No aprendizado de máquina supervisionado tradicional, almeja-se desenvolver um modelo que se torne bem sucedido e eficiente em uma tarefa, a partir de dados de exemplo. Geralmente, são construídos modelos específicos que se destacam apenas em um problema específico. Esse formato de desenvolvimento tradicional gera um alto custo de tempo para criar, treinar e ajustar modelos do zero para cada novo problema que se deseja resolver, mesmo que seja um problema que já foi resolvido na indústria. O transfer learning busca resolver esse problema, aproveitando o conhecimento e os dados existentes de um determinado domínio para aplicar em um novo. Vários pesquisadores destacam que o transfer learning será essencial para o sucesso comercial e empresarial. Andrew Ng, renomado professor e cientista de dados que foi associado ao Google Brain, Baidu, Stanford e Coursera, mencionou em 2016: "Após o aprendizado supervisionado, o transfer learning será o próximo motor do sucesso comercial". O transfer learning mostrou-se particularmente eficaz em dados de imagem, onde é comum aproveitar um modelo de aprendizado profundo treinado em alguns conjuntos de dados grandes de imagem, como o ImageNet. Esses modelos pré-treinados podem ser incluídos diretamente em outros novos modelos que terão imagens como entrada. Em dados textuais, também existem modelos pré-treinados para aprender representações de palavras. Eles podem ser incorporados aos modelos de linguagem de aprendizado profundo, tanto no estágio de entrada quanto no de saída. Objetiva-se desenvolver modelos de prognóstico preditivo para um determinado setor industrial, que possa ser reutilizado em parte como ponto de partida para prever falhas em outro setor da empresa, utilizando transfer learning. Para tal, será mapeado características entre as tarefas de origem e destino e desenvolvido técnicas para melhorar o aprendizado em tarefas destino, alavancando o conhecimento da tarefa de origem, otimizando o tempo de aprendizado e a precisão da tarefa de destino. (AU)