I detta examensarbete beskrivs utvecklingen av ett webbaserat utlåningssystem för undervisningsmaterial, där en lokal AI-modell används för att förbättra användarupplevelsen och effektiviteten. Arbetet initierades för att ersätta den manuella utlåningsprocessen, som idag sker med Excel-ark och saknar automatisering. Systemet har integrerats med en förtränad språkmodell, DeepSeek Coder R1 7B, som körs lokalt via Ollama. Modellen har tränats med systemets egen databas över undervisningsmaterial, vilket gör det möjligt för AI:n att förstå användarfrågor och ge intelligenta svar baserat på databasinnehållet. Systemet består av ett användarvänligt webbgränssnitt, en backend i PHP/MySQL och en AI-server som kommunicerar via RESTful API:er. Utvecklingen har följt en modulär och testdriven metodik där varje komponent verifierats före integration. Resultaten visar att AI-modellen kan tolka användarinmatningar och föreslå relevant material på ett tillförlitligt och kontextmedvetet sätt. Lösningen förbättrar tillgängligheten, minskar den administrativa bördan och erbjuder ett skalbart system baserat på lokal AI-teknik.

This thesis presents the development of a web-based lending system for educational materials, enhanced by a locally hosted AI model to improve user interaction and efficiency. The project was initiated to replace the manual lending process, which previously relied on Excel spreadsheets and lacked automation and intelligent search functionality. The developed system integrates a fine-tuned large language model, DeepSeek Coder R1 7B, hosted locally using Ollama. The AI model was trained on the system’s educational resource database, allowing it to respond intelligently to user queries and suggest relevant materials. The architecture consists of a user-friendly web interface, a PHP/MySQL backend, and a separate AI module that communicates through RESTful APIs. The development process followed a modular and test-driven approach, ensuring that each component functioned reliably before full system integration. Results show that the AI module accurately interprets user queries and delivers context-aware recommendations, thereby streamlining the lending process, improving accessibility, and reducing administrative workload. This solution represents a scalable and modern approach to educational resource management, powered by locally deployed AI.