1. Startsida
  2. Jobba med oss
  3. Lediga jobb
  4. Examensarbete på Bolagsverket
  5. AI-baserad förväxlingsriskanalys av företagsnamn för att motverka manipulation och bedrägerier

Examensarbete: AI-baserad förväxlingsriskanalys av företagsnamn för att motverka manipulation och bedrägerier

Företagsnamn som liknar varandra är inte bara förvirrande – de kan också vara en säkerhetsrisk. Med hjälp av AI finns möjligheten att utveckla smarta verktyg som identifierar och förebygger förväxlingsrisker innan skadan är skedd. Det här examensarbetet syftar till att skapa ett förväxlingsindex och en AI-modell som stärker både informationssäkerhet och brottsförebyggande arbete.

Bakgrund

I en digital värld där företagsinformation enkelt kan manipuleras, förvanskas eller utnyttjas för bedrägerier (exempelvis företagskapning, falska fakturor, phishing), är risken stor att företag förväxlas med varandra. Detta kan leda till ekonomiska förluster, skadat förtroende och onödiga kostnader för såväl det offentliga som B2B- och B2C-aktörer. Företagsnamn och företagsidentiteter är ofta likartade, och i kombination med manipulation av information i exempelvis öppna API:er eller sociala medier kan förväxling ske medvetet eller omedvetet.

Problembeskrivning

Det finns behov av verktyg som kan mäta och förutse förväxlingsrisker och identifiera potentiella manipulationer innan de leder till incidenter. Hur kan vi med AI utveckla och utvärdera en AI-baserad lösning för att analysera och minimera förväxlingsrisk mellan företag? Finns en framgång i framtagning av ett förväxlingsindex? Syftet med ett sådant arbete är att stärka både konsumentskydd och företags förmåga att agera säkert på marknaden, samt att bidra till brottsförebyggande arbete mot ekonomisk brottslighet kopplad till felaktig eller manipulerad företagsinformation. Ett önskat nyläge innefattar exempelvis:

  • En AI-modell som beräknar förväxlingsindex mellan företagsnamn, inklusive hantering av stavfel, liknande domännamn, fonetiska likheter och visuell likhet i logotyper.
  • En modell som testas på verkliga företagsdata (exempelvis registerdata) och analys av träffsäkerheten.
  • Förståelse för hur manipulation (exempelvis små stavförändringar eller fejkade webbplatser) kan upptäckas och mätas med hjälp av modellen.
  • En marknadsanalys ur ett brottsförebyggande B2B- och B2C-perspektiv för att undersöka potentiella nyttor med modellen på marknaden.
  • Utvärdera hur lösningen kan användas i praktiken för att minska riskerna för företag och konsumenter, exempelvis i samband med företagsnamnsregistrering eller annan automatiserad riskanalys.

Relevanta forskningsfrågor

  • Hur kan AI användas för att automatiskt mäta likhet mellan företagsnamn ur ett förväxlings- och manipulationsperspektiv?
  • Vilka AI-metoder (exempelvis transformerbaserade språkmodeller, fuzzy matching, bildigenkänning) är mest lämpliga för att mäta förväxlingsrisk kopplat till text, ljud och visuella attribut?
  • Hur kan ett förväxlingsindex utformas och valideras?
  • Hur kan denna lösning bidra till brottsförebyggande arbete och stärkt informationssäkerhet för företag och myndigheter?
  • Hur ser marknadsbehovet ut för lösningar som proaktivt hanterar förväxlingsrisker på B2B- och B2C-marknader?

Förväntat resultat

  • Ett AI-baserat koncept som kan mäta förväxlingsrisk mellan företagsnamn och flagga manipulationstendenser.
  • Ett förväxlingsindex med tröskelvärden för risknivåer.
  • En rapport om hur verktyget kan användas i praktiken för att förebygga ekonomisk brottslighet och öka informationssäkerhet.
  • En marknadsanalys som visar potential för införande i processer såsom kundkännedom (KYC), leverantörsval, varumärkesstrategi och konsumentskydd.

Akademisk relevans

Projektet är tvärvetenskapligt inom

  • maskininlärning och AI för text- och bildanalys
  • informationssäkerhet och cybersäkerhet
  • ekonomisk brottsprevention
  • marknadsanalys och affärsutveckling kopplat till AI-lösningar.

Examensarbetet kan kopplas till ämnen som industriell ekonomi, data science, datateknik, informationssystem eller maskinteknik med AI-inriktning.

Förkunskapskrav

  • Grundläggande programmeringsvana (Python).
  • Grundläggande kunskaper i maskininlärning eller statistik.
  • Intresse för samhällsnytta och brottsprevention med AI.

Mer information

Bolagsverket tillhandahåller relevant internt data.

Bolagsverket tillhandahåller relevant hårdvara.

Informationen får inte behandlas i molntjänst.

Nödvändigt att följa Bolagsverkets säkerhetsföreskrifter.

Relevanta artiklar

Här är relevant forskning och artiklar kopplade till förväxlingsrisk mellan företag, manipulation av företagsdata samt AI-baserade metoder för att minska dessa risker, ur brottsförebyggande, marknads- och tekniskt perspektiv:

AI-metoder för text- och namnlikhetsanalys

För tillämpning i examensarbetet

Användning av dessa källor i litteraturgenomgången kan ge akademisk förankring för:

  • Metoder för att mäta och analysera namnlikhet (fuzzy matching, embeddings).
  • Koppling till konsumenters och företags upplevda förväxlingsrisk.
  • Hur AI-lösningar kan användas i brottsförebyggande arbete.
  • Juridiska och regulatoriska ramar för hantering av företagsinformation.

Område

AI, ML, LLM, Fraud detection, riskassessment, Crime prevention, Businessvalue.

Kompetens

Akademisk relevans – master eller kandidat beroende på dellösning eller helhetslösning

Projektet är tvärvetenskapligt inom

  • maskininlärning och AI för text- och bildanalys
  • informationssäkerhet och cybersäkerhet
  • ekonomisk brottsprevention
  • marknadsanalys och affärsutveckling kopplat till AI-lösningar.

Exjobbet kan kopplas till ämnen som industriell ekonomi, data science, datateknik, informationssystem eller maskinteknik med AI-inriktning.

Förkunskapskrav

  • Grundläggande programmeringsvana (Python).
  • Grundläggande kunskaper i maskininlärning eller statistik.
  • Intresse för samhällsnytta och brottsprevention med AI.

Kontakt

Martin Roos, Erika Sjödin och Johannes Lindén.