikrokontroller. Prototypen utvärderades att uppfylla 92% av kraven som Victrix ansåg vara av hög prioritet.

The Linz Center of Mechatronics’ SymSpace platform is designed to provide intelligent design and training for the traditional engineer training and industrial design approach in the field of motor design, which relies on the engineer’s own experience and manual work. This paper first analyzes and explores the usage patterns and possible improvement perspectives of motor design components using SymSpace user data. Then an attempt is made to summarize the motor design manual provided by LCM using a text summary model and use it for training engineers. Next, a question-and-answer system model was used to try to provide an aid system for engineers in design. The evaluation of text summaries and question and answer systems is difficult in the motor design domain because the amount of redundant textual information in this domain is small and key information is often presented in detail rather than in the main stem of the sentence. In this case, instead of evaluating the model using traditional machine scores, this paper refers to the feedback from LCM experts as future users. The final results show that, despite the problems of difficulty in explaining the reasons; the possibility of being misleading; and the loss of information details, both attempts are generally positive and the exploration in this direction is worthwhile. Symspace från Linz Center of Mechatronics är utformad för att tillhandahålla intelligent design och utbildning för den traditionella ingenjörsutbildningen och den industriella designmetoden inom motorkonstruktion, som bygger på ingenjörens egen erfarenhet och manuellt arbete. I den här artikeln analyseras och utforskas först användningsmönster och möjliga förbättringsperspektiv för komponenter för motorkonstruktion med hjälp av användaruppgifter från Symspace. Därefter görs ett försök att sammanfatta den motorkonstruktionshandbok som tillhandahålls av LCM med hjälp av en modell för textsammanfattningar och använda den för att utbilda ingenjörer. Därefter användes en modell för ett system med frågor och svar för att försöka tillhandahålla ett hjälpsystem för ingenjörer vid konstruktion. Utvärderingen av textsammanfattningar och fråga-och-svar-system är svår inom motorkonstruktionsområdet eftersom mängden överflödig textinformation inom detta område är liten och nyckelinformation ofta presenteras i detalj snarare än i huvudstammen av meningen. I det här fallet hänvisar den här artikeln i stället för att utvärdera modellen med hjälp av traditionella maskinpoäng till feedback från LCM-experter som framtida användare. De slutliga resultaten visar att trots problemen med svårigheten att förklara orsakerna, möjligheten att vara vilseledande och förlusten av informationsdetaljer är båda försöken generellt sett positiva och att utforskningen i denna riktning är värd att fortsätta.

Generative machine learning models are capable of generating remarkably realistic samples. Some models generate images that look entirely natural, and others generate text that reads as if a human wrote it. However, judging the quality of these models is a major challenge. Today, the most convincing method is to use humans to evaluate the quality of generated samples. However, humans are biased, costly, and inefficient. Therefore, there is a great need for automatic methods. MAUVE is a recent advancement in the evaluation of generative text models. It compares generated data with real data and returns a score that quantifies their similarity. This is accomplished with the help of a neural network, which provides the understanding of text required to evaluate its quality. MAUVE is motivated by its correspondence with human judgment, and this is shown in multiple experiments. This thesis contributes in two significant ways: First, we complement experiments and discussions made in the original paper. Importantly, we demonstrate that MAUVE sometimes fails to recognize quality differences between generative models. This failure is due to the choice of neural network. Later, we demonstrate that MAUVE can be used for more than just text evaluation. Specifically, we show that it can be applied to images. This is accomplished by using a neural network specialized in image recognition. However, the steps can be repeated for any data type, meaning that MAUVE can potentially become a more generalized measurement than suggested in the original paper. Our second contribution is an extension toMAUVEcalled Sequence-MAUVE (S-MAUVE). The score MAUVE produces can be seen as an average of the overall quality of generated text. However, some generative models initially produce excellent text, but see drops in quality as the sequences grow longer. Therefore, a single score that represents entire sequences is likely to omit important details. Instead, S-MAUVE evaluates generated text at the smallest possible level. The result is a sequence of scores, which give users more detailed feedback about the behavior of a generative model. Generativa maskininlärningsmodeller kan generera data av enastående kvalitet. Vissa modeller genererar bilder av ansikten som ser helt realistiska ut, och andra genererar text som verkar varit skriven av en människa. Trots detta så är det inte klart hur dessa modeller ska evalueras. Idag så är den främsta metoden mänsklig evaluering: En person får utgöra huruvida generade data verkar realistisk eller inte. Mänsklig evaluering har flera nackdelar. Människor är partiska, dyra och långsamma. Därför behövs det automatiska evalueringsverktyg. MAUVE är ett ny metod för att evaluera generative textmodeller som jämför hur lik genererad data är med äkta data. Detta åstadkoms med hjälp av ett neuralt nätverk, som bidrar med den förståelse av text som krävs för att evaluera den. MAUVE är motiverat av att dess omdömen överensstämmer med mänsklig evaluering. Den här uppsatsen bidrar på två sätt. Till att börja med komplementerar vi experiment och diskussioner gjorda i den ursprungliga rapporten o m MAUVE. Till exempel så visar vi att MAUVE ibland inte lyckas känna av kvalitetsskillnader mellan olika generativa modeller. Detta på grund av val av neuralt nätverk. Efteråt så demonstrerar vi att MAUVE kan appliceras på andra typer av data än text. Mer specifikt så applicerar vi MAUVE på bilder. Detta åstadkoms genom att använda ett neuralt nätverk specialiserat på bildigenkänning, istället för text. Stegen vi följer kan upprepas för vilken typ av data som helst, vilket innebär att MAUVE kan användas som ett mer generellt mått än vad den ursprungliga artikeln ger sken för. Vårt andra bidrag är att utveckla MAUVE till det vi kallar för S-MAUVE. MAUVE använder bara sammanfattningar av hela texter som bas för sina jämförelser. En konsekvens av det är att den endast gör påståenden om textdatas genomsnittliga kvalitet. Men, det är välkänt att kvaliteten hos genererad textdata kan variera beroende på var i texten man befinner sig. Många generativa textmodeller producerar sekvenser som är verklighetstrogna i början, men blir sämre och repetitiva senare. Till skillnad från MAUVE så evaluerar S-MAUVE genererad text på minsta möjliga detaljnivå. Resultaten är en sekvens av poäng, som ger användare mer information om egenskaperna hos den studerade generativa modellen.

This paper reviews the Open Charge Point Protocol (OCPP) and implements a Charging Station Management System (CSMS) targeting heavy-duty trucks. The new technique proposed in this paper is designed to maximize Electric vehicle (EV) owner benefits by charging at a low cost, and also the electric utility benefits (operating the system within the acceptable limits) by proper choice of electricity tariff structure. EV owners can be motivated to charge at off-peak hours which have low electricity prices and stop charging at peak hours which have high electricity prices. Detta dokument granskar Open Charge Point Protocol (OCPP) och implementerar en Charging Station Management System (CSMS) inriktat på tunga lastbilar. Den nya tekniken som föreslås i detta dokument är utformad för att maximera fördelarna för ägare av elfordon (EV) genom att ladda till en låg kostnad, och även fördelarna med elnätet (drift av systemet inom acceptabla gränser) genom korrekt val av elprisstruktur. Elbilsägare kan motiveras att ladda under lågtrafik som har låga elpriser och sluta ladda under rusningstid som har höga elpriser.

Blockchain is an emerging technology that has been gaining popularity in many sectors over recent years. Being a disruptive and innovative technology, it has the potential to revolutionize the supply chain sector due to the many benefits it brings, such as security and automation. This paper sets out to look into what value blockchain can bring to the supply chain. A literature review was conducted on existing research based on blockchain uses in the supply chain. This was done to better understand the literature gap on the subject. This led to an interview study where blockchain experts from different areas in the supply chain sector were contacted to get a better understanding of what values can be created and what benefits blockchain can bring. The findings demonstrate that blockchain has great potential in the supply chain sector and has already shown its benefits in somecases. The maincontributions blockchain brings to supply chains are the value of creating trust in data and providing automation, which leads to many major benefits throughout supply chains. Blockchain brings an increase in trust of data as it creates one source of information for everyone involved in the supply chain. Automation of the supply chain means many manual processes of the supply chain can be automated. In this paper we look at real-life cases where blockchain has been implemented in the supply chain and what values it creates. Nevertheless, it seems that there is a lack of knowledge about the benefits and the potential uses of the technology. Blockchain är en ny teknik som har blivit allt populärare inom många sektorer under de senaste åren. Eftersom det är en störande och innovativ teknik har den potential att revolutionera försörjningskedjesektorn på grund av de många fördelar den medför, som säkerhet och automatisering. I den här artikeln vill vi undersöka vilket värde blockkedjan kan tillföra försörjningskedjan. En litteraturöversikt genomfördes om befintlig forskning baserad på blockkedjeanvändning i försörjningskedjan. Detta gjordes för att bättre förstå litteraturbristen i ämnet. Detta ledde till en intervjustudie där blockkedjeexperter från olika områden inom försörjningskedjesektorn kontaktades för att få en bättre förståelse för vilka värden som kan skapas och vilka fördelar blockkedjan kan medföra. Resultaten visar att blockchain har stor potential inom försörjningskedjesektorn och har redan visat sina fördelar i vissa fall. De viktigaste bidragen som blockkedjan ger till försörjningskedjor är värdet av att skapa förtroende för data och tillhandahålla automatisering, vilket leder till många stora fördelar i hela försörjningskedjan. Blockkedjan medför en ökning av förtroendet för data eftersom den skapar en enda informationskälla för alla som är involverade i försörjningskedjan. Automatisering av försörjningskedjan innebär att många manuella processer i försörjningskedjan kan automatiseras. I den här artikeln tittar vi på verkliga fall där blockchain har implementerats i försörjningskedjan och vilka värden det skapar. Trots detta verkar det som om det finns en brist på kunskap om fördelarna och de potentiella användningsområdena för tekniken.

Creative AI in the music field has in recent years begun stepping out of the confines of academia and seen increased adoption among musicians thanks to developers launching consumer products powered by AI. These new tools are opening up new possibilities in music-making, but their increased use and development prompts inquiry regarding their sustainability. While studies have been conducted on the sustainability of training AI models, the sustainability of the usage of Creative AI remains largely unexplored. To amend this, this paper studies the energy consumption of using four music-related browser-based Creative AI tools. The four tools are Tone Transfer, Piano Scribe, MidiMe and Performance RNN, all developed by Google Magenta. The energy consumption of the tools was found by measuring the power provided to the computer. This was done by connecting a smart plug between the computer’s power cord and the wall socket. We found that Tone Transfer consumed the most energy per use with an average energy consumption of 392 J. MidiMe consumed the least energy per use with 138 J. All the tools consumed less energy per use than leaving the computer running in steady-state for 70 seconds. With this study, we have shown that the usage of music-related Creative AI tools does not represent a threat to sustainability goals. Our findings indicate that the tools studied in this paper manage to be efficient, while being both powerful and useful. This disputes the notion that there is a trade-off between performance and efficiency in the design of AI tools. We postulate that when developing tools for local use by consumers, developers are bound by limitations that force them to design efficient tools. Kreativ AI inom musikområdet har under de senaste åren börjat ta sig ut ur den akademiska världens ramar och anammats i högre grad bland musiker. Detta tack vare att utvecklare börjat lanserat konsumentprodukter som drivs av AI. Dessa nya verktyg öppnar upp för nya möjligheter inom musikskapande, men deras ökade användning och utveckling föranleder undersökningar om deras hållbarhet. Även om studier har gjorts gällande hållbarheten av att träna AI-modeller, är hållbarheten av användningen av Kreativ AI fortfarande till stor del outforskat. För att ändra detta studerar vi i denna artikel energiförbrukningen av att använda fyra musikrelaterade webbläsarbaserade Kreativa AI-verktyg. De fyra verktygen är Tone Transfer, Piano Scribe, MidiMe och Performance RNN, alla utvecklade av Google Magenta. Verktygens energiförbrukning hittades genom att mäta effekten till datorn. Detta gjordes genom att ansluta en smart kontakt mellan datorns nätsladd och vägguttaget. Vi fann att Tone Transfer förbrukade mest energi per användning med en genomsnittlig energiförbrukning på 392 J. MidiMe förbrukade minst energi per användning med 138 J. Alla verktyg förbrukade mindre energi per användning än vad som konsumeras av att låta datorn vara igång i steady-state i 70 sekunder. Med denna studie har vi visat att användningen av musikrelaterade Kreativa AI-verktyg inte utgör ett hot mot hållbarhetsmål. Våra resultat tyder på att verktygen som studerats i denna artikel lyckas vara effektiva, samtidigt som de är både kraftfulla och användbara. Detta ifrågasätter uppfattningen om att det finns en avvägning mellan prestanda och effektivitet i utformningen av AI-verktyg. Vi anser att när utvecklare utvecklar verktyg för lokal användning av konsumenter är utvecklare bundna av begränsningar som tvingar dem att designa effektiva verktyg.

Users face many risks while being online, including ones posed by their own actions, such as keeping the same passwords on multiple services. This makes them potential victims of account takeovers, in which a hacker uses stolen credentials to acquire and use accounts for their own benefit. However, few papers have researched how users experience these incidents, and how this affects their trust in the service. To fill this research gap, 4 users that were part of the same account takeover incident were interviewed. Storytelling was used to present and analyse the interviews. One participant experienced the takeover as it happened, while the other three learned about it after it was mitigated. The results show that the role the user took, and how they valued the platform, affected their trust. This paper contributes to research by giving in-depth insights into account takeovers, and what challenges and opportunities the systems face. Användare står inför många risker när de är online, inklusive de som orsakas av deras egna handlingar, som att behålla samma lösenord på flera tjänster. Detta gör dem till potentiella offer för kontoövertaganden, där en hackare använder stulna inloggningsuppgifter för att ta kontroll över och använda konton till sin egen fördel. Men få studier har undersökt hur användare upplever dessa incidenter och hur detta påverkar deras förtroende för tjänsten. För att bidra med kunskap inom detta område intervjuades 4 användare som ingick i samma incident med kontoövertagelser. Storytelling användes för att presentera och analysera intervjuerna. En deltagare upplevde övertagandet medan det hände, medan de andra tre f ick veta om det efter att det hanterats. Resultaten visar att den roll användaren tog, och hur de värderade plattformen, påverkade deras förtroende. Denna artikel bidrar till forskningen genom att ge ingående insikter om övertaganden och vilka utmaningar och möjligheter systemen står inför.

Persuasive Technology(PT) was pioneered by BJ Fogg. The theory has been developed in several aspects and applied in education, health, entertainment, and online shopping. Short-form video application TikTok first launched in the media market in 2016. During the global COVID-19 pandemic period, the growing popularity of TikTok helped it reach over 800 million users. As the new form of social media, it is persuasively shaping people’s life. The paper aims to investigate the relationship between behavior change and TikTok usage. Quantitative and qualitative research methods were used to investigate 178 participants. The research mainly focused on Chinese university students whose ages are around 18 to 25 as the target group. The result shows that 57.3% of participants feel the behavior change and 15.7% of them are not sure about that. In the qualitative research, from the in-depth interview, participants who are not sure about the effect also make using TikTok a habit without perception. The findings of this paper provide evidence that TikTok as a persuasive system has effects on users’ behavior and even changed their attitudes. The ethical concerns and sustainability are also discussed in the following parts. Persuasive Technology(PT) var banbrytande av BJ Fogg. Teorin har utvecklats i flera aspekter och tillämpats inom utbildning, hälsa, underhållning och online shopping. Kortformad videoapplikation TikTok lanserades först på mediemarknaden 2016. Under den globala covid-19-pandemiperioden hjälpte TikToks växande popularitet det att nå över 800 miljoner användare. Som den nya formen av sociala medier formar det på ett övertygande sätt människors liv. Uppsatsen syftar till att undersöka sambandet mellan beteendeförändring och TikTok-användning. Kvantitativa och kvalitativa forskningsmetoder användes för att undersöka 178 deltagare. Forskningen fokuserade främst på kinesiska universitetsstudenter vars ålder är runt 18 till 25 som målgrupp. Resultatet visar att 57,3 % av deltagarna känner att beteendet förändras och 15,7 % av dem är inte säkra på det. I den kvalitativa forskningen, från djupintervjun, gör deltagare som inte är säkra på effekten också att använda TikTok till en vana utan uppfattning. Resultaten av detta dokument ger bevis på att TikTok som ett övertygande system har effekter på användarnas beteende och till och med förändrat deras attityder. De etiska aspekterna och hållbarhet diskuteras också i följande delar.

Transformer models, delivering big improvement in AI text-models (NLP), are now being applied in Knowledge Tracing to track the knowledge of students over time. One of the first, SAINT, showed quite some improvement over the then SOTA results on the public EdNet dataset and caused an increase in research based on transformer-based models. In this paper, we firstly aim to reproduce the SAINT results on the EdNet dataset but are unable to report a similar performance as the original paper. This might be due to implementation details, which we were not able to completely reconstruct. We hope to pave the road for further reproducibility, as an increasingly important part of AI research. Furthermore, we apply the model to a company dataset much larger than any public dataset (more interactions, more exercises and more skills). Such a dataset is on the one hand more challenging (more skills mixed), and on the other hand, provides much more data (which should help our models). We compare the SAINT model and the seminal IRT model, and find that the SAINT model performance is 4% better in AUC but 1.7% worse in RMSE. Our experiments on window size suggest that transformer models still struggle with modelling beyond recent performance, and do not yet deliver the step-change observed in NLP. Transformermodeller, som ger stora förbättringar av AI-textmodeller (NLP), används nu i Knowledge Tracing för att spåra elevernas kunskaper över tid. En av de första, SAINT, visade en hel del förbättring jämfört med de dåvarande SOTA-resultaten på den offentliga EdNet-datauppsättningen och orsakade en ökning av forskning baserad på transformerbaserade modeller. I denna artikeln siktar vi först efter att återskapa SAINT-resultaten på EdNet-datauppsättningen, men vi kan inte rapportera liknande prestanda som den ursprungliga uppsatsen. Detta kan bero på implementeringsdetaljer som vi inte kunde rekonstruera helt. Vi hoppas kunna bana väg för ytterligare reproduktioner, som en allt viktigare del av AI-forskningen. Dessutom tillämpar vi modellen på en företagsdatauppsättning som är mycket större än någon offentlig datauppsättning (fler interaktioner, fler övningar och fler färdigheter). En sådan datauppsättning är å ena sidan mer utmanande (mer blandad kompetens), men å andra sidan ger den mycket mer data (vilket borde hjälpa våra modeller). Vi jämför SAINT-modellen och den framträdande IRT-modellen och finner att SAINT-modellens prestanda är 4% bättre i AUC men 1,7% sämre i RMSE. Våra experiment på fönsterstorlek tyder på att transformermodeller fortfarande kämpar med modellering utöver de senaste prestanda och ännu inte levererar den stegförändring som observerats i NLP.

Flying can constitute as much as a third of an academic institution’s total emissions and there’s a growing concern among researchers around their academic travel contributing to global warming. This paper is part of KTH FLIGHT, a research project for decreased CO2-emissions in flight-intensive organizations through creation and testing of practical tools. It is a Research through Design work that provides new knowledge about a previously largely unexplored implementation area of emission trading systems like Cap and Trade. These have previously helped reduce emissions at lower costs than tax based systems in various settings but little research exists in terms of design and important factors for a university to promote more sustainable travel patterns. This paper reveals challenges and opportunities regarding implementation and shows current feasibility in implementing in a Swedish university (KTH), and provides suggestions for choosing suitable users and direction of future research. Flygresor kan utgöra upp till en tredjedel av en akademisk institutions totala utsläpp och det finns en växande oro bland forskare kring att deras resande bidrar till den globala uppvärmningen. Denna rapport är en del av KTH FLIGHT, ett forskningsprojekt med syfte att minska CO2 -utsläpp i flygintensiva organisationer genom att skapa och testa praktiska verktyg. Detta är ett Research through Design-arbete som bidrar med ny kunskap om ett tidigare till stor del outforskat område för implementeringar av utsläppshandelssystem såsom Cap and Trade. Dessa har i olika sammanhang tidigare bidragit till minskade utsläpp med lägre kostnader än skattebaserade system. Men i dagsläget finns det lite forskning gällande dess design och viktiga faktorer för att främja mer hållbara resvanor på ett universitet. Denna uppsats visar på utmaningar och möjligheter vid en implementering och visar aktuell genomförbarhet i ett svenskt universitet (KTH), samt ger förslag på val av lämpliga användare samt inriktning för framtida forskning.

Besides entailing various benefits, AI technologies have also led to increased ethical concerns. Due to the growing attention, a large number of frameworks discussing responsible AI development have been released since 2016. This work aims at analyzing some of these proposals to answer the question (1) “Which approaches can be found to ensure responsible AI development?” For this, the theory section of this paper is looking at various approaches, including (inter-)governmental regulations, research organizations and private companies. Further, expert interviews have been conducted to answer the second research question (2) “How can a unified solution be reached to ensure responsible AI development?” The results of the study have identified the governments as the main driver of this process. Overall, a detailed plan is necessary that brings together the public and private sector as well as research organizations. The paper also points out the importance of education in regard to making AI explainable and comprehensive for everyone. Utöver de fördelar som AI-teknologier har bidragit med, så har även etiska dilemman och problem uppstått. På grund av ökat fokus, har ett stort antal förslag till system och regelverk som diskuterar ansvarstagande AI-utveckling publicerats sedan 2016. Denna rapport kommer analysera ett urval av dessa förslag med avsikt att besvara frågan (1) “Vilka tillvägagångssätt kan försäkra oss om en ansvarsfull AI-utveckling?” För att utforska denna fråga kommer denna rapport analysera olika metoder och tillvägagångssätt, på bland annat mellanstatliga- och statliga regelverk, forskningsgrupper samt privata företag. Dessutom har expertintervjuer genomförts för att besvara den andra problemformuleringen (2) “Hur kan vi nå en övergripande, gemensam, lösning för att försäkra oss om ansvarsfull AI-utveckling?” Denna rapport redogör för att statliga organisationer och myndigheter är den främsta drivkraften för att detta ska ske. Vidare krävs en detaljerad plan som knyter ihop forskningsgrupper med den offentliga- och privata sektorn. Slutligen anser rapporten även att det är av stor vikt för vidare utbildning när det kommer till att göra AI förklarbart och tydligt för alla.

This paper has been a part of developing the serious game Kunna, a web-based game with exercises targeting children diagnosed with dyslexia. This game currently consists of five different exercises aiming to practice reading and writing without a therapist or neuropsychologist present. As Kunna can be used anywhere, tools are needed to understand each individual's capacities and difficulties. Hence, this paper aims to present how a serious game and a support vector machine were used to identify children that performed poorly in Kunna’s exercises. Though, due to the current corona pandemic, Kunna could only be tested on children not diagnosed with dyslexia. Therefore, this paper should be seen as a proof of concept. As an initial step, several variables were identified to measure the performance of dyslectic children. Secondly, the variables were implemented into Kunna and tested on 16 Spanish-speaking children. The results were analyzed to identify how poor performance could be recognized using the identified variables. As a final step, the data was divided into two groups for each exercise, of which one group contained participants who appear to perform poorly. These were participants with clearly outlying values in the number of errors and duration. Thus, to train and evaluate if a Support Vector Machine (SVM) can separate the two groups and thereby identify the participants who performed poorly. From the discussion followed that the SVM is not the most efficient choice for this aim. Instead, it is suggested that future work should consider multiclassification algorithms. Den här uppsatsen har varit en del i utvecklingen av det seriösa spelet Kunna, ett webbaserat spel för barn diagnostiserade med dyslexi. Spelet består av fem olika övningar som syftar till att öva och utveckla barnens läs- och skrivförmåga. Då Kunna kan användas var som helst behövs verktyg för att förstå varje individs kapaciteter och svårigheter. Därför syftar den här uppsatsen till att presentera hur ett seriöst spel och stödvektormaskiner (eng. support vector machine) kan användas för att identifiera de användare som inte uppnådde prestationskraven. På grund av den uppblossande coronapandemin kunde dock Kunna enbart testas på barn som inte var diagnostiserade med dyslexi och därför bör den här uppsatsen ses som en pilotstudie. Inledningsvis identifierades flera variabler för att mäta prestandan hos barn med dyslexi. Därefter implementerades variablerna i Kunna och testades på 16 spansktalande barn där resultaten analyserades i syfte att identifiera samband kopplade till svaga prestationer. Slutligen delades deltagarnas data upp i två grupper, varav en grupp innehöll deltagare med klart högre värden i tid och antal fel. Uppdelningen gjordes för att träna och utvärdera om en stödvektormaskin kan separera de två grupperna och därav identifiera de deltagare som inte uppnådde prestationskraven. De slutliga resultaten indikerar dock att en stödvektormaskin inte är det effektivaste valet för detta ändamål. Istället föreslås att framtida arbeten bör överväga multiklassificeringsalgoritmer.

In this paper, ML models are applied to discover the predictability of show-ups among patients visiting a specific company, Distriktstandvården. The motivation is to enable overbooking of scheduled time-blocks to increase the efficiency of the company’s use of resources. To achieve such efficiency, patient predictability has to be investigated and used. The application of the company’s internal data to train and test a machine learning model is presented and assessed in this paper. The result was that despite there being a large quantity of contributing parameters as well as a vast database to train on, the quality of the parameters and complexity of the task proved to only contribute to a precision quality of 69.3%, where 75% was deemed a desirable target. Despite the efforts in optimizing the model, and with the testing of alternative model candidates, the models did not discover strong links using the provided data for predicting patient show-up. Maskininlärningsmodeller appliceras i denna rapport för att utforska förutsägbarheten av att patienter dyker upp på bokade besök hos företaget Distriktstandvården. Motivationen till utförandet av rapporten är att möjliggöra överbokning av schemalagda besök för att öka företagets inre effektivitet. För att uppnå en sådan effektivitet behöver förutsägbarheten av att patienter dyker upp utforskas och tillämpas. Användandet av företagets interna data i syfte att träna och testa en maskininlärningsmodell presenteras och bedöms därför i denna rapport. Resultatet var att trots tillgängligheten av en stor samling av relevant data, så uppnåddes endast en precision på förutsägbarheten till 69,3% där 75% var satt som mål. Starka bidragande mönster för maskininlärningsprocessen hittades inte inom det tillhandahållna datat trots extensiva optimeringsförsök av modellen i samband med testandet av flertalet alternativ till modellen.

This paper explores novel experiential qualities of the voice in Audio Subtitles through research through design. Audio subtitles is an accessibility service for users who have trouble comprehending subtitles in audiovisual content and has been newly developed for video on demand platforms such as SVT Play. In order to explore possibilities in its voice design, short video clips of films and TV series with different types of audio subtitles were produced, presented to and discussed with a small number of potential users of audio subtitles that included people with dyslexia, cognitive difficulties and autism. Results indicated that applied voices that did not support the user’s expectations, low and high pitches as well as low-quality speech synthesis, made for uncomfortable experiences, which could prove to be useful for provoking reflection and challenging norms. The paper also discusses how voice design for this service has the potential to match the filmmakers intentions by translating more than semantic information, as well as how audio subtitles could potentially be produced by professional sound designers and filmmakers instead of video on demand services. Finally, challenges such as misgendering and insensitive choices of voice in voice design for audio subtitles are considered, underscoring how ethics can’t be avoided when working with the voice modality. Denna uppsats utforskar nya kvaliteter av rösten i uppläst undertext genom research through design, en metod där kunskap skapas genom design processen och reaktioner till design. Uppläst undertext är en tillgänglighetstjänst för användare som har problem med att läsa och följa undertexter i audiovisuellt innehåll och har nyligen utvecklats för video on demand-plattformar som SVT Play. För att utforska möjligheter i dens röstdesign producerades korta videoklipp av filmer och TV-serier med olika typer av uppläst undertext. De presenterades för och diskuterades med ett litet antal potentiella användare av tjänsten, bland dem personer med dyslexi, kognitiva svårigheter och autism. Resultaten indikerade att röster som inte stödde användarens förväntningar, låga och höga tonhöjden samt talsyntes av låg kvalitet, gav obehagliga upplevelser, vilket kan visa sig vara användbart för att framkalla reflektioner och utmana normer. Uppsatsen diskuterar även hur röstdesign för uppläst undertext har potentialen att efterlikna filmskaparnas avsikter genom att översätta mer än semantisk information, och hur ljudundertexter kan produceras av professionella ljuddesigner och filmskapare istället för video on demand tjänster. Slutligen tas utmaningar som felaktig könsbestämning och okänsliga röstval i röstdesign för uppläst undertext i hänsyn, vilket understryker hur etik inte kan undvikas när det arbetas med röst-modaliteten.

Disentanglement is a subcategory to Representaton learning where we, apart from believing that useful properties can be extracted from the data in a more compact form, also envision that the data itself is constituted from a lower-dimensional subset of explanatory factors. Explanatory factors are an ambiguous concept and what they portray varies with the dataset. A dataset constituted of flowers may have stem size and color as explanatory factors, while for another dataset it may be location or position. The explanatory factors are themselves often nested in a complex interaction in order to generate the data. Disentanglement can be summarized as to breaking the potentially complex interaction between the explanatory factors to liberate them from one another. The liberated explanatory factors can then constitute the foundation of the representations, a procedure that is believed to enhance downstream machine learning tasks. Disentangling the explanatory factors in an unsupervised environment has proven to be a difficult task for many reasons, perhaps most notably the lack of knowledge of how many they are and what they reflect. To be able to evaluate the degree of disentanglement attained, we will consider a dataset annotated for us with target labels corresponding to the explanatory factors that generated the data. Knowing the number of explanatory factors gives an indication of what dimensionality the representation should have to at least be able to capture all of the explanatory factors. Many of the empirical studies that have been considered in this paper treat the dimensionality of the representations as a constant when evaluating the degree of disentanglement achieved. The purpose of this paper is to extend the discussion regarding disentanglement by treating the dimensionality of the representations as a variable to be alternated and investigate how this impacts the degree of disentanglement achieved. The experiments performed in this paper do however suggest that the visual inspection of the disentanglement attained in a high dimensional representation space are difficult to interpret and evaluate for the human eye. One is therefore even further reliant on the disentanglement scores, which does not require any human interaction for the evaluation. The disentanglement scores seem to exhibit a static behaviour, not changing as much as one would believe given the visual inspection. Therefore, investigating how the representation dimensionality affect the disentanglement attained among the representations is a delicate matter. Many of the empirical studies considered in this paper suggest that mostly the regularization is impacting the disentanglement. It does however seem like there are far more parameters than originally was expected that need further evaluation to deduce their impact with respect to disentanglement. Utnästling är en underkategori till Representations inlärning där vi inte bara tror att nyttiga egenskaper av datan kan utvinnas i en mer kompakt form, utan också att datan själv är bestående av en lågdimensionell delmängd av förklarande faktorer. Förklarande faktorer är ett tvetydigt begrepp och vad dessa poträtterar är varierande med datasetet i fråga. Ett dataset bestående av blommor kan ha stjälk storlek och färg som förklarande faktorer, medan för ett annat dataset kan detta vara plats eller position. Dem förklarande faktorerna är ofta nästlade i en komplex interaktion för att generera datan. Utnästling kan summeras som att bryta ner denna potentiellt komplexa interaktion mellan dem förklarande faktorerna för att frigöra dem från varandra. Dem frigivna förklarande faktorerna utgör därefter själva grunden till representationerna, en procedur som är betrodd att förbättra nedströms maskininlärningsuppgifter. Att nästla ut dem förklarande faktorerna i en oövervakad omgivning har visat sig vara en svår uppgift av många anledningar, kanske den allra viktigaste är att vi saknar vetskap om hur många dem är och vad dem reflekterar. För att kunna utvärdera graden av utnästling som vi har uppnått så kommer vi att betrakta ett dataset som är annoterat med de förklarande faktorer som genererade datan. Att veta hur många de förklarande faktorerna är ger en indikation av vilken dimensionalitet representationerna bör ha för att åtminstone kunna fånga alla de förklarande faktorerna. Många av de empiriska studier som betraktats i detta papper behandlar dimensionaliteten av representationerna som en konstant när vi utvärderar utnästlingen som uppnåtts. Syftet med detta papper är att förlänga diskussionen runt utnästling genom att behandla dimensionaliteten av representationerna som en variabel att alternera och undersöka hur detta påverkar graden av utnästling som uppnåtts. Experimenten som utförts i detta papper indikerar att visuell inspektion av den uppnådda utnästlingen i ett högdimensionellt representationsrum är svårt att tolka och utvärdera för ett mänskligt öga. Därav är vi ofta beroende av utnästlingspoäng, som inte behöver någon mänsklig interaktion för utvärderingen. Utnästlingspoängen uppvisar dock ett statiskt beteende, och förändras inte till den grad som den visuella inspektionen indikerar. Av just denna anledning är utvärderingen av hur representations dimensionaliteten påverkar utnästlingen uppnådd hos representationerna ett känsligt ämne. Många av de empiriska studier som betraktats i detta papper föreslår att regulariseringen är det som mestadels påverkar utnästlingen. Det verkar huruvida som att där är betydligt fler parametrar än vad som tidigare misstänkts som behöver utvärderas, och i synnerhet deras påverkan på utnästlingen.

Technology and the latest modern infrastructure have uplifted airports worldwide, creating them to be mini-town of their own consisting of all necessary resources from airport ground handling firms, airlines, different government entities, retails, and commercial spaces. The performance of an airport depends on several factors in which passengers are the most crucial resource. There exists no comprehensive, detailed information on passengers' travel at Stockholm- Arlanda Airport. The paper describes the agenda of passenger movements. It reflects on the issues and depreciation of passenger knowledge when transiting through Nordic busiest airport, Stockholm Arlanda Airport. The paper commences with an introduction to a brief, relevant literature study on airport infrastructure technology. Methodology briefs on methods conducted for this study, and consequently is the result presented and discussed from the surveys. Research result compromise of primary interviews from actual passenger transiting through Stockholm- Arlanda Airport. According to the research, the most navigational issues could not be concretely derived due to an on-going pandemic that had several impacts to execute this research detailed. Mainly the drastic impact on the aviation industry during this period affected the result of this paper. This paper needs further examination during no uncertainty in the aviation industry to further develop a tangible result. Teknik och den senaste moderna infrastrukturen har höjt flygplatserna över hela världen och skapat dem för att vara en egen ministad som består av alla nödvändiga resurser från flygplatshanteringsföretag, flygbolag, olika myndigheter, detaljhandeln och kommersiella utrymmen. Prestanda för en flygplats beror på flera faktorer där passagerare är den viktigaste resursen. Det finns ingen omfattande, detaljerad information om passagerares resor till Stockholm- Arlanda flygplats. Uppsatsen beskriver agendan för passagerarrörelser. Den reflekterar över frågor och försämring av kunskap om passagerare vid transitering genom Nordens mest trafikerade flygplats, Stockholm Arlanda Airport. Uppsatsen inleds med en introduktion till en kort, relevant litteraturstudie om flygplatsinfrastrukturteknik. Metoderna sammanfattar metoderna för denna studie, och följaktligen presenteras och diskuteras resultatet från undersökningarna. Forskningsresultat kompromiss av primära intervjuer från faktiska passagerare genom Stockholm-Arlanda flygplats. Enligt forskningen kunde de mest navigationsfrågorna inte härledas konkret på grund av en pågående pandemi som hade flera effekter för att utföra denna detaljerade forskning. Framför allt påverkade resultatet av denna uppsats drastiskt för flygindustrin under denna period. Denna uppsats behöver granskas ytterligare under ingen osäkerhet inom flygindustrin för att ytterligare utveckla ett konkret resultat.

Despite the number of studies demonstrating the opportunities for the broad implication of virtual reality (VR) across numerous industry domains, including media, this technology has not yet made history, to a large extent, because of the bottlenecks that prevent it from becoming mainstream. A number of media houses, video production companies, and even VR equipment developers such as The New York Times, Disney, or Oculus invested into the creation of the VR video platforms and apps with 360-degree films and VR movies. However, their acceptance by a general public has been slower than many have anticipated. This paper explores the ecosystem of platforms serving VR video and identifies the factors influencing their development and adoption based on the insights from the previous research on the technology acceptance models (TAMs) of virtual reality and interviews with ten VR professionals: developers, content providers, and representatives of VR video platforms. This qualitative study reveals that VR hardware design and performance (degrees of freedom, rendered video quality, immobility, interaction with VR content, cybersickness), the price of VR headsets (which are monofunctional devices), limited socialization features in virtual environment, the lack of appealing VR content and issues with its production are some of the main components that hinder the interest towards virtual reality and VR video platforms by a large audience. These determinants, subsequently, may influence the VR users’ perceived enjoyment, usefulness and ease of use, essential for the emerging technologies diffusion. The paper presents the discussion on the bottlenecks and potential growth points that may become the drivers for the further development of platforms offering VR video and their adoption by the wider public. Trots ett stort antal studier som visar upp möjligheterna för bred implikation av virtual reality (VR) över flertalet branschdomäner, inklusive media, har denna teknik ännu inte fått ett brett genomslag, i stor utsträckning, på grund av flaskhalsar som hindrar den från att bli "mainstream". Ett antal mediehus, videoproduktionsföretag och till och med utvecklare av VR-utrustning (som The New York Times, Disney samt Oculus) investerade i skapandet av VR-videoplattformar och appar med 360-graders filmer och VR-filmer. Allmänhetens acceptans har gått långsammare än många har förväntat sig. Denna uppsats utforskar ekosystemet för plattformar som leverar VR-video och identifierar de faktorer som påverkar deras utveckling och antagande baserat på insikter från tidigare forskning om teknikacceptationsmodeller (TAM) för virtual reality och intervjuer med tio VR-proffs: utvecklare, innehållsleverantörer, och representanter för VR-videoplattformar. Denna kvalitativa studie avslöjar att VR-hårdvarudesign och prestanda (frihetsgrader, renderad videokvalitet, rörlighet, interaktion med VR-innehåll, "cybersickness"), priset på VR-headset (som monofunktionella enheter), begränsade socialiseringsfunktioner i virtuell miljö, bristen av tilltalande VR-innehåll och problem med dess produktion är några av de viktigaste komponenterna som hindrar intresset för virtual reality och VR-videoplattformar att nå en stor publik. Dessa avgörande faktorer kan därefter påverka VR-användarnas upplevda njutning, användbarhet och användarvänlighet, vilket är väsentligt för spridningen av ny teknik. Uppsatsen presenterar diskussionen om flaskhalsar och potentiella tillväxtpunkter som kan bli drivkrafter för vidareutveckling av plattformar som erbjuder VR-video och deras antagande av en bredare allmänhet.

Natural Language Generation and generating believable verbal communication are critical components in the development of social robots. The work presented in this paper is based on the sequence-to-sequence model and is focused on improving context and repeatability through the inclusion of task- specific information. The data set on which this study was conducted was collected through a Wizard of Oz framework using a social robot. The generated dialogue was evaluated through a survey designed to measure the adherence to the game context and perceived human qualities. The human qualities were measured using attributes from two well-known attribute scales intended for evaluating Human-Robot Interaction. The evaluation results indicate that the quality of the generated dialogue is on par with examples of actual dialogue spoken during the experiments. This paper also highlights interesting aspects regarding the usefulness of transfer learning in narrow contextual applications. The results presented in this paper show that it is possible to improve the contextual nature of generated dialogue by including additional task-specific information. Generering av naturligt språk och uppgiften att skapa trovärdig verbal kommunikation är kritiska komponenter i utvecklingen av sociala robotar. Arbetet som presenteras i denna uppsats är baserat på sekvens-till-sekvens-modellen och fokuserar på att förbättra sammanhang och repeterbarhet genom att inkludera uppgiftspecifik information. Datauppsättningen som denna studie genomförde samlades in via ett Wizard of Oz-ramverk med hjälp av en social robot. Den genererade dialogen utvärderades genom en onlineundersökning utformad för att mäta efterlevnaden av spelskontexten och upplevda mänskliga egenskaper. Dessa mänskliga egenskaper mättes med attribut från två välkända attributskalor avsedda för utvärdering av människa-robot-interaktion. Utvärderingsresultaten visar att kvaliteten på den genererade dialogen är i nivå med exempel på faktisk dialog som talats under experimenten. Denna uppsats belyser också intressanta aspekter beträffande nyttan av överföringsinlärning i smala kontextuella applikationer. Resultaten som presenteras i denna uppsats visar att det är möjligt att förbättra den kontextuella karaktären hos genererad dialog genom att inkludera ytterligare uppgiftspecifik information.

Pre-hospital care is a widely discussed subject with many actors working on figuring out what factors determine the outcome for the patient and how those factors can be affected. One factor believed to have a major impact on patient outcome is ambulance response time. A proposed way to improve response time is dynamic deployment systems. These systems require detailed predictions of spatio-temporal ambulance demand in order to function effectively. The purpose of the study is to explore the possibility of using machine learning to build a high-resolution predictor that dynamic deployment systems can use to reduce response time. In this paper we first try out unsupervised machine learning algorithms to dividing Stockholm County into small subregions (clusters) over which predictions can be made. Then, based on the best cluster-structure obtained, we train and evaluate a logistic regression model an to make probabilistic predictions of ambulance demand over these clusters. We compare it to a baseline model and although the logistic regression model outperforms the baseline in total, it is worse at predicting when dispatches actually happens. Either way, we see that risk-terrain data and historic dispatches data seem to be useful for predicting ambulance demand. In the end of this paper we evaluate how suitable today’s key performance indicators (KPI:s) are for Emergency Medical Systems(EMS) implementing dynamic deployment. We find that these systems likely entail a need for updated KPI:s for measuring effectiveness and equity. Den prehospitala vården består av många aktörer och många faktorer som påverkar hälsoutfallen hos de behövande patienterna. En central faktor är ambulansens utryckningstid där ett föreslaget sätt att minska utryckningstiderna är via dynamisk positionering (eng: dynamic deployment). Dessa system kräver prediktioner om var och när ambulanser kommer behövas på hög detaljnivå geografiskt och tidsmässigt för att fungera effektivt. I denna studie utvärderar vi först så kallade oövervakade maskininlärningsalgoritmer för att dela in Stockholms Län i mindre områden och ser att områdena blir rimliga. Över dessa områden tränar vi logistisk regression för att göra sådana prediktioner i hög detaljnivå om det kommande behovet och jämför med en enkel model. Vi ser att även om logistisk regression ger högre prediktionskraft totalt än den enkla modellen är den sämre än den enkla modellen på att prediktera när behov faktiskt uppstår. Vi ser dock ändå att data om historiska utryckningar och riskterräng verkar vara användbara för att göra sådana prediktioner. Relaterat till detta analyserar och diskuterar vi även hur väl lämpade dagens prestationsmått är för att evaluera prehospitala vårdsystem som implementerar dynamisk positionering. Vi ser att dessa system troligen behöver justera sina huvudsakliga KPI:er för att mäta effektivitet och jämlikhet på ett bra sätt.

As video games get more and more demanding and screen resolutions continue to increase, new methods to render video games at high frame rates are needed. Variable Rate Shading is a technique currently available on Nvidia’s Turing architecture and Intel Gen11 hardware. Variable Rate Shading makes it possible to pick a shading rate during rendering and shade a group of pixels instead of individually, ultimately speeding up the rendering. A drawback of Variable Rate Shading is that the image quality often degrades by producing a pixelated look. This paper aims to reduce the pixelated look of particle effects that are rendered through Variable Rate Shading by implementing and evaluating four different post-processing filters. A qualitative evaluation in the form of a user study took place to evaluate the work subjectively. Structural Similarity Index was another qualitative method used to evaluate the image quality objectively. Also, a quantitative evaluation was performed to measure how the render times vary. All Variable Rate Shading solutions were compared against a traditional method used in the industry to render particles effectively. Findings showed that when using 2x2 shading rate, which generally reduces shaded pixels by 75%, two of the solutions presented in this paper have better image quality than the traditional method and close to, but not equally good time performance for both 1080p and 4K resolution. 4x4 shading rate has more specific use cases such as smoke that consists of similar color over the entire effect or if 4K resolution is used. Using 4K resolution makes 4x4 shading rate potentially useful as the render times were the fastest, with an acceptable aesthetic look, while for 1080p resolution, it was not recommended. In conclusion, as video games are vastly different, an artist might be best suited to decide which implementation is best and how essential the reduction in render times are. Variable Rate Shading can be used to reduce render times and keep an appealing visual look Eftersom datorspel blir mer och mer krävande samtidigt som skärmupplösningar fortsätter att öka, behövs nya metoder för att rendera datorspel med höga bildhastigheter. Variable Rate Shading är en teknik som för närvarande finns tillgänglig på Nvidias Turing-arkitektur och Intel Gen11-hårdvara. Variable Rate Shading gör det möjligt att välja en skuggningsfrekvens under renderingen och färga en grupp pixlar istället för individuellt, för att i slutändan minska renderingstiden. En nackdel med Variable Rate Shading är att bildkvaliteten ofta försämras genom att skapa ett pixligt utseende. Arbetet i detta papper syftar till att minska det pixelerade utseendet på partikeleffekter som genererats av Variable Rate Shading genom att implementera och utvärdera fyra olika efterbehandlingsfilter. En kvalitativ utvärdering i form av en användarstudie ägde rum för att utvärdera arbetet subjektivt. Structural Similarity Index var en annan kvalitativ metod som användes för att utvärdera bildkvaliteten objektivt. Dessutom genomfördes en kvantitativ utvärdering för att mäta hur renderingstiden varierar. Alla lösningar med Variable Rate Shading jämfördes mot en traditionell metod som användes i branschen för effektiv rendering av partiklar. Resultaten visade att när 2x2 skuggfrekvens används har två av de lösningar som presenteras i detta papper bättre bildkvalitet än den traditionella metoden och nära, men inte lika bra tidsprestanda för både 1080p och 4K upplösning. 4x4-skuggningsfrekvens har mer specifika användningsfall såsom rökeffeker som består av liknande färg över hela effekten eller om 4K-upplösning används. Att använda 4K-upplösning gör 4x4-skuggningsfrekvens potentiellt användbar eftersom renderingstiderna var de snabbaste tillsammans med att ha ett acceptabelt estetiskt utseende, medan det för 1080p-upplösning inte rekommenderades. Sammanfattningsvis, eftersom datorspel är oerhört varierande, kan en designer vara bäst lämpad att bestämma vilken implementering som är bäst och hur väsentlig reduktionen i renderingstider är. Variable Rate Shading kan användas för att minska renderingstiderna och behålla ett tilltalande visuellt utseende.

In the past decades, networking researchers experienced great changes. Being familiar with the development of networking researches is the first step for most scholars to start their work. The targeted areas, useful documents, and active institutions are helpful to set up the new research. This project is focused on developing an assistant tool based on public accessed papers and information on the Internet that allows researchers to view most cited papers in networking conferences and journals. NLP tools are implemented over crawled full-text in order to classify the papers and extract the keywords. Papers are located based on authors to show the most active countries around the world that are working in this area. References are analyzed to view the most cited topics and detailed paper information. We draw some interesting conclusions from our system, showing that some topics attract more attention in the past decades. Under de senaste decennierna upplevde nätverksundersökningar stora förändringar. Att känna till utvecklingen av nätverksundersökningar är det första steget för de flesta forskare att starta sitt arbete. De riktade områdena, användbara dokument och aktiva institutioner är användbara för att skapa den nya forskningen. Projektet fokuserade på att utveckla ett assistentverktyg baserat på offentliga åtkomstpapper och information via internet. Som gör det möjligt för forskare att se de mest citerade artiklarna i nätverkskonferenser och tidskrifter. NLP- verktyg implementeras över genomsökt fulltext för att klassificera papperet och extrahera nyckelorden. Artiklar är baserade på författare för att visa de mest aktiva länderna runt om i världen som arbetar inom detta område. Hänvisningar analyseras för att se det mest citerade ämnet och detaljerad pappersinformation. Vi drar några intressanta slutsatser från vårt system och visar att något ämne inte lockar till sig mer under de senaste decennierna.

Contributors from the mid 20th century up to now have developed and refined virtual assistants, taking the technology from a set of rules to assistants driven by Artificial Intelligence. Today, virtual assistants can provide value in organisation and support a sustainable society by conducting basic and repetitive tasks, and help reduce inequalities caused by biased advisors on sensitive topics. Despite its prosperity, current research somewhat lack focus on the evaluation of virtual assistants in industrial applications. The purpose of this paper is to evaluate virtual assistants from a technical, economical and organisational perspective, in order to understand their performance and value in an industrial environment. This has been done in collaboration with IBM and a client company which prefers to remain anonymous in this report. In this company, two IBM Watson Assistants are under development; one for the IT Service Desk, and one for the Ethics & Compliance department. To cover all aspects of the virtual assistants’ performance, quantitative and qualitative methods were used by conducting user testings and surveys. In this process, discussions have been conducted with IBM experts and employees of the firm for which the practical implementation has been studied, to gain a general and specific understanding from different perspectives. From this paper, the following can be concluded. First, technological performance can be described using quantitative metrics such as coverage, confidence, precision and helpfulness, and should be complemented using qualitative measures such as user satisfaction and perceived user understanding. Second, specific technological performance is relative and the technical limitations as well as it’s maturity should be used as a complement to the evaluation of the assistants. Third, identified organisational benefits include: • reduced time-to-resolution, • reduced handling time, • all-hour-support, • scalability and • user understanding Conclusions specific for the use cases show that an assistant implemented in a narrower use case, that is the Ethics & Compliance assistant, easier can be implemented and performs relatively well also in less developed environments. A broader use case, such as the IT assistant, requires more effort to perform at a high level but may be even more beneficial than in the narrow use case once sufficiently refined. Från mitten av 1900-talet har virtuella assistenter utvecklats och förfinats där teknologin gått från en mängd regler till assistenter drivna av artificiell intelligens. Idag kan virtuella assistenter tillföra värde till organisationer och bidra till ett hållbart samhälle bland annat genom att utföra enkla och återkommande uppgifter samt minska ojämlikheter orsakad av partiska rådgivare i känsliga frågor. Trots framgången har nuvarande forskning inte fokuserat på evalueringen av virtuella assistenter i industriella sammanhang. Syftet med denna rapport är att utvärdera virtuella assistenter från ett tekniskt, ekonomiskt och organisationellt perspektiv för att förstå dess prestation i industriella miljöer. Arbetet har genomförts i samarbete med IBM och en av deras kunder som föredrar att förbli anonyma. I detta företag är två IBM Watson Assistant under utveckling; en för deras IT Service Desk och en för deras avdelning för Ethics & Compliance. I studien har både kvantitativa och kvalitativa metoder använts, däribland användartestning och frågeformulär, för att inkludera alla aspekter av de virtuella assistenternas prestation. I denna process har diskussioner förts med experter inom IBM samt medarbetare på företaget för vilket den praktiska implementationen studerats för att få en förståelse för både generell och specifik kunskap ur olika perspektiv. I denna rapport kan följande slutsatser dras. Ett, den tekniska prestationen kan bestämmas med kvantitativa mätetal så som täckning (coverage), säkerhet (confidence), precision och hjälpsamhet (helpfulness), och kompletteras med kvalitativa mätetal som användarnöjdhet och upplevd förståelse för användaren. Två, specifik teknisk prestation är relativ och de tekniska begränsningarna samt mognad bör användas som komplement till utvärderingen av assistenterna. Tre, identifierade organisationsfördelar inkluderar: • reducerad time-to-resolution, • reducerad hanteringstid, • support ¨öppen dygnet runt, • skalbarhet, och • användarförståelse Slutsatserna i de specifika fallen visar att en virtuell assistent som implementeras inom ett smalare område, som en assistent för Ethics & compliance, enklare kan implementeras samt presterar relativt bra även i en mindre utvecklad miljö. Bredare områden, som en assistent för IT-support, kräver mer arbete för att prestera på en hög nivå men kan vara ännu mer värdefull än assistenten i det smala området när den blivit tillräckligt utvecklad.

Data collection and analysis approaches have changed drastically in the past few years. The reason behind adopting different approach is improved data availability and continuous change in analysis requirements. Data have been always there, but data management is vital nowadays due to rapid generation and availability of various formats. Big data has opened the possibility of dealing with potentially infinite amounts of data with numerous formats in a short time. The data analytics is becoming complex due to data characteristics, sophisticated tools and technologies, changing business needs, varied interests among stakeholders, and lack of a standardized process. DataOps is an emerging approach advocated by data practitioners to cater to the challenges in data analytics projects. Data analytics projects differ from software engineering in many aspects. DevOps is proven to be an efficient and practical approach to deliver the project in the Software Industry. However, DataOps is still in its infancy, being recognized as an independent and essential task data analytics. In this thesis paper, we uncover DataOps as a methodology to implement data pipelines by conducting a systematic search of research papers. As a result, we define DataOps outlining ambiguities and challenges. We also explore the coverage of DataOps to different stages of the data lifecycle. We created comparison matrixes of different tools and technologies categorizing them in different functional groups to demonstrate their usage in data lifecycle management. We followed DataOps implementation guidelines to implement data pipeline using Apache Airflow as workflow orchestrator inside Docker and compared with simple manual execution of a data analytics project. As per evaluation, the data pipeline with DataOps provided automation in task execution, orchestration in execution environment, testing and monitoring, communication and collaboration, and reduced end-to-end product delivery cycle time along with the reduction in pipeline execution time. Datainsamling och analysmetoder har förändrats drastiskt under de senaste åren. Anledningen till ett annat tillvägagångssätt är förbättrad datatillgänglighet och kontinuerlig förändring av analyskraven. Data har alltid funnits, men datahantering är viktig idag på grund av snabb generering och tillgänglighet av olika format. Big data har öppnat möjligheten att hantera potentiellt oändliga mängder data med många format på kort tid. Dataanalysen blir komplex på grund av dataegenskaper, sofistikerade verktyg och teknologier, förändrade affärsbehov, olika intressen bland intressenter och brist på en standardiserad process. DataOps är en framväxande strategi som förespråkas av datautövare för att tillgodose utmaningarna i dataanalysprojekt. Dataanalysprojekt skiljer sig från programvaruteknik i många aspekter. DevOps har visat sig vara ett effektivt och praktiskt tillvägagångssätt för att leverera projektet i mjukvaruindustrin. DataOps är dock fortfarande i sin linda och erkänns som en oberoende och viktig uppgiftsanalys. I detta examensarbete avslöjar vi DataOps som en metod för att implementera datarörledningar genom att göra en systematisk sökning av forskningspapper. Som ett resultat definierar vi DataOps som beskriver tvetydigheter och utmaningar. Vi undersöker också täckningen av DataOps till olika stadier av datalivscykeln. Vi skapade jämförelsesmatriser med olika verktyg och teknologier som kategoriserade dem i olika funktionella grupper för att visa hur de används i datalivscykelhantering. Vi följde riktlinjerna för implementering av DataOps för att implementera datapipeline med Apache Airflow som arbetsflödesorkestrator i Docker och jämfört med enkel manuell körning av ett dataanalysprojekt. Enligt utvärderingen tillhandahöll datapipelinen med DataOps automatisering i uppgiftskörning, orkestrering i exekveringsmiljö, testning och övervakning, kommunikation och samarbete, och minskad leveranscykeltid från slut till produkt tillsammans med minskningen av tid för rörledningskörning.

In many industries, the prices of products are dynamically calculated to maximize revenue while keeping customer satisfaction. In this paper, an approach of online calculation of prices is investigated, where customers always receive an updated price. The most common method used today is to update prices with some interval, and present that price to the customer. This standard method provides fast responses, and accurate responses for the most part. However, if the dynamic pricing model could benefit from very fast price updates, an online calculation approach might provide better price accuracy. The main advantages of this approach is the combination of short term accuracy and long term stability. Short term behaviour is handled by the online price calculation with real-time updates, while long term behaviour is handled by statistical analysis of booking behaviour, which is condensed into a demand curve. In this paper, the long term statistical analysis for calculating demand curves is described, along with the benefit of short term price adjustments which can be beneficial both for producers and consumers. I många industrier räknas priset för produkterna ut dynamiskt för att maximera intäkterna samtidigt som kundnöjdheten bibehålls. I denna rapport så undersökt en metod för realtidsberäkningar av priser i en dynamisk kontext, där kunder alltid får uppdaterade priser. Den vanligaste metoden för dynamisk prissättning idag är att uppdatera priserna i systemet med jämna intervall, och sedan presentera det senast uträknade priset till kunden. Att använda periodiska prisuppdateringar leder till snabba responstider, och vanligtvis tillräckligt hög exakthet vad gäller pris. Men om det dynamiska prissättningssystemet kan dra nytta av väldigt snabba prisuppdateringar, så kan en onlineberäkning vara en bättre metod för att öka exaktheten för priserna. Den huvudsakliga fördelen av detta tillvägagångssätt är att det kombinerar kortsiktig exakthet med långsiktig stabilitet. På kort sikt så hanteras prisändringar av en onlineberäkning med realtidsuppdateringar, medan större trender hanteras av statistisk analys av tidigare bokningsbeteenden, som kondenseras till en efterfrågekurva. I denna rapport så beskrivs den långsiktiga statistiska analysen i kombination med den kortsiktiga onlineberäkningen, och hur denna kombination kan vara positiv både för säljare och köpare.

Billions of people on earth lack a home address. In this paper we are investigating an approach to solve this using an address system where addresses consists of a GPS location and a description of how you find your way to the house when you are within close distance to the GPS location. The aim of the paper is to measure if said description has higher quality when it’s given using speech-based or regular text entry. Our findings indicate that speech based text input gives 1.7 times more information in about 5.5 times less time. From a usability standpoint there was no indicated difference, but as the experiments were carried out during perfect conditions it is concluded that speech-based text entry would likely present more of a challenge for the users. When and if speech recognition is more widely adopted into systems for everyday use, speech-based text entry will be a good asset for increasing the amount of information collected from users in navigational contexts. Det uppskattas att över en miljard människor lever utan en adress. Den här studien siktar till att förbättra en applösning som använder genererade adresser bestående av GPS-koordinater och en tillhörande beskrivning. Beskrivningen är menad att vägleda användaren när hon befinner sig i närområdet för att komplettera GPS-punktens eventuella osäkerhet. Syftet är att undersöka om en sådan beskrivning är av bättre kvalitet om den skapas med röstigenkänning än med vanlig text-input. Resultaten visar att röstbaserad input ger 1.7 gånger mer information än om användarna får skriva direkt i sin mobiltelefon och spenderar i snitt 5.5 gånger mindre tid med uppgiften. Användarnas utvärdering indikerar ingen skillnad i användarvänlighet, men eftersom experimenten utförts under perfekta förhållanden slås det fast att röstbaserad input förmodligen skulle innebära mer av en utmaning för användare. När och om röstigenkänning blir en mer integrerad del i vardagstekniken skulle röstbaserad text-input vara ett användbart medel att öka mängden information man får ut av användarnas egna beskrivningar.

Commercialization potential is important to data science. Whether the problems encountered by data science in production can be solved determines the success or failure of the commercialization of data science. Recent research shows that DevOps theory is a great approach to solve the problems that software engineering encounters in production. And from the product perspective, data science and software engineering both need to provide digital services to customers. Therefore it is necessary to study the feasibility of applying DevOps in data science. This paper describes an approach of developing a delivery pipeline line for a data science system applying DevOps practices. I applied four practices in the pipeline: version control, model server, containerization, and continuous integration and delivery. However, DevOps is not a theory designed specifically for data science. This means the currently available DevOps practices cannot cover all the problems of data science in production. I expended the set of practices of DevOps to handle that kind of problem with a practice of data science. I studied and involved transfer learning in the thesis project. This paper describes an approach of parameterbased transfer where parameters learned from one dataset are transferred to another dataset. I studied the effect of transfer learning on model fitting to a new dataset. First I trained a convolutional neural network based on 10,000 images. Then I experimented with the trained model on another 10,000 images. I retrained the model in three ways: training from scratch, loading the trained weights and freezing the convolutional layers. The result shows that for the problem of image classification when the dataset changes but is similar to the old one, transfer learning a useful practice to adjust the model without retraining from scratch. Freezing the convolutional layer is a good choice if the new model just needs to achieve a similar level of performance as the old one. Loading weights is a better choice if the new model needs to achieve better performance than the original one. In conclusion, there is no need to be limited by the set of existing practices of DevOps when we apply DevOps to data science. Kommersialiseringspotentialen är viktig för datavetenskapen. Huruvida de problem som datavetenskapen möter i produktionen kan lösas avgör framgången eller misslyckandet med kommersialiseringen av datavetenskap. Ny forskning visar att DevOps-teorin är ett bra tillvägagångssätt för att lösa de problem som programvaruteknik möter i produktionen. Och ur produktperspektivet behöver både datavetenskap och programvaruteknik tillhandahålla digitala tjänster till kunderna. Därför är det nödvändigt att studera genomförbarheten av att tillämpa DevOps inom datavetenskap. Denna artikel beskriver en metod för att utveckla en leverans pipeline för ett datavetenskapssystem som använder DevOps-metoder. Jag använde fyra metoder i pipeline: versionskontroll, modellserver, containerisering och kontinuerlig integration och leverans. DevOps är dock inte en teori som utformats specifikt för datavetenskap. Detta innebär att de för närvarande tillgängliga DevOps-metoderna inte kan täcka alla problem med datavetenskap i produktionen. Jag spenderade uppsättningen av DevOps för att hantera den typen av problem med en datavetenskap. Jag studerade och involverade överföringslärande i avhandlingsprojektet. I det här dokumentet beskrivs en metod för parameterbaserad överföring där parametrar lärda från en datasats överförs till en annan datasats. Jag studerade effekten av överföringsinlärning på modellanpassning till ett nytt datasystem. Först utbildade jag ett invecklat neuralt nätverk baserat på 10 000 bilder. Sedan experimenterade jag med den tränade modellen på ytterligare 10 000 bilder. Jag omskolade modellen på tre sätt: träna från grunden, ladda de tränade vikterna och frysa de invändiga lagren. Resultatet visar att för problemet med bildklassificering när datasättet ändras men liknar det gamla, överföra lärande en användbar praxis för att justera modellen utan omskolning från början. Att frysa det invändiga lagret är ett bra val om den nya modellen bara behöver uppnå en liknande prestanda som den gamla. Att ladda vikter är ett bättre val om den nya modellen behöver uppnå bättre prestanda än den ursprungliga. Sammanfattningsvis finns det inget behov att begränsas av uppsättningen av befintliga metoder för DevOps när vi tillämpar DevOps på datavetenskap.

Due to unique circumstances, Japan is facing world leading rates of employee dissatisfaction. This trend in turn has had a ripple effect causing many other aspects of employee’s lives to be effected. One such area is work motivation, and in turn overall performance has also suffered. With the large impact this problem is having companies now have a financial incentive to help employees, beyond the social wellbeing argument that could be made before.A solution to this problem that the current project explored is a software system to increase employee motivation through behavior change. Using a software system to collect voluntary data on employees, the individual needs of users can be determined. These individual needs can then be addressed through tailored behavior change intervention.Through the course of the current paper the system’s architecture and evaluation will be covered. The current paper will also include the design of the behavior change intervention used during the experiments. Then from the results of these experiments it will be argued why the system designed and developed was a good solution to the problem of low employee motivation. Genom unika omständigheter så brottas Japan med världens högsta nivåer av missnöje bland anställda. Den här omständigheten har haft sidoeffekter på många andra områden av de anställdas liv. Ett sånt påverkat område är jobbmotivation. Som påföljd så har de anställdas jobbprestation försämrats. Det här problemet är nu så stort att företag, förutom medmänskliga anledningar som alltid funnits, har anledning att hjälpa sina anställda.En lösning till det här problemet som den här projektet utforskade är ett mjukvarusystem för att förbättra anställdas motivation genom beteendeförändring. Genom att använda ett mjukvarusystem för att samla in frivilligt given information om anställda så kan deras behov bestämmas. De anställdas individuella behov kan sedan tillfredsställas med skräddarsydda lösningar.Den här rapporten kommer att beskriva mjukvarusystemets arkitektur och utvärdering. Rapporten kommer också att beskriva konstruktionen av systemet för beteendeförändring genom påverkan som användes i projektet. Baserat på undersökningarnas resultat så läggs slutsatsen fram att mjukvarusystemet som utvecklats och realiserats är en bra lösning för att förbättra problemet med låg nivå av motivering bland anställda.

Although shared mobility services provide benefits such as minimizing congestion as well as pollution and costs of transportation, barriers such as trust and convenience are blocking these services from reaching a broader audience. In this paper, considerations for a new service that aims to bring together familiar strangers to share rides to and from the airport is presented using a Research through Design approach. The familiar strangers investigated in this study are frequent travelers of Scandinavian airlines (SAS). Interviews, ideation workshops, prototyping, and feedback sessions are the design activities that were used to understand motivations behind their choice of transportation to and from the airport, and current pain points that motivate the need for such a service, as well as to guide the design directions of the service to tackle the problems of trust and convenience current shared mobility services face. The findings showed that SAS travelers are willing to share rides with others belonging to their community when living far away from transit services to and from the airport, arriving uncomfortable hours at a new destination, when there’s a potential to make new business contacts as well as when traveling with loved ones. The final design presented in this paper serves as a framework on how to design services to enable people who share common physical spaces and similar travel behavior, to share rides together. Även om “shared mobility” tjänster ger fördelar som att minimera trafikstockningar samt föroreningar och transportkostnader, finns det hinder som tillit och bekvämlighet som blockerar dessa tjänster från att nå en större publik. I den här uppsatsen presenteras omständigheter för en ny tjänst som syftar till att samla “familiar strangers” för att dela transportsätt till och från flygplatsen med hjälp av ett Research Through Design-metod. De “familiar strangers” som undersöktes i denna studie är frekventa resenärer av Scandinavian Airlines (SAS). Intervjuer, ideation workshops, prototyper och feed-back möten är de designaktiviteter som användes för att förstå motivation bakom resenärers val av transport till och från flygplatsen och aktuella smärtpunkter som motiverar behovet av en sådan tjänst samt för att styra designbeslut för tjänsten för att ta itu med problemen med förtroende och bekvämlighet som nuvarande “shared mobility” tjänster stöter på. Resultaten visade att SAS-resenärer är villiga att dela resor med andra som tillhör deras gemenskap när de bor långt ifrån transit tjänster till och från flygplatsen, när de anländer i ett nytt resmål vid obehagliga timmar, när det finns möjlighet att skapa nya affärskontakter såväl som när de reser med sina nära och kära. Den slutliga designen som presenteras i denna uppsats fungerar som en ram för hur man utformar tjänster för att möjliggöra för personer som delar gemensamma fysiska utrymmen och liknande resebeteenden, att dela resor tillsammans.

In recent years, Internet enabled objects (Internet of Things) and their augmentation through virtual reality has become both technically possible and increasingly advanced. This paper explores how interaction between physical IoTs and their virtual and digital twins can be advanced. Three virtual reality games focusing on three different interactions were created. One game focused on rotating, another on pushing and pulling, and a third on lifting and dropping. All games revolved around the use of real tracked cardboard boxes which were represented in the games by a virtual box in the same relative position and rotation to the player, allowing participants to manipulate the virtual boxes by manipulating the physical boxes. 14 participants were asked to play the games and were afterwards interviewed in regards to the games, their interactions with them, their enjoyability and their thoughts regarding them and the concept in general. The results were acquired from game performance, the reflections of the participants, and the subsequent analysis of recorded audio and video. The study presents the difficulties, challenges and opportunities of such a system, while also providing insight into lessons learned from the creation of the system and the games. The main contributions of the paper are the lessons learned in creating the games and experiences in addition to a few specific areas of interest for future research on the area, namely the importance of ergonomic consideration and affordance evaluation. De senaste åren har föremål kopplade till Internet (Internet of Things eller Sakernas Internet) och deras augmentering genom virtuell verklighet både blivit möjligt och mer tekniskt avancerat. Denna rapport utforskar hur interaktioner mellan fysiska IoT föremål och deras virtuella och digitala tvillingar kan förbättras. Tre VR-spel med fokus på tre olika interaktioner utvecklades. Ett av spelen fokuserade på rotation, ett annat på rörelsen fram och tillbaka, och det tredje på rörelsen upp och ner. Alla spel involverade användandet av riktiga kartonglådor som representerades i spelet av en virtuell låda i samma position och rotation i relation till spelaren, vilket lät spelaren manipulera de virtuella lådorna genom att manipulera de fysiska lådorna. 14 deltagare ombads spela spelen och intervjuades i efterhand angående spelen, interaktionerna, underhållningsvärdet och deras tankar kring konceptet. Resultaten kom från deltagarnas prestationer i spelen, deras reflektioner och efterföljande analys av inspelad audio och video. Studien presenterar svårigheter, utmaningar och möjligheter hos det beskrivna systemet och delar med sig av insikter från skapandeprocessen av systemet och spelen. Studiens huvudsakliga bidrag är de nämnda insikterna från skapandeprocessen samt ett par specifika intresseområden för framtida forskning: vikten av hänsyn till ergonomi och utvärdering av affordans.

The ambition for Internet of Things (IoT) devices of becoming a part of our everyday lives, is not only done by entering our homes but also our vehicles. The demand of attachable smart IoT products for cars is high. One such product is the AutoPi, which connects the car to the internet and allows for various features, usually found in high-end luxury cars.This paper presents an analysis of the cyber security aspects of AutoPi. The findings presented shows that there is a critical vulnerability in the system. The AutoPi can be exploited and full access of the devices can be granted. The paper also discusses what possible harm can be done through the found exploit. Ambitionen för Internet of Things (IoT) apparater att bli en del av det vardagligalivet sker inte endast i våra hem, utan även i våra fordon. Efterfrågan på smarta IoT produkter för bilar är hög. En sådan produkt är AutoPi, vilket ansluter bilen till Internet och möjliggör för diverse funktioner vanligtvis funna i avancerade lyxbilar.Denna uppsats presenterar en analys av cybersäkerheten för AutoPi. Upptäckterna som presenteras visar på att det finns en kritisk säkerhetsbrist i systemet och full åtkomst till apparaten kan uppnås. Uppsatsen diskutera även möjliga skador som kan göras genom den funna sårbarheten.

Assortment optimization is a crucial problem for many firms who need to make decisions on which products to stock in their stores in order to maximize revenues. Optimizing assortments usually entails fitting choice models to historical data. To a large extent, this becomes a problem of understanding consumer behavior. In this paper, a two-step method is proposed for optimizing assortments for stores where there was no known sales data. First, training data was generated by optimizing assortments, using a non parametric choice model, on similar stores for which data is available. Then this training data isused to develop a series of random forest models which given parameters for a store can generate an optimal assortment. The features used in the random forest models were chosen based on consumer behavior theory and consisted of geographical and financial features as well as features regarding the composition of the stores. The data used in this report was provided by a major Swedish print distributor with over 1000 stores and 2500 products. The results presented in this paper show that this method outperforms the baseline in all cases studied. Furthermore, it was determined that geographic features are the essential type of features for the models to determine the optimal assortments for stores. Produktsortimentsoptimering är ett centralt problem för många företag som måste ta beslut om vilka produkter de ska lagerhålla för att maximera sin vinst. Att optimera produktsortiment brukar ofta innebära att träna valmodeller på historisk data. Detta blir ofta en fråga om att förstå konsumenters beteende. I denna uppsats presenteras en tvåstegs metod för att optimiera produktsortiment utan historisk data. I det första steget optimeras sortimentet med hjälp av en icke-parametrisk valmodell på liknande butiker där data finns tillgängligt. Sedan utvecklas Random Forest modellermed de optimerade sortimenten som träningsdata. Givna en rad parameterar kan dessa modeller generera optimala sortiment. Parametrarna som användes i Random Forest modellerna valdes baserat på konsumentteori and bestod av geografiska och finansiella parametrar så väl som parameterar som beskrev butikernas sammansättning. Datan som användes tillhandahölls av ett svenskt företag inom tryckbranschen som har över 1000 butiker och 2500 produkter i sitt sortiment. Resultaten som presenterades i denna uppsats visar att metoden presterar bättre än baslinjen i alla fall som studerades. Utöver detta, så beslutas det att geografiska parametrar är de viktigaste parametrarna för modelerna att ta beslut angående de optimala sortimenten.

Agile methods have been widely implemented in the industry while teaching these methods is a substantial part of Computer Science and Engineering program curricula. Evidencedriven data of agile practices, methods, and tools have been extracted based on empirical studies with students, however, there is an important need for more anecdotal evidence to confirm these findings. In order to fill this gap, this paper explores the perceptions and the applicability of the Scrum Framework in a student research team in an industrial context. Empirical data have been gathered through interviews with the case study participants combined with a survey. The analysis reveals that student experiences are mainly positive and that they can easily grasp the benefits of Scrum Framework. The challenges of implementing Scrum in such a setting mainly concern the balance between coach and self-organization, formulating accurate user stories when researching, finding the most suitable estimation method, as well as planning when conducting research. The empirical findings may potentially be extrapolated in student scrum teams or even in industrial settings. Finally, this research paper should encourage other researchers to investigate the adoption of Scrum in a student setting. Agila metoder har implementerats i stor utsträckning inom branschen, medan undervisning i dessa metoder är en väsentlig del av utbildningarna för datavetenskap och teknik. Bevisdriven data om agila arbetssätt, metoder och verktyg har tagits fram från empiriska studier med studenter, men det finns ett viktigt behov av mer anekdotiska bevis för att bekräfta dessa resultat. För att fylla detta gap utforskar den här rapporten uppfattningarna och tillämpligheten av ramverket Scrum i ett studentforskningsteam i ett industriellt sammanhang. Empiriska data har samlats genom intervjuer med deltagarna i fallstudien i kombination med ett frågeformulär. Analysen visar att studentupplevelserna är främst positiva och att man lätt kan förstå fördelarna med Scrum. Utmaningarna med att implementera Scrum i en sådan miljö gäller främst balansen mellan coaching och självorganiserande, formulera exakta användarhistorier när man forskar, finner den mest lämpliga uppskattningsmetoden samt planerar forskningsrelaterat arbete. De empiriska fynden kan eventuellt extrapoleras i Scrumteam med studenter eller till och med i industriella miljöer. Slutligen bör detta forskningsarbete uppmuntra andra forskare att undersöka införandet av Scrum i ett studentkontext.

In this paper genetic algorithms (GA) and tabu search are compared in the order batch picking problem – modelled as a multiple agent traveling salesman problem. The algorithms are evaluated in a simulated warehouse implemented with class based storage in mind. Both of the approaches appeared to find optimal solutions where it was possible to verify but it was was hard to comment on optimality as the problem space grew. In the implementations in this paper it was possible to construct a heuristic for the tabu search to outperform the GA. However in their general forms the GA outperformed the tabu search in the experiments I den här rapporten jämförs genetiska algoritmer (GA) och tabu sökning för order batchningsproblemet – modelerat som ett multi agents traveling salesman problem. Algoritmerna är evaluerade i ett simulerat lager som är implementerad med klass-baserad lagring. Båda tillvägagångssätten hittade optimala lösningar då det var möjligt att verifiera men det är svårt att kommentera optimaliteten när storleken på problemet växte. Det var möjligt att konstruera en tabu sökning som presterar bättre än GAn. Dock i deras generella former presterar GAn bättre än tabu sökningen i experimenten.

Video understanding involves problems such as video classification, which consists in labeling videos based on their contents and frames. In many real world applications such as robotics, self-driving car, augmented reality, and Internet of Things (IoT), video understanding tasks need to be carried out in a real-time manner on a device with limited memory resources and computation capabilities, while meeting latency requirement.In this context, whereas neural networks that are memory and computationefficient i.e., that present a reasonable trade-off between accuracy and efficiency with respect to memory size and computational speed have been developed for image recognition tasks, studies about video classification have not made the most of these networks. To fill this gap, this project answers the following research question: how to build video classification pipelines that are based on memory and computation-efficient convolutional neural network (CNN) and how do the latter perform?In order to answer this question, the project builds and evaluates video classification pipelines that are new artefacts. This research involves triangulation (i.e., is qualitative and quantitative at the same time) and the empirical research method is used for the evaluation. The artefacts are based on one of existing memory and computation-efficient CNNs and its evaluation is based on a public video classification dataset and multiclass classification performance metrics. The case study research strategy is adopted: we try to generalize obtained results as far as possible to other memory and computation-efficient CNNs and video classification datasets. The abductive research approach is used in order to verify or falsify hypotheses. As results, the artefacts are built and show satisfactory performance metrics compared to baseline pipelines that are also developed in this thesis and metric values that are reported in other papers that used the same dataset. To conclude, video-classification pipelines based on memory and computation-efficient CNN can be built by designing and developing artefacts that combine approaches inspired from existing papers and new approaches and these artefacts present satisfactory performance. In particular, we observe that the drop in accuracy induced by memory and computation-efficient CNN when dealing with video frames is, to some extent, compensated by capturing temporal information via consideration of sequence of these frames. Videoförståelse innebär problem som videoklassificering, som består av att annotera videor baserat på deras innehåll och ramar. I många verkliga applikationer, som robotteknik, självkörande bilar, förstärkt verklighet (AR) och sakernas internet (IoT) måste videoförståelsuppgifter utföras i realtid på en enhet med begränsade minnesresurser och beräkningsförmåga, samtidigt som det uppfyller krav på låg fördröjning.I det här sammanhanget, medan neurala nätverk som är minnesoch beräkningseffektiva, dvs den aktuella presentationen har en rimlig avvägning mellan noggrannhet och effektivitet (med avseende på minnesstorlek och beräkningar) utvecklats för bildigenkänningsuppgifter, har studier om videoklassificering inte fullt utnyttjat dessa tekniker. För att fylla denna lucka i vetenskapen svarar det här projektet på följande forskningsfråga: hur bygger man videoklassificeringspipelines som bygger på minne och beräkningseffektiva faltningsnätverk (CNN) och hur utförs det sistnämnda?För att svara på denna fråga bygger projektet och utvärderar videoklassificeringspipelines som är nya artefakter. Den empiriska forskningsmetoden används i denna forskning som involverar triangulering (dvs kvalitativt och kvantitativt samtidigt). Artefakterna är baserade på ett befintligt minnesoch beräkningseffektivt CNN och dess utvärdering baseras på en öppet tillgängligt dataset för videoklassificering. Fallstudieforskningsstrategin antas: Vi försöker att generalisera erhållna resultat så långt som möjligt till andra minnesoch beräkningseffektiva CNNs och videoklassificeringsdataset. Som resultat byggs artefakterna och visar tillfredsställande prestandamätningar jämfört med baslinjeresultat som också utvecklas i denna avhandling och värden som rapporteras i andra forskningspapper baserat på samma dataset. Sammanfattningsvis kan video-klassificeringsledningar baserade på ett minne och beräkningseffektivt CNN byggas genom att utforma och utveckla artefakter som kombinerar metoder inspirerade av befintliga papper och nya tillvägagångssätt och dessa artefakter presenterar tillfredsställande prestanda. I synnerhet observerar vi att nedgången i noggrannhet som induceras av ett minne och beräkningseffektivt CNN vid hantering av videoramar kompenseras till viss del genom att ta upp tidsmässig information genom beaktande av sekvensen av dessa ramar.

This paper describes the process of evaluating an audience engagement tool developed by a company called Stagecast. It is evaluated using the system usability scale, which is a common and simple way of measuring the usability of an application. The process starts with developing a feedback moment for the application that includes questions from the system usability scale. The application is then first tested in a laboratory setting with the feedback moment launched after an event, and second, it is tested in a real live event. The results in this paper indicate that the overall satisfaction with the Stagecast application was average, based on scoring of previous usability tests, with a score of 65.96 for the SMASK live event, though the participation in the feedback moment was limited. Den här rapporten beskriver processen för utvärderandet av en produkt för att engagera publiken under live event som utvecklats av företaget Stagecast. Produkten är utvärderad med hjälp av system usability scale (SUS), vilket är ett vanligt och simpelt sätt att mäta användarvänlighet för applikationer. Processen börjar med att utveckla en feedback moment för applikationen som innehåller frågor från system usability scale. Applikationen är sedan testad i en studio där feedbackmoment lanseras efter eventet. Steg nummer två är att lansera feedbackmoment efter ett live event. Resultaten i den här rapporten indikerar att generella tillfredsställelsen med Stagecast applikationen var medel, baserat på en sammanställning av tidigare undersökningar med SUS. Poängen blev 65.96 för SMASK eventet, men deltagandet i feedbackmoment var begränsat.

The fast-growing field of Machine Learning has in the later years become more common, as it has gone from a restricted research area to actually be in general use. Frameworks such as TensorFlow have been developed to scale and analyze artificial neural networks, which are used in one of the areas in Machine Learning called Deep Learning. This paper will study how well the framework TensorFlow performs in regard to time and memory allocation on the processor units CPU and GPU since these are the factors that are often the restraining resources. Three neural networks have been used to measure how TensorFlow allocates the resources and computes operations used to process the neural network during the training phase. By using TensorFlows profiler we could trace how each operation was executed in the CPU and GPU, from the gathered data we could analyse how the operations allocated memory and time. Our results show that the training of a more complex neural network benefits from being executed on the GPU, while a simple neural network has no or an insignificant profit from being executed on the GPU over the CPU. The result also indicates possible findings for further research such as processor utilisation as the gaps in the scheduling has not been studied in this paper. Det snabbt växande fältet Maskininlärning har de senaste åren kommit att bli vanligare och vanligare, det har gått från att vara ett forskningsfält till att användas mer generellt i produktutveckling. Ramverk som TensorFlow har utvecklats för att göra det möjligt att skala och analysera artificiella neurala nätverk, dessa används inom Djupinlärning, ett fält inom Maskininlärning. Denna rapport undersöker hur väl ramverket TensorFlow utför beräkningar med åtanke till tid och minnesallokering på CPU samt GPU eftersom dessa är de faktorer som är mest begränsade resurserna under träning. Tre artificiella neurala nätverk har använts för att undersöka hur TensorFlow allokerar resurserna och hur den använder sig utav operationer som utförs under träningsfasen av de neural nätverken. Genom att använda TensorFlows profiler kunde vi följa hur varje operation var utfördes i både GPU och CPU. Från datan kunde vi analysera operationer tog tid och allokerad minne under hela träningsfasen. Resultatet visade på att träning av mer komplexa neurala nätverk drog nytta av att utföras på GPU, medan mer simpla neurala nätverk hade ingen eller en obetydlig vinning från att använda GPU istället för CPU. Resultaten indikerar också möjliga upptäckter som kan undersökas i framtida forskning. Som till exempel processorernas utnyttjande eftersom vi fann luckor inom operations schemat som inte blev undersökt i denna studie.

Language anxiety is one of the key problems that hinder language learners to speak a target second language. This problem is especially relevant for Japanese second language learners, who tend to have difficulties in English. To alleviate this problem, researchers have succeeded in leveraging modern technologies to help second language learners practice various language skills, including speaking. These research papers introduce modern technologies into the field of education, which is the guide and basis of this paper. This study aims to help Japanese second language students to overcome the barrier of speaking English by designing a game-based language learning tool that incorporates elements of Augmented Reality (AR) technology. In this study, we try to encourage students to speak English by designing an AR-aided cooperative game. The GOAT (Gamified cOmunicAtion Tool) application was developed with gamification and AR technology. The tool was evaluated with 39 second language students at the different stages of its development during a period of eight months. The results suggest that the GOAT app has a high potential to help students to overcome their language anxiety and ultimately the barrier of speaking English. The findings of this study serve to prove that the use of gamification in the designed tool has a positive influence on second language learners. In particular, the GOAT app was found to promote students’ confidence and to encourage communications in a public setting. The enhanced confidence and more frequent communications ultimately lead Japanese students to be able to converse in English in a more natural and fluent manner. Nonetheless, the evidence with regard to whether the use of AR elements imposes a direct positive influence on second language learners’ confidence is not sufficient enough. Further research along this path is recommended for a more concrete conclusion to be made. Språkångest är ett av de viktigaste problemen som förhindrar språkstudenter att tala ett annat språk. Detta problem är särskilt relevant för japanska språkstudenter, som har svårigheter att lära sig tala engelska. För att lösa detta problem har forskare visat att man kan använda modern teknik för att hjälpa språkstudenter att öva olika språkfärdigheter, inklusive den muntliga språkfärdigheten. Denna studie syftar till att hjälpa japanska andraspråks studenter att överkomma svårigheter för att tala engelska genom att designa och utvärdera ett spelbaserat språkinlärningsverktyg som innehåller element av Augmented Reality (AR) teknologi. I denna studie försöker vi uppmuntra japanska andraspråks studenter att tala engelska genom att designa ett AR-baserat spelverktyg, GOAT (Gamified cOmunicAtion Tool). Verktyget utvärderades med 39 andraspråkstudenter i olika stadier av dess utveckling under en period av åtta månader. Resultaten tyder på att GOAT app har potential att hjälpa studenterna att överkomma språkångest och svårigheter att tala engelska. Studier visar att användningen av spelelementen i det utformade verktyget har ett positivt inflytande på studenter. I synnerhet fann vi att GOAT kan utveckla studenternas förmåga att kommunicera på engelska i en offentlig miljö. Däremot behövs det en vidare forskning på hur användningen av AR-element påverkar japanska andraspråksstudenters utveckling av deras förmåga att tala engelska.

Prenumerationstjänster blir alltmer populära i dagens samhälle. En av nycklarna för att lyckas med en prenumerationsbaserad affärsmodell är att minimera kundbortfall (eng. churn), dvs. kunder som avslutar sin prenumeration inom en viss tidsperiod. I och med den ökande digitaliseringen, är det nu enklare att samla in data än någonsin tidigare. Samtidigt växer maskininlärning snabbt och blir alltmer lättillgängligt, vilket möjliggör nya infallsvinklar på problemlösning. Denna rapport kommer testa och utvärdera ett försök att förutsäga kundbortfall med hjälp av maskininlärning, baserat på kunddata från ett företag med en prenumerationsbaserad affärsmodell där prenumeranten får besöka live-event till en fast månadskostnad. De maskininlärningsmodeller som användes i testerna var Random Forests, Support Vector Machines, Logistic Regression, och Neural Networks som alla tränades med användardata från företaget. Modellerna gav ett slutligt träffsäkerhetsresultat i spannet mellan 73,7 % och 76,7 %. Därutöver tenderade modellerna att ge ett högre resultat för precision och täckning gällande att klassificera kunder som sagt upp sin prenumeration än för de som fortfarande var aktiva. Dessutom kunde det konstateras att de kundegenskaper som hade störst inverkan på klassifikationen var ”Använda Biljetter” och ”Längd på Prenumeration”. Slutligen kommer det i denna rapport diskuteras hur informationen angående vilka kunder som sannolikt kommer avsluta sin prenumeration kan användas ur ett mer affärsmässigt perspektiv. In today’s world subscription-based online services are becoming increasingly popular. One of the keys to success in a subscription-based business model is to minimize churn, i.e. customer canceling their subscriptions. Due to the digitalization of the world, data is easier to collect than ever before. At the same time machine learning is growing and is made more available. That opens up new possibilities to solve different problems with the use of machine learning. This paper will test and evaluate a machine learning approach to churn prediction, based on the user data from a company with an online subscription service letting the user attend live shows to a fixed price. To perform the tests different machine learning models were used, both individually and combined. The models were Random Forests, Support Vector Machines, Logistic Regression and Neural Networks. In order to train them a data set containing either active or churned users was provided. Eventually the models returned accuracy results ranging from 73.7 % to 76.7 % when classifying churners based on their activity data. Furthermore, the models turned out to have higher scores for precision and recall for classifying the churners than the non-churners. In addition, the features that had the most impact on the model regarding the classification were Tickets Used and Length of Subscription. Moreover, this paper will discuss how churn prediction can be used from a business perspective.

The waste of building energy consumption is a major challenge in the world. And the real-time detection of human thermal comfort is an effective way to meet this issue. As mentioned in name, it means to detect the human’s comfort level in real-time and non-invasively. However, due to the various factors such as individual difference of thermal comfort, elements related to climatic (temperature, humidity, illumination, etc.) and so on, there is still a long way to implement this strategy in real life. From another perspective, the current HVAC (heating, ventilating and air-conditioning) systems cannot provide flexible interaction channels to adjust atmosphere, and naturally fails to satisfy requirements of users. All of them indicate the necessity to develop a detection method for human thermal comfort. In this paper, a non-invasion detection method toward human thermal comfort is proposed from two perspectives: macro human postures and skin textures. In posture part, OpenPose is used for analyzing the position coordinates of human body key points’ in images, for example, elbow, knee, and hipbone, etc. And the results of analyzing would be interpreted from the term of thermal comfort. In skin textures, deep neural network is used to predict the temperature of human skins via images. Based on Fanger’s theory of thermal comfort, the results of both parts are satisfying: subjects’ postures can be captured and interpreted into different thermal comfort level: hot, cold and comfort. And the absolute error of prediction from neurons network is less than 0.125 degrees centigrade which is the equipment error of thermometer used in data acquisition. With the solution proposed by this paper, it is promising to non-invasively detect the thermal comfort level of users from postures and skin textures. Finally, theconclusion and future work are discussed in final chapter. Slöseriet med att bygga energiförbrukningen är en stor utmaning i världen. Ochdetektering av mänsklig termisk komfort i realtid är ett effektivt sätt att lösaproblemet. Som nämns i namn betyder det att detektera människans komfortnivå i realtid och icke-invasivt. På grund av de olika faktorerna som individuell skillnad i termisk komfort, är emellertid faktorer som är relaterade till klimat (temperatur, luftfuktighet, belysning etc.) det fortfarande en lång väg att implementera denna strategi i verkligheten. Från ett annat perspektiv kan nuvarande system för uppvärmning, ventilation och luftkonditionering inte tillhandahålla flexibla interaktionskanaler för att anpassa atmosfären och naturligtvis misslyckas till nöjda krav från användarna. Alla indikerar nödvändigheten av att utveckla en detekteringsmetod för mänsklig termisk komfort. I detta dokument föreslås en ickeinvasion detekteringsmetod mot mänsklig termisk komfort från två perspektiv: makro mänskliga hållningar och hudtexturer. I hållningspartiet används OpenPose för att analysera positionskoordinaterna för kroppens huvudpunkter i bilder, till exempel armbåge, knä och höftben osv. Och resultaten av analysen skulle tolkas från termen av termisk komfort. I hudtexturer används djupt neuralt nätverk för att förutse temperaturen på mänskliga skinn via bilder. Baserat på Fangers teorin om värmekomfort är resultaten av båda delarna tillfredsställande: subjektens hållningar kan fångas och tolkas till olika värmekomfortnivåer: varm, kall och komfort. Och det absoluta felet av prediktering från neuronnätverket är mindre än 0,125 grader Celsius, vilket är utrustningsfelet hos termometern som används vid datainsamling. Med lösningar i detta papper är det lovande att detektera användarens värmekomfortnivå fritt från invändningar och hudtexturer. Slutligen diskuteras slutsatserna och detframtida arbetet i sista kapitlet.

This paper investigates the viability of a machine learning model based on similarities in text structure compared to one based on statistical properties in the text to detect cheating in digital examinations. The machine learning model comparing similarity in text structure used Levenstein distance and the one comparing statistical text properties compared cosine distance between word vectors. The paper also investigates whether security has been a driving force impacting the industrial dynamics of the digitalization of examinations in Sweden. This is done using the multi-level perspective framework and interviewing users of a digital examination platform. The results show that the machine learning model based on statistical text properties has a higher accuracy, recall, precision and F-score. Nothing is concluded from this, however, due to discussion of validity of the results from the machine learning model based on the similarities in text structure. The analysis of the industrial dynamics shows that security has been a driving force towards digitalization.

Prenumerationstjänster blir alltmer populära i dagens samhälle. En av nycklarna för att lyckas med en prenumerationsbaserad affärsmodell är att minimera kundbortfall (eng. churn), dvs. kunder som avslutar sin prenumeration inom en viss tidsperiod. I och med den ökande digitaliseringen, är det nu enklare att samla in data än någonsin tidigare. Samtidigt växer maskininlärning snabbt och blir alltmer lättillgängligt, vilket möjliggör nya infallsvinklar på problemlösning. Denna rapport kommer testa och utvärdera ett försök att förutsäga kundbortfall med hjälp av maskininlärning, baserat på kunddata från ett företag med en prenumerationsbaserad affärsmodell där prenumeranten får besöka live-event till en fast månadskostnad. De maskininlärningsmodeller som användes i testerna var Random Forests, Support Vector Machines, Logistic Regression, och Neural Networks som alla tränades med användardata från företaget. Modellerna gav ett slutligt träffsäkerhetsresultat i spannet mellan 73,7 % och 76,7 %. Därutöver tenderade modellerna att ge ett högre resultat för precision och täckning gällande att klassificera kunder som sagt upp sin prenumeration än för de som fortfarande var aktiva. Dessutom kunde det konstateras att de kundegenskaper som hade störst inverkan på klassifikationen var ”Använda Biljetter” och ”Längd på Prenumeration”. Slutligen kommer det i denna rapport diskuteras hur informationen angående vilka kunder som sannolikt kommer avsluta sin prenumeration kan användas ur ett mer affärsmässigt perspektiv. In today’s world subscription-based online services are becoming increasingly popular. One of the keys to success in a subscription-based business model is to minimize churn, i.e. customer canceling their subscriptions. Due to the digitalization of the world, data is easier to collect than ever before. At the same time machine learning is growing and is made more available. That opens up new possibilities to solve different problems with the use of machine learning. This paper will test and evaluate a machine learning approach to churn prediction, based on the user data from a company with an online subscription service letting the user attend live shows to a fixed price. To perform the tests different machine learning models were used, both individually and combined. The models were Random Forests, Support Vector Machines, Logistic Regression and Neural Networks. In order to train them a data set containing either active or churned users was provided. Eventually the models returned accuracy results ranging from 73.7 % to 76.7 % when classifying churners based on their activity data. Furthermore, the models turned out to have higher scores for precision and recall for classifying the churners than the non-churners. In addition, the features that had the most impact on the model regarding the classification were Tickets Used and Length of Subscription. Moreover, this paper will discuss how churn prediction can be used from a business perspective.

Augmented reality has been on the rise for some time now and begun making its way onto the mobile market for both IOS and Android. In 2017 Apple released ARKit for IOS which is a software development kit for developing augmented reality applications. To counter this, Google released their own variant called ARCore on the 1st of march 2018. ARCore is also a software development kit for developing augmented reality applications but made for the Android, Unity and Unreal platforms instead. Since ARCore is released recently it is still unknown what particular limitations may exist for it. The purpose of this paper is give an indication to companies and developers about ARCore’s potential limitations. The goal with this paper and work is to map how well ARCore works during different circumstances, and in particular, how its feature detection works and behaves. A quantitative research was done with the usage of the case study method. Various tests were performed with a modified test-application supplied by Google. The tests included testing how ARCore’s feature detection, the process that analyzes the environment presented to the application. This which enables the user of an application to place a virtual object on the physical environment. The tests were done to see how ARCore works during different light levels, different types of surfaces, different angles and the difference between having the device stationary or moving. From the testing that were done some conclusions could be drawn about the light levels, surfaces and differences between a moving and stationary device. More research and testing following these principles need to be done to draw even more conclusions of the system and its limitations. How these should be done is presented and discussed. Forstarkt verklighet (augmented reality) har stigit under en tid och börjat ta sig in på mobilmarknaden for både IOS och Android. År 2017 släppte Apple ARKit för IOS vilket är en utvecklingsplattform för att utveckla applikationer inom förstärkt verklighet. Som svar på detta så slappte Google sin egna utvecklingsplattform vid namn ARCore, som släpptes den 1 mars 2018. ARCore är också en utvecklingsplattform för utvecklandet av applikationer inom förstarkt verklighet men istället inom Android, Unity och Unreal. Sedan ARCore släpptes nyligen är det fortfarande okant vilka särskilda begränsningar som kan finnas för det. Syftet med denna avhandling är att ge företag och utvecklare en indikation om ARCores potentiella begränsningar. Målet med denna avhandling och arbete är att kartlägga hur väl ARCore fungerar under olika omstandigheter, och i synnerhet hur dess struktursdetektor fungerar och beter sig. En kvantitativ forskning gjordes med användning av fallstudie metoden. Olika tester utfördes med en modifierad test-applikation från Google. Testerna inkluderade testning av hur ARCores struktursdetektor, processen som analyserar miljön runt om sig, fungerar. Denna teknik möjliggor att användaren av en applikation kan placera ett virtuellt objekt på den fysiska miljön. Testen innebar att se hur ARCore arbetar under olika ljusnivåer, olika typer av ytor, olika vinklar och skillnaden mellan att ha enheten stationär eller rör på sig. Från testningen som gjordes kan man dra några slutsatser om ljusnivåer, ytor och skillnader mellan en rörlig och stationar enhet. Mer forskning och testning enligt dessa principer måste göras för att dra ännu mer slutsatser av systemet och dess begränsningar. Hur dessa ska göras presenteras och diskuteras.

Sport clubs are always searching for innovative ways to improve performance and obtain a competitive edge. Sports analytics today is focused primarily on evaluating metrics thought to be directly tied to performance. Injuries indirectly decrease performance and cost substantially in terms of wasted salaries. Existing sports injury research mainly focuses on correlating one specific feature at a time to the risk of injury. This paper provides a multidimensional approach to non-contact injury prediction in Swedish professional ice hockey by applying machine learning on historical data. Several features are correlated simultaneously to injury probability. The project’s aim is to create an injury predicting algorithm which ranks the different features based on how they affect the risk of injury. The paper also discusses the business potential and strategy of a start-up aiming to provide a solution for predicting injury risk through statistical analysis. Idrottsklubbar letar ständigt efter innovativa sätt att förbättra prestation och erhålla konkurrensfördelar. Idag fokuserar data- analys inom idrott främst på att utvärdera mätvärden som tros vara direkt korrelerade med prestation. Skador sänker indirekt prestationen och kostar markant i bortslösade spelarlöner. Tidigare studier på skador inom idrotten fokuserar huvudsakligen på att korrelera ett mätvärde till en skada i taget. Den här rapporten ger ett multidimensionellt angreppssätt till att förutse skador inom svensk elitishockey genom att applicera maskininlärning på historisk data. Flera attribut korreleras samtidigt för att få fram en skadesannolikhet. Målet med den här rapporten är att skapa en algoritm för att förutse skador och även ranka olika attribut baserat på hur de påverkar skaderisken. I rapporten diskuteras även affärsmöjligheterna för en sådan lösning och hur en potentiell start-up ska positionera sig på marknaden.

Since its inception, Marketing has always needed more clearly defined incrementality, i.e., a measurement of advertisement effectiveness. Nowadays, Marketing is an evergrowing business; within it, Digital Marketing is taking the spotlight. Digital Marketing brings multiple benefits, such as a global reach and a lower cost associated with customer communication. However, more importantly, customer interaction and engagement can be clearly tracked, which can help measure Marketing impact. Nowadays, this problem is tackled in two ways, A/B testing and attribution models. Even though statistically solid and proven, A/B testing, a form of hypothesis testing, faces implementation issues and other practical aspects, leading to only sometimes being used in real-world applications. On the other hand, Attribution models are not comparable, thus not quantifiable, and good attribution models are hard to develop, leaving companies relying on third-party providers. In short, this paper suggests that the impact of each marketing campaign can be measured in a two-step process: (1) Training a model to predict a customer's conversion, given their previous advertisement interactions; (2) Applying explainable machine learning methods to said model to infer the importance of each advertisement interaction in a user journey. The main methods used are permutation feature importance and Shapley values. The dataset is designed such that each type of advertisement interaction is a model's feature; thus, an importance value can be calculated for each interaction. On top of that, a local method - counterfactual explanations - and a possible implementation of a hyper-personal application are discussed. The proposed solution is shown to provide more accurate attributions than most common attribution models, with the possibility of augmenting the accuracy by changing the underlying model. It is also suggested that it could benefit significantly from more data on customer demographics, generating insights into how campaigns affect different customer segments. Marknadsföring har sedan dess begynnelse alltid behövt en tydligare definition av inkrementalitet, det vill säga, mätningen av annonsens effektivitet. Marknadsföring är numera en ständigt växande verksamhet och inom den är det den digitala marknadsföringen som står i fokus. Digital marknadsföring ger flera fördelar t.ex. global räckvidd och lägre kostnader för kundkommunikation. Viktigare är dock att kundernas interaktion och engagemang kan spåras tydligt, detta bidrar i sig till att mäta marknadsföringens effektivitet. Det här problemet hanteras på två sätt: AB-testning och tilldelningsmodeller. Även om AB-testning är statistiskt sett både gedigen och beprövad leder oftast problem med genomförandet och andra praktiska aspekter till att det endast ibland används i korrekta tillämpningar. Å andra sidan är tillskrivningsmodeller inte jämförbara - de saknar mätbarhet - och det är svårt att utveckla bra tillskrivningsmodeller vilket gör att företagen förlitar sig på tredjepartsleverantörer. I korthet föreslår denna artikel att effekten av varje marknadsföringskampanj kan mätas i en tvåstegsprocess. (1) Träning av en modell för att förutsäga en kunds konvertering baserad på deras tidigare annonsinteraktioner. (2) Tillämpning av difinierade maskininlärningsmetoder på nämnda modeller för att härleda betydelsen av varje annonsinteraktion i en användares resa. De viktigaste metoderna som användes var permutation feature importance och Shapley-värden. Datamängden utformad så att varje typ av annonsinteraktion blir en modells funktion; på så sätt kan ett betydelsevärde beräknas för varje interaktion. Dessutom diskuteras en lokal metod - kontrafaktiska förklaringar - och ett möjligt genomförande av en hyperpersonlig applikation. Den föreslagna lösningen visade sig ge mer exakta tillskrivningar än de flesta vanliga tillskrivningsmodeller, med möjlighet att öka noggrannheten genom att ändra den underliggande modellen. Det föreslås också att den skulle kunna dra stor nytta av mer data om kundernas demografi, vilket skulle generera insikter om hur kampanjer påverkar olika kundsegment.

This study analyses the evolution of the COVID-19 pandemic from a cybersecurity perspective, highlighting the different types of cyber-attacks experienced that happened around the world. In addition, this thesis shows the different types of cyber-attacks produced due to the lack of security employed during the pandemic crisis and how were the reactions of the different organizations to solving the problem. Furthermore, there are different statistics and graphical tables that show the evolution and how it covered the main types of cyber-attacks by the majority of organizations. The analysis reveals a view of those different attacks that can show in various forms. How the cybercriminals leverage the different vulnerabilities of corporate networks in a never-explored perspective makes this review different from other present papers on the COVID-19 pandemic. In addition, the study manifests the different recommendations proposed by the different experts to avoid a similar situation in times of crisis, making that study a guide to avoid similar situations in the future. In fact, the information extracted from different specialized sources will be used to carry out an objective study. Den här studien analyserar utvecklingen av covid-19-pandemin ur ett cybersäkerhetsperspektiv, och lyfter fram de olika typer av cyberattacker som upplevts runt om i världen. Dessutom visar denna avhandling de olika typerna av cyberattacker som skapats på grund av bristen på säkerhet som användes under pandemikrisen och hur de olika organisationerna reagerade på att lösa problemet. Dessutom finns det olika statistik och grafiska tabeller som visar utvecklingen och hur den täckte huvudtyperna av cyberattacker från majoriteten av organisationer. Analysen visar en syn på de olika attackerna som kan visa sig i olika former. Hur cyberbrottslingarna utnyttjar de olika sårbarheterna i företagsnätverk i ett aldrig utforskat perspektiv gör att denna recension skiljer sig från andra nuvarande artiklar om covid-19-pandemin. Dessutom visar studien de olika rekommendationerna som föreslagits av de olika experterna för att undvika en liknande situation i kristider, vilket gör den studien till en guide för att undvika liknande situationer i framtiden. Faktum är att informationen från olika specialiserade källor kommer att användas för att genomföra en objektiv studie. Este estudio analiza la evolución de la pandemia de COVID-19 desde una perspectiva de ciberseguridad, destacando los diferentes tipos de ciberataques experimentados en todo el mundo. Además, esta tesis muestra los diferentes tipos de ciberataques producidos por la falta de seguridad empleada durante la crisis de la pandemia y cómo fueron las reacciones de las diferentes organizaciones ante la solución del problema. Además, existen diferentes estadísticas y tablas gráficas que muestran la evolución y cómo se cubrieron los principales tipos de ciberataques por parte de la mayoría de las organizaciones. El análisis revela una visión de esos diferentes ataques que pueden manifestarse de diversas formas. La forma en que los ciberdelincuentes aprovechan las diferentes vulnerabilidades de las redes corporativas en una perspectiva nunca explorada hace que esta revisión sea diferente de otros documentos actuales sobre la pandemia de COVID-19. Además, el estudio pone de manifiesto las diferentes recomendaciones propuestas por los diferentes expertos para evitar una situación similar en tiempos de crisis, convirtiendo dicho estudio en una guía para evitar situaciones similares en el futuro. De hecho, se utilizará la información extraída de diferentes fuentes especializadas para realizar un estudio objetivo.

The demand for automation of simple tasks is constantly increasing. While some tasks are easy to automate because the logic is fixed and the process is streamlined, other tasks are harder because the performance of the task is heavily reliant on the judgment of a human expert. Matching a consultant to an offer from a client is one such task, in which case the expert is either a manager to the consultants or someone within HR at the company. One way to approach this task is to model the specific domain of interest using natural language processing. If we can capture the relationships between relevant skills and phrases within the specific domain, we could potentially use the resulting embeddings in a consultant to offer matching scheme. In this paper, we propose a key phrase-based web scraping approach to collect the data we need for a domain-specific corpus. To retrieve the key phrases needed as prompts for web scraping, we propose using the transformer-based library KeyBERT on limited domain-specific in house data belonging to the consultant firm B3 Indes, in order to retrieve the most important phrases in their respective contexts. Facebook's Word2vec based language model fasttext is then used on the processed corpus to create the fixed word embeddings. We also investigate numerous different approaches for selecting the right key phrases for web scraping in a human similarity comparison scheme, as well as comparisons to a larger pretrained general domain fasttext model. We show that utilizing key phrases for a domain-specific fasttext model could be beneficial compared to using a larger pretrained model. The results are not consistently conclusive under the current analytical framework. The results also indicate that KeyBERT is beneficial when selecting the key phrases compared to the randomized sampling of relevant phrases; however, the results are not conclusive. Efterfrågan för automatisering av enkla uppgifter efterfrågas alltmer. Medan vissa uppgifter är lätta att automatisera eftersom logiken är fast och processen är tydlig, är andra svårare eftersom utförandet av uppgiften starkt beror på en människas expertis. Att matcha en konsult till ett erbjudande från en klient är en sådan uppgift, där experten är antingen en chef för konsulterna eller någon inom HR på företaget. En metod för att hantera denna uppgift är att modellera det specifika området av intresse med hjälp av maskininlärningsbaserad språkteknologi. Om vi kan fånga relationerna mellan relevanta färdigheter och fraser inom det specifika området, skulle vi potentiellt kunna använda de resulterande inbäddningarna i ett matchningsprocess mellan konsulter och uppdrag. I denna rapport föreslås en nyckelordsbaserad webbskrapnings-metod för att samla in data som behövs för ett domänspecifikt korpus. För att hämta de nyckelord som behövs som input för webbskrapning, föreslår vi att använda transformator-baserade biblioteket KeyBERT på begränsad domänspecifik data från konsultbolaget B3 Indes, detta för att hämta de viktigaste fraserna i deras respektive sammanhang. Sedan används Facebooks Word2vec baserade språkmodell fasttext på det bearbetade korpuset för att skapa statiska inbäddningar. Vi undersöker också olika metoder för att välja rätt nyckelord för webbskrapning i en likhets-jämnförelse mot mänskliga experter, samt jämförelser med en större förtränad fasttext-modell som inte är domänspecifik. Vi visar att användning av nyckelord för webbskrapning för träning av en domänspecifik fasttext-modell skulle kunna vara fördelaktigt jämnfört med en förtränad modell, men resutaten är inte konsekvent signifikanta enligt det begränsade analytiska ramverket. Resultaten indikerar också att KeyBERT är fördelaktigt vid valet av nyckelord jämfört med slumpmässigt urval av relevanta fraser, men dessa resultat är inte heller helt entydiga.

In this paper, we compare the performance of two methods to find the attempts at fraud from the data provided by Sinch (formerly CLX Communications, which is a telecommunications and cloud communications platform as a service (PaaS) company). We consider the problem as finding the anomaly in a time series signal, where we ignore the duration of a single call or other features and only care about the total volume of calls in a certain period.\\ We compare Seasonal and Trend decomposition using Loess(STL) and auto-encoder-decoder under the scenario to find the anomaly in a certain period. It comes out that additive models like STL can discriminate the trending anomaly. As for auto-encoder-decoder, the anomaly can easily be found using local information, which makes the method conveniently applied. It remains a problem that unsupervised learning methods usually require manual inspection. In practical applications, we need to iterate many times with experts to find the most suitable method for that scenario. I det här dokumentet jämför vi resultatet av två metoder för att hitta bedrägeriförsöken från data som tillhandahålls av Sinch (tidigare CLX Communications, som är ett telekommunikations- och molnkommunikations-plattform som en tjänst (PaaS)-företag). Vi betraktar problemet som att hitta anomalien i en tidsseriesignal, där vi ignorerar varaktigheten av ett enstaka samtal eller andra funktioner och tar bara hänsyn av den totala volymen samtal under en viss period. Vi jämför säsongs- och trenduppdelning med Loess(STL) och auto-encoder-decoder under scenariot för att hitta anomalien under en viss period. Det visar sig att additivmodeller som STL kan diskriminera trendavvikelsen. När det gäller auto-encoder-decoder, kan avvikelsen lätt hittas med hjälp av lokal information, vilket gör metoden Lämplig att tillämpa. Det är fortfarande ett problem att oövervakade inlärningsmetoder vanligtvis kräver manuell inspektion. I praktiska tillämpningar måste vi iterera många gånger med experter för att hitta den mest lämpliga metoden för det scenariot.