SequeL est équipe projet Inria depuis 2007, comprenant environ 25 personnes, dont une petite moitié de permanents (chercheurs et enseignants-chercheurs).
La thématique de recherche est l'apprentissage séquentiel, en particulier la prise de décision séquentielle dans l'incertain. Notre boîte à outils est basée sur les mathématiques continues et les statistiques.
SequeL a une activité forte en apprentissage par renforcement, sur des aspects théoriques, en particulier l'étude des propriétés non asymptotiques des algorithmes, notamment utilisant des approximateurs de fonctions pour la représentation de l'espace d'états, le transfert.
SequeL a également une forte contribution dans l'étude des problèmes de bandits, soit l'étude du compromis exploration-exploitation dans l'incertain. Nous développons des travaux théoriques sur l'analyse des propriétés non asymptotiques des algorithmes et la proposition de nouveaux cadres du problématique influencés par les besoins applicatifs. En particulier, les bandits structurés constituent un sujet fortement étudié, permettant de traiter des problèmes avec des grands nombres, voire une infinité de bras/choix possibles.
Nous avons développé de nombreuses applications notamment dans les problématiques de publicité en ligne, de systèmes de recommendation, e-education, ... Ces problèmes sont caractérisés par la nécessité de gérer des ressources finis, évoluant au fil du temps, avec des contraintes de temps de réponse généralement assez forte (ms pour les applications sur Internet).
À partir de 2004, SequeL est devenu un acteur révolutionant le développement de programme jouant au go, au travers des méthodes de « recherche arborescente Monte Carlo », incarné dans le logiciel Crazy Stone.
SequeL étudie également des problémes traditionnelles de classification supervisé, non supervisé, régression, ranking, ... comme composants permettant d'attaquer une tâche de prise de décision séquentielle dans l'incertain. On s'intéresse aux problématiques de représentations des données pour l'apprentissage et des modèles appris, avec un intérêt particulier pour les représentations non paramétriques. Depuis 2016, nous explorons le deep learning.
SequeL collabore avec de nombreux chercheurs en particulier au Canada, aux États-Unis et en Europe. SequeL a également une activité de transfert importante avec des entreprises de toute taille, régionales, nationales et internationales.