Doina Precup partage son temps entre l’Université McGill, où elle est titulaire d’une chaire d’IA Canada-CIFAR, et DeepMind Montréal, où elle dirige l’équipe de recherche depuis sa création en octobre 2017. Elle est également un membre central de Mila (l’institut québécois d’IA). Mme Precup a obtenu son doctorat en informatique à l’Université du Massachusetts-Amherst en 2000. Ses principaux intérêts de recherche portent sur l’apprentissage par renforcement, en se concentrant sur l’abstraction temporelle, l’amélioration de la généralisation et de l’efficacité, et l’application de l’apprentissage automatique à des problèmes du monde réel, notamment en médecine. Mme Precup participe également à des activités visant à améliorer la diversité dans l’apprentissage automatique.

L’apprentissage par renforcement est un sujet de recherche qui s’est développé à l’intersection de la recherche opérationnelle, des statistiques, des neurosciences et des sciences cognitives. Il fournit une approche permettant aux agents autonomes d’apprendre à partir de l’interaction avec leur environnement et des récompenses, qui fournissent un codage des objectifs. Mais comment traduire des tâches intuitives en une récompense numérique ? Et une telle récompense, associée à un environnement intéressant, serait-elle suffisante pour permettre aux agents d’acquérir des compétences et des prédictions complexes ?