Jennifer Neville 是微軟研究院的合夥人研究經理，同時擔任普渡大學電腦科學與統計學 Samuel D. Conte 講席教授。她的研究聚焦於機器學習和 AI 在互動領域及結構化資料中的應用，尤其關注訓練資料如何影響系統行為，以及這些行為是否與使用者的真實期望一致。她已發表超過 130 篇論文，被引用超過 1 萬次，並獲得過 NSF CAREER 獎、IEEE ‘10 to Watch’ 等榮譽。
她的職業軌跡頗為曲折。Neville 最初並不想進入電腦科學，因為她的父親從事這一行。上大學後，她先主修數學，再轉物理，但都覺得不太合拍。她曾一度輟學，重返校園後改修認知科學，又覺得這個領域太‘軟’，數學分量不夠。後來工作了一段時間，再回學校時，她決定主修電腦科學，因為她想處理資料，也正是在這時偶然發現了 AI——她甚至沒意識到 AI 屬於電腦科學。
她進入研究領域也帶有偶然性。由於榮譽專案要求必須完成一個研究課題，她選擇了對相互連線的網頁資料進行資料探勘，並被引薦給一位剛涉足‘統計關係學習’這一新興領域的教授。專案完成後她在研討會上發表了論文，從此對研究‘上癮’。真正吸引她的是研究過程本身：有時感覺原地踏步、倍感沮喪，但導師會鼓勵她繼續，最終學到新東西時的那種興奮感，以及理解別人尚未理解的前沿問題，讓她一直留在研究中。
2021 年，Neville 從學術界加入微軟，同時仍在普渡大學任教和指導學生。她的第一次學術休假去了伯克利 Simons 研究所，偏重理論；第二次休假則來到微軟研究院，轉向應用研究。當她看到演算法理論在真實系統、真實使用者和真實資料中如何落地後，便難以回頭，於是留在微軟。她認為，學術界和產業界研究的問題本質相似，但產業界能大規模應用演算法，直接接觸真實使用者和資料，目標更偏向產品和公司利益；學術界則更抽象、覆蓋多個領域，資金多來自 DARPA、NSF 等機構。
目前，她領導的團隊名為‘AI 互動與學習’。團隊致力於推動 AI 系統在真實工作環境中的行為邊界：研究當前系統的效能極限、使用者在實際工作流中的體驗，以及如何改進模型以完成複雜任務。他們從評估入手，因為傳統機器學習評估使用的基準相對簡單，無法反映真實使用場景。他們設計實踐性評估，涵蓋多輪對話、協作環境和長週期任務。一旦發現效能差距，就能指導演算法、模型和估計方法的改進方向。
Neville 還提到，當模型在傳統基準之外接受測試時，會出現‘意外失敗’。當結果出乎意料時，仔細檢查資料變得至關重要。她結合數十年 AI 進展，談論瞭如何預測下一步發展。整場對話提出了一個更大的問題：當路徑——無論是人類還是人工——沒有按預期展開時，我們究竟能學到什麼。