This thesis explores the development and implementation of AI to extract accurate information from Cedervall's existing tenders. Using Microsoft's Azure platform, a Large Language Model (LLM) was built and for security reasons the data was then stored in Azure blob storage. A prototype AI model, using vector embedding was developed. Alongside that an application was developed in order to find suitable architects for tenders via a filtering algorithm. The project progressed through tasks, starting with small scale AI training and expanding to larger datasets, including tests with Azure's pre built bots. The CV application, designed with Python's Tkinter framework which ended up helping Cedervall with their tendering processes. Results demonstrate the AI's capability to provide smarter, more accurate responses for tenders. The CV application was also deployed and used by Cedervall for their employee filter process.

Detta examensarbete innefattar utvecklingen och implementeringen av AI för att extrahera korrekt information från Cedervalls befintliga anbud. I Microsofts Azure-plattform byggdes en Large Language Model (LLM) och för säkerhetsskäl lagrades sedan all data i Azure blob lager. En prototyp AI-modell, tillsammans med vektorinbäddning utvecklades. ingenjörskonst, utvecklades. Vid sidan om utvecklades en applikation för att hitta lämpliga arkitekter för anbud via en filtreringsalgoritm. Projektet genomfördes genom att dela upp den i mindre delar, började med småskalig AI upplärning som sedan gick över till större datauppsättningar, inklusive tester med Azures förbyggda bots. CV ansökan, designades med Pythons Tkinter ramverk, som resulterade i att hjälpa Cedervall med deras anbuds processer. Resultaten visar AI:s förmåga att ge smartare, mer exakta svar för anbuden. CV applikationen lanserades och använts för att filtrera medarbetarna.