För studenter
Vi samarbetar regelbundet med studenter i examensarbetesprojekt i skärningspunkten mellan AI, datasystem och verkliga tillämpningar. Nedan finns våra öppna ämnen för våren 2027. Intresserad? Hör av dig via vår kontaktsida.
Ämne 1
Vektorfri RAG-utvärdering
RAG-system (Retrieval-Augmented Generation) utvärderas vanligtvis med inbäddningslikhetsmetriker, men dessa korrelerar inte alltid med verklig nytta. Detta examensarbete skulle utforska utvärderingsramverk för RAG som inte använder vektorlikhet som primär signal — till exempel LLM-som-domare, uppgiftsbaserade proxymått eller trohetsmått. Målet är en reproducerbar utvärderingsmetodik som kan tillämpas i produktionsbaserade kunskapssystem.
Lämplig för en student med intresse för informationsåtervinning, NLP eller tillämpad ML-utvärderingsmetodik.
Ämne 2
Inbäddningsutvärdering för heterogena datatyper
Inbäddningsmodeller utvärderas vanligtvis mot textbenchmarks, men produktionssystem indexerar i allt högre grad strukturerad data, kod och dokument med blandat innehåll. Detta examensarbete skulle systematiskt utvärdera inbäddningsmodellers prestanda för dessa datatyper, föreslå en benchmark-svit och identifiera var nuvarande modeller brister. Praktiskt resultat: en urvalsvägledning för inbäddningsmodeller baserad på en dataprofil.
Lämplig för en student med intresse för representationsinlärning, NLP eller ML-system.
Ämne 3
LLM-agenter för säkerhetsoperationer och GDPR-kompatibel hotrespons
Security Operations Centers (SOC) hanterar växande volymer av larm som överstiger mänsklig analyskapacitet. Detta examensarbete skulle undersöka hur LLM-agenter kan tillämpas i SOC-arbetsflöden — triage, utredning och incidenthantering — med hänsyn till GDPR:s krav på hantering av personuppgifter och granskningsansvar. Centrala frågor är: vilka uppgifter kan tryggt delegeras till en agent, hur man säkerställer dataminimering i agentbaserade pipelines och hur man upprätthåller förklarliga och granskningsbara beslutskedjor. Målet är en praktisk modell för att driftsätta LLM-agenter i en säkerhetskontext där regelefterlevnad är oundviklig.
Lämplig för en student med intresse för AI-system, säkerhetsoperationer eller dataskyddslagstiftning.
Ämne 4
Inferens av användarnöjdhet från konversationssignaler i företags-AI-system
De flesta företagsdriftsatta AI-system saknar användbar återkoppling — användare klickar sällan på tumme upp eller fyller i betyg, vilket gör att team i stort sett flyger blinda när det gäller om systemet faktiskt hjälper. Detta examensarbete skulle undersöka om man kan dra slutsatser om nöjdhet från hur användare beter sig i konversationer: omformulerar de samma fråga? Hoppar de av mitt i ett ärende? Säger de "tack, det var precis det"? Metoden skulle byggas och valideras mot offentliga datamängder som LMSYS Chatbot Arena, WildChat och Anthropic HH, och sedan testas på hur väl den håller i domänspecifika företags-Q&A-miljöer.
Passar en student med intresse för NLP, användarbeteende eller tillämpad maskininlärning.