Uppsats

Webbaserad kommunikation via SMS : Integrerad LLM för effektiv meddelandehantering

M1-uppsats

Blekinge Tekniska Högskola/Institutionen för datavetenskap

Publicerad: 2025

Språk: Svenska

Sammanfattning

Artificiell intelligens har för de flesta kommit att bli en del av det vardagliga livet, antingen direkt eller indirekt. Fler och fler företag ser vinsterna med att inkludera språkmodeller i olika applikationer, samtidigt som undersökningar ger stöd för att detta är ett sätt att öka omsättningen. Syftet med denna studie är att utreda hur en språkmodell och ett SMS-API kan implementeras i samspel med varandra, för att möjliggöra effektivare kommunikation mellan säljande företag och dess kunder. Dessutom syftar studien till att klargöra hur orderinformation kan presenteras på sådant sätt att denna enkelt kan överblickas. En krav- och utvecklingsbaserad metod används för att designa och implementera en prototyp där både API och språkmodell finns integrerade. För att testa detta i ett orderscenario nyttjas en testgrupp, som efter genomfört test även besvarar en enkät för att sammanfatta hur de upplevde orderflödet. En litteraturstudie genomförs för att ge en bild av hur datan kan presenteras. Studien visar att in-context-promptning enligt ett strukturerat schema är en gynnsam metod för att extrahera information från SMS, som sedan kan tolkas och besvaras. Samtidigt visar litteraturstudien att det saknas konsensus kring hur aktuell data bör presenteras och att individuella preferenser gör det svårt att generalisera på gruppnivå. Arbetet visar att det på ett effektivt sätt går att integrera ett SMS-API med en språkmodell, men att fortsatt arbete är nödvändigt för att exempelvis säkerställa att spontana avvikelser i kommunikationen kan undvikas. Dessutom visar studien att fortsatt arbete krävs för att ge en tydlig bild av hur datan bör presenteras, samt att detta kan kräva nyttjande av metoder utöver den aktuella.

Information

Författare
Andersson, Calle
Lärosäte / institution
Blekinge Tekniska Högskola/Institutionen för datavetenskap
Publiceringsdatum
2025
Uppsatstyp
M1-uppsats
Språk
Svenska

Utforska vidare

Liknande uppsatser

Uppsatser med liknande ämnen och nyckelord.