Team Data Exploit

<p>I utbildningsvideon presenteras hur ett team närmade sig AI-projekt genom att inledningsvis arbeta med breda startprompter och samla in idéer tillsammans med intressenter. Projekten valdes utifrån tillgång till tydlig data och klara, uppmätta mål, vilket bidrog till en strukturerad prioritering. Teamet understryker att standardisering av data och införandet av AI-kompatibel infrastruktur är avgörande för att möjliggöra framtida satsningar inom området. Vikten av både teoretisk AI-kunskap (AI-literacy) och synliga, demonstrativa projekt lyfts fram för att snabbt skapa förståelse och engagemang bland kollegor. Det rekommenderas att arbeta inkrementellt – börja enkelt och bygg vidare stegvis, hellre än att försöka lösa allt på en gång.</p>
<p>Erfarenheter delas kring effektiva arbetsflöden, där en kombination av olika AI-verktyg används för att stödja projektens behov. Som ytterligare råd föreslås det att starta med mindre, roliga projekt och använda språkmodeller som LLM:er för dialog, reflektion och kompetensutveckling. Konkreta verktyg som tas upp i videon är Lovable, ChatGPT, Claude, Cursor och Anything LLM. Sammanfattningsvis betonas vikten av enkla starter, datakvalitet, och fortlöpande lärande när man introducerar och skalar AI i ett team.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Prioritera projekt med tydlig data och genomtänkta mål</li>
<li>Standardisera data och bygg en AI-vänlig infrastruktur</li>
<li>Kombinera flera AI-verktyg för effektivare arbetsflöden</li>
<li>Satsa på små, synliga och roliga pilotprojekt först</li>
<li>Se AI-literacy som en kontinuerlig, praktisk process</li>
</ul>

<p>Team Data Exploit presenterar i denna video sitt arbete under sommaren där de utvecklat åtta olika prototyper baserade på fyra delprojekt: Publication Data, Formatting Machine, Rebirth Data och Visualization Expert. Videon går snabbt igenom funktionaliteten för varje prototyp, bland annat en applikation som automatiskt anpassar texter för olika sociala medier och målgrupper, ett text-till-tal-verktyg som skapar podcaster från texter, en bildgenerator utifrån textprompter, samt en applikation som omvandlar bilder och text till video.</p>
<p>Gruppen har även utvecklat en karta som analyserar och visualiserar ryktesspridning om Chalmers på sociala medier, en chatbot kopplad till Chalmers publikationsdatabas för att svara på frågor om forskning och författare, samt en interaktiv digital resa genom studentlivet vid Chalmers – tänkt som rekryteringsverktyg. Slutligen beskrivs en nyhetsvärderare som summerar och värderar forskningsnyheter. Sammanfattningsvis får tittaren en överblick av innovativa AI- och dataexplorationsverktyg med konkret användning inom kommunikation, rekrytering och informationssökning vid Chalmers.</p>

<p>Utbildningsvideon presenterar resultatet av Team Data Exploit’s arbete kring ett projekt kallat Formatting Machine, eller “formatmaskinen”. Laget har tagit fram fyra prototyper som demonstrerar hur AI kan användas för att omvandla text till olika format: sociala medier-text, text-till-tal, text-till-bild och text-till-video. Huvudfokus ligger på prototypen Social Media Text Transformer, som hjälper användare inom kommunikation, marknadsföring, tillgänglighetsanpassning och utbildning att snabbt omformatera en originaltext för olika sociala mediekanaler som Facebook, Instagram, LinkedIn och TikTok. </p>
<p>Verktyget fungerar så att användaren klistrar in sin text, väljer målgrupp och plattform, och får automatiskt flertalet anpassade texter. Texterna anpassas till både kanalernas och målgruppernas krav, inklusive längd, ton och språk – exempelvis professionell ton för LinkedIn och ett mer lättsamt tilltal för TikTok. Gruppens exempel bygger på Chalmers universitets tonalitet som kan anges i en prompt, men arbetet är än så länge kopplat till ett externt språkmodell-API och inte en egenutvecklad modell. Verktyget förenklar och automatiserar repetitiva moment i textproduktion, vilket sparar tid och låter användaren fokusera på kvalitetsgranskning. Vidare utvecklingsmöjligheter innefattar översättning till många språk, förenkling av texter och koppling till bild-, video- och talgenerering. Verktyget både ökar tillgänglighet och kan förenkla internkommunikation samt utbildningsmaterial.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>AI-verktyget formatterar och anpassar texter automatiskt till olika målgrupper och kanaler.</li>
<li>Förenklar repetitiva arbetsuppgifter och sparar tid för kommunikatörer.</li>
<li>Texterna kan anpassas efter tonalitet och översättas till flera språk.</li>
<li>Vidareutveckling kan inkludera förenklad text, bild, video och ljud.</li>
</ul>

<p>Videon presenterar Team Data Exploits arbete med fyra AI-prototyper där fokus idag ligger på projektet Formatmaskinen. Huvudsyftet är att skapa verktyg för Chalmers sociala kanaler, marknadsföring, tillgänglighet och utbildning genom att generera utbildningsmaterial. Specifikt demonstreras två moduler: text-till-bild och bild-till-video.</p>
<p>Text-till-bild-applikationen låter användaren skriva en beskrivning (prompt) som omvandlas till en bild med hjälp av AI, främst DALL·E-modellen. Användarna kan välja bildstil, storlek, kvalitet och format, samt använda en AI-funktion som förbättrar prompten för bättre resultat. Bild-till-video-applikationen tar en bild-URL och beskrivning som input och genererar en kort video via Runways API. Användaren kan välja videolängd (5 eller 10 sekunder), format och kvalitet, samt även här få hjälp att förbättra prompten. Det påpekas begränsningar i nuvarande API:er, såsom att endast bildlänkar stöds och att AI-genererade videor är kostsamma och tidsbegränsade.</p>
<p>Teamet visar hur man kan kringgå begränsningarna genom att skapa flera bilder som storyboard och därefter generera sekventiella korta videos för att få längre innehåll, samt möjligheten att bygga pipelines som inkluderar text-till-bild, bild-till-video, text-till-tal och sociala media-transformationer. Slutligen diskuteras applikationsmöjligheter inom utbildning och intern/externt kommunikation, exempelvis att kombinera AI-avatarer och genererade slides för interaktivt utbildningsmaterial.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Prototyper för AI-driven bild- och videogenerering demonstreras.</li>
<li>Promptförbättring med AI förenklar kvalitativt innehåll.</li>
<li>Begränsningar finns i API:er för generering av film/bild.</li>
<li>Stora möjligheter inom utbildning och kommunikation framöver.</li>
</ul>

<p>Videon presenterar Chalmers Social Media Map, en interaktiv prototyp framtagen av Team Data Exploit för att visualisera och analysera diskussioner om Chalmers på sociala medier. Syftet är att ge överblick och insikt om hur Chalmers uppfattas och diskuteras digitalt, främst genom data hämtad från Meltwater (som samlar in innehåll från Twitter, Instagram och nyhetssidor) och Reddit (via scraping av relevanta trådar). Verktyget erbjuder användaren möjligheter att filtrera och utforska data utifrån sentiment (positivt/negativt), geografisk position, ämnesområden samt visa ordmoln över vanliga begrepp i olika sammanhang kring Chalmers. En särskild styrka är prototypens sentimentanalys, som med hjälp av stora språkmodeller (LLM) ger bättre träffsäkerhet än Meltwaters egen analys, eftersom den kan anpassas till Chalmers specifika kontext.</p>
<p>Möjliga tillämpningar är marknadsföring, rekrytering och kvalitetsutvärdering, där man till exempel kan spåra vilka delar av världen eller vilka utbildningsprogram som diskuteras mest, och hur de uppfattas. Projektet har dock mött utmaningar gällande datakvalitet, saknad av live-data, och begränsningar i demografisk information. Framtida förbättringar kan inkludera fler datakällor, levande dataflöden, avancerad filtrering, tidslinjer och förbättrad integration av nyhets- eller mediekopplingar.</p>
<p>Sammanfattningsvis är verktyget en avancerad prototyp för social mediebevakning som redan idag bidrar med nya insikter och har stor potential för vidareutveckling.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Datakällor: Meltwater (textbaserad social media och nyheter) och Reddit.</li>
<li>Verktyg: Interaktiv visualisering, filtrering, sentimentanalys med LLM, ordmoln.</li>
<li>Tillämpningar: Marknadsföring, rekrytering, kvalitetsanalys.</li>
<li>Utmaningar: Datakvalitet, live-data, demografi och vidare datakopplingar.</li>
<li>Stor potential för vidareutveckling och ökad nytta för Chalmers.</li>
</ul>

<p>Utbildningsvideon presenterar resultatet av Team Data Exploit’s arbete kring ett projekt kallat Formatting Machine, eller “formatmaskinen”. Laget har tagit fram fyra prototyper som demonstrerar hur AI kan användas för att omvandla text till olika format: sociala medier-text, text-till-tal, text-till-bild och text-till-video. Huvudfokus ligger på prototypen Social Media Text Transformer, som hjälper användare inom kommunikation, marknadsföring, tillgänglighetsanpassning och utbildning att snabbt omformatera en originaltext för olika sociala mediekanaler som Facebook, Instagram, LinkedIn och TikTok. </p>
<p>Verktyget fungerar så att användaren klistrar in sin text, väljer målgrupp och plattform, och får automatiskt flertalet anpassade texter. Texterna anpassas till både kanalernas och målgruppernas krav, inklusive längd, ton och språk – exempelvis professionell ton för LinkedIn och ett mer lättsamt tilltal för TikTok. Gruppens exempel bygger på Chalmers universitets tonalitet som kan anges i en prompt, men arbetet är än så länge kopplat till ett externt språkmodell-API och inte en egenutvecklad modell. Verktyget förenklar och automatiserar repetitiva moment i textproduktion, vilket sparar tid och låter användaren fokusera på kvalitetsgranskning. Vidare utvecklingsmöjligheter innefattar översättning till många språk, förenkling av texter och koppling till bild-, video- och talgenerering. Verktyget både ökar tillgänglighet och kan förenkla internkommunikation samt utbildningsmaterial.</p>
<h4>Nyckelpunkter:</h4>
<ul>
<li>AI-verktyget formatterar och anpassar texter automatiskt till olika målgrupper och kanaler.</li>
<li>Förenklar repetitiva arbetsuppgifter och sparar tid för kommunikatörer.</li>
<li>Texterna kan anpassas efter tonalitet och översättas till flera språk.<br>Vidareutveckling kan inkludera förenklad text, bild, video och ljud.</li>
</ul>

<p>Team Data Exploit har utvecklat ett digitalt verktyg som erbjuder en interaktiv, spelifierad upplevelse för blivande studenter som vill utforska hur det skulle vara att studera på Chalmers. Verktyget simulerar en resa genom studentlivet med hjälp av scenarion som genereras av en språkmodell (LLM), baserat på fakta om Chalmers utbildningar, studentföreningar och aktiviteter. Användaren får göra val vid olika tillfällen – exempelvis vid programval, utbytesstudier och examensarbete – vilket ger en personlig och inspirerande bild av möjliga studievägar och aktiviteter på Chalmers.</p>
<p>Scenarierna anpassas och blir unika för varje testtillfälle. Verktyget syftar till att stödja rekryteringen av nya studenter genom att göra utbildningsvalet mer konkret och underhållande, men har även potential att användas för att attrahera forskare eller masterstudenter och kan utökas till att ge insikt om studenters fortsatta karriär. Diskussioner har förts om att koppla verktyget till verkliga studenters resor, personlighetstest, och nätverk som LinkedIn för att öka relevansen och nyttan ytterligare. Verktyget är fortfarande under utveckling och kvalitetssäkring av informationen behövs för att bli en produkt i full skala.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Interaktiv simulering av studentliv och utbildningsval på Chalmers.</li>
<li>Genereras av språkmodell med tillgång till fakta om utbildningar och studentaktiviteter.</li>
<li>Kan inspirera, informera och stödja blivande studenters val.</li>
<li>Potential att länka verkliga karriärvägar från existerande alumner.</li>
<li>Verktyget kan anpassas och utvecklas för fler målgrupper och ändamål.</li>
</ul>

<p>Team Data Exploit presenterar sitt arbete med att utveckla en forsknings-chatbot kopplad till Chalmers publikationsdatabas. Chatboten bygger på språkmodeller (LLM) och är skapad för att göra det enklare att ställa frågor om forskare, projekt och publikationer, och snabbt få sammanställningar utifrån tillgänglig metadata. Genom ett system av “verktyg” kan chatboten söka i flera delar av databasen, exempelvis efter personer, projekt eller organisationer, och resonera i flera steg för att besvara både enkla och mer komplexa forskningsfrågor.</p>
<p>Utvecklarna förklarar tekniken bakom, såsom användningen av en React Agent som planerar och utför flera sökningar tills ett tillfredsställande svar nås, och vikten av att verktygen måste fungera smidigt tillsammans. Systemet är huvudsakligen baserat på Chalmers egen databas, men diskussion förs om möjligheten att integrera fler externa källor, exempelvis genom forskaridentiteten ORCID. Utmaningar består i att hantera datakvalitet och att skapa verktyg som fungerar över flera datakällor.</p>
<p>Vidare diskuteras potentialen att använda sociala grafer och att visualisera forskningssamarbeten, samt möjligheter att gå över till grafdatabaser och använda modernare teknik för smartare sökningar. Insikten är att chatbotar kan möjliggöra enklare och mer intuitiv tillgång till akademisk data och att vidareutveckling kan göra dem till centrala verktyg för forskning, samarbete och utveckling av akademiska organisationer.</p>
<h4>Sammanfattning:</h4>
<ul>
<li>Chatbotar byggda på LLM underlättar komplexa frågor om forskningsdata.</li>
<li>Systemet använder flera “verktyg” för att hämta information ur olika register.</li>
<li>Integration med externa datakällor och ORCID ger bredare datatäcke.</li>
<li>Framtida steg är integration med sociala grafer, grafdatabaser och smartare sökfunktioner.</li>
<li>Utvecklingen visar på värdet av strukturerad data och moderna AI-verktyg inom forskning.</li>
</ul>

<p>Teamet introducerar applikationen Nyhetsvärderaren, vars syfte är att automatisera värdering och sammanfattning av forskningsartiklar för att underlätta nyhetsurval inom vetenskapskommunikation. Användare kan antingen ladda upp Excel-filer innehållande DOI:er eller manuellt ange enskilda DOI-nummer för artiklar de vill analysera. Applikationen analyserar sedan artiklarnas innehåll och producerar populärvetenskapliga sammanfattningar, rubrikförslag samt levererar en poängbedömning av varje artikels nyhetsvärde.</p>
<p>Trots utmaningar med att hämta fullständiga texter och bearbeta pdf-filer har utvecklingsarbetet resulterat i en fungerande prototyp, vilket ses som ett betydande steg framåt. Verktyget effektiviserar därmed processen att identifiera och kommunicera relevant forskning för en bredare publik.</p>

Team Smart Campus

Team Smart Uni

Team 10xIndividual

Team Education

Team Upskill

Team AI-based feedback

Explorativa AI-projekt 2025

Välj ämne

Kursplan för

Ämne

Utbildningsområde

Tillåtna byten av obligatoriska kurser

För att se din utbildningsplan – välj det läsår du påbörjade programmet.

Explorativa AI-projekt 2025

Team Data Exploit

Introduktion till Team Data Exploit

Videobeskrivning: Introduktion till Team Data Exploit

Sammanfattning av projektet

Videobeskrivning: Sammanfattning av projektet

Text till tal

Videobeskrivning: Text till tal

Text till bild till video

Videobeskrivning: Text till bild till video

Chalmers Life Journey

Videobeskrivning: Chalmers Life Journey

Forskningschatbot

Videobeskrivning: Forskningschatbot

Nyhetsvärderaren

Videobeskrivning: Nyhetsvärderaren

Team Data Exploit

Introduktion till Team Data Exploit

Videobeskrivning: Introduktion till Team Data Exploit

Sammanfattning av projektet

Videobeskrivning: Sammanfattning av projektet

Text till tal

Videobeskrivning: Text till tal

Text till bild till video

Videobeskrivning: Text till bild till video

Chalmers Social Media Map

Videobeskrivning: Chalmers Social Media Map

Social Media Text Transformer

Videobeskrivning: Social Media Text Transformer

Chalmers Life Journey

Videobeskrivning: Chalmers Life Journey

Forskningschatbot

Videobeskrivning: Forskningschatbot

Nyhetsvärderaren

Videobeskrivning: Nyhetsvärderaren