In recent years, the open sourcing of pretrained machine learning models through platforms like Hugging Face has reduced the barriers to entry in big data analysis. This thesis studies the use case of such models for web-based organisations, with a focus on text classification. The use of pretrained models, known as transfer learning, is evaluated against the traditional supervised machine learning approach. As a case study, this report investigates an RSS feed content manager called Feeder which aims to classify their user-read content into 10 predefined categories. Therefore, a naive Bayes model is developed to represent the traditional approach and a pretrained transformer model is used to represent the transfer learning approach. These classifiers are subsequently evaluated separately on efficiency and accuracy. The results indicate that a transfer learning approach yields more accurate predictions, whereas the traditional models may be less computationally intensive. Furthermore, this report analyses the business case for the use of transfer learning through the lens of consumer profiling theory and Porter’s five forces. An interview with Feeder’s chief technical officer suggests that there are unlimited uses of the technology, and with the development of improved processing power and cloud computing its feasibility in practice is substantially improved.

De senaste åren har tillgängligheten till sofistikerade maskininlärningsmetoder ökat markant till följd av att delgivandet av öppen källkod via plattformar som Hugging Face blivit allt vanligare. Detta har lett till att tröskeln för att implementera dessa modeller blivit mycket lägre. Detta arbete utvärderar hur tillämpningen av en av dessa modeller kan underlätta för mindre databaserade företag att utmana företag med stora mängder data och kunskap. Denna metod, även kallad för transfer learning, jämförs med den mer traditionella övervakade maskininlärningsmetodiken. Detta arbete centreras runt en studie av företaget Feeder som hade kunnat stärka sin kundförståelse och värdeerbjudande med hjälp av en textklassificeringsmodell. En databas av miljontals nyhetsartiklar skall klassificeras till en av tio förbestämda kategorier. För att representera den mer traditionella metoden används en klassificerare av typ naive Bayes. Transfer learning representeras av en förtränad transformers-modell. Modellerna utvärderas på både dess effektivitet och förmåga att klassificera korrekt. Resultaten påvisar att transfer learning ger mycket träffsäkrare resultat, medan den mer traditionella modellen är betydligt mindre prestandakrävande. Vidare analyserar arbetet hur användarens lojalitet påverkas av dataföretagens värdeerbjudande. En studie av både konsumentprofilierings-teori och Porters fem krafter genomförs. Feeders IT-chef uttryckte i en intervju att det finns oändligt många användningsområde av teknologin, särskilt med tanke på möjligheterna som molnbaserade exekveringstjänster (cloud computing) erbjuder. Detta möjliggör för transformerns implementation i praktiken, och inte bara teorin.