Eric Picard, SVP produktu ve společnosti Fluency – série rozhovorů

Eric Picard, Senior Vice President of Product at Fluency, je zkušený produktový a technologický manažer, který strávil desetiletí rozvojem digitálních reklamních platforem, automatizovaných trhů, datových systémů a spotřebitelských produktů. Předtím, než se připojil k Fluency, zastával seniorní vedoucí role v Microsoftu, Pandora, MediaMath, Yieldmo a BARK, kde jeho odpovědnost sahala od reklamní technologie a programatického média až po produktový management, datové vědy, inženýrství a modernizaci velkých platforem. Picard je také sériový podnikatel, který založil Bluestreak, Rare Crowds, Questori a další technologické podniky, z nichž Bluestreak a Rare Crowds byly nakonec získány. Jeho kariéra zahrnovala pomoc při architektuře raného real-time bidding reklamního výměnu, spuštění programatických audio reklamních produktů, vývoj automatizované kurace inventáře a poradenství pro společnosti v oblasti umělé inteligence, produktové strategie, firemní transformace a fúzí a akvizic.

Fluency vyvíjí Digitální reklamní operační systém, který pomáhá agenturám, značkám a multi-místním podnikům spravovat placené mediální kampaně napříč vyhledáváním, sociálními platformami, programatickými platformami, uzavřeným webem a otevřeným webem. Platforma centralizuje data, kreativní aktiva, inventář, požadavky na dodržování předpisů, publikum, strategii kampaně, reporting a pracovní postupy, využívající automatizaci a umělou inteligenci ke snížení opakované operativní práce a koordinaci kampaní v měřítku. Fluency se stále více zaměřuje na agentic reklamní činnost, včetně řízených AI poháněných pracovních postupů, které mohou spouštět a optimalizovat kampaně, zatímco zachovávají definované strategické a značkové kontroly. Společnost uvádí, že její technologie podporuje více než 250 000 kampaní měsíčně a spravuje přibližně 3 miliardy dolarů v ročním reklamním výdaji.

Vaše kariéra zahrnovala několik základních období v digitální reklamě, od založení Bluestreak a pomoci při stanovení raných digitálních reklamních standardů až po přispění k architektuře jednoho z prvních real-time bidding výměnných burz. Jak tyto zkušenosti ovlivnily váš přístup ke stavbě další generace agentic reklamních systémů ve Fluency?

Měl jsem velké štěstí v kariéře, že jsem našel prostor, který byl zajímavý mnoha způsoby s digitální reklamou. Stal jsem se součástí mechanismu, který financoval růst internetu. Byl jsem součástí vynálezu některých základních mechanismů, jak funguje digitální reklama. A technické výzvy v tomto prostoru jsou srovnatelné s žádnými jinými v softwaru. Je to vždy zajímavé.

S Bluestreak jsme postavili některé z prvních reklamních formátů, včetně některých z prvních video a audio reklam. Byli jsme první, kdo provedl multi-dotek atribuci, první, kdo nabídl systém správy značek, a první, kdo nabídl multi-dotek napříč všemi typy digitálních médií. To vedlo k pozvání k součinnosti na první standard impresí ve spolupráci s Interaktivní reklamní radou (IAB) a Mediálním ratingovým radou (MRC). 

Když jsem šel do Microsoftu, společnost se rozhodla investovat do reklamní technologie, protože viděla, že Google vydělává více peněz na kopii Windows, než Microsoft, všechny kvůli digitální reklamě. Nabídli mi roli, která byla neuvěřitelně lákavá, příležitost napsat globální strategii, jak by Microsoft měl vstoupit do prostoru reklamní technologie.

Rozhodli jsme se jít velkým způsobem do ad-tech, a já jsem byl na bodu, abych zjistil build/buy/partner strategii. Provedl jsem due diligence na více než 150 společnostech, koupili jsme sedm společností a investovali jsme těžce do růstu interních týmů. Když jsem přišel, měli jsme asi 200 inženýrů pracujících na ad-tech, a měli jsme asi 750 milionů dolarů v mediálním výdaji. Když jsem odešel, měli jsme 1 500 inženýrů pracujících na ad-tech, a více než 5 miliard dolarů v výdaji. Dnes je výdělek z vyhledávací reklamy kolem 15 miliard dolarů, ale v té době to byla neuvěřitelná částka.

Jedna ze společností, kterou jsem prohlédl, a kterou jsme nakonec získali, byla AdECN. To byla první společnost Jeffa Greena, předtím, než založil The Trade Desk.  Prohlédli jsme nákup Right Media, což je to, jak jsem se seznámil s Brianem O’Kelleyem, ale nakonec jsme je odmítli.  Cítili jsme, že existuje příležitost pro asynchronní globální aukci, která by umožnila více externích účastníků se připojit k burze.  Takže jsme je získali a pomohli jim postavit robustní inženýrský tým, aby provedli jejich vizi. 

Když AdECN byl připraven spustit první real-time bidding burzu, byla bitva nad přístupy, a nakonec nikdy nevyšla z betaverze. 

Byly dva výsledky, které skutečně změnily celý ad-tech ekosystém. První bylo, že Brian O’Kelley založil AppNexus po odchodu z Right Media, a když bylo jasné, že AdECN nikdy nebude fungovat, já podpořil příležitost partnerství s AppNexus. To nakonec vedlo k velké investici do společnosti a silnému partnerství, které skončilo jejich akvizicí společností Microsoft. Druhým hlavním výsledkem bylo, že Jeff Green opustil Microsoft, vzal několik inženýrů, kteří postavili RTB burzu v AdECN, a založil The Trade Desk. 

Když se podíváte na tu první část mé kariéry, která trvala od roku 1997 do roku 2010, zasadila dlouhodobé semínko, které nyní vyrostlo v zajímavé ovoce. Šel jsem do různých rolí, včetně mého startupu Rare Crowds, kde jsme vynalezli programatickou kuraci. Strávil jsem čas ve společnostech, jako je Pandora, kde jsme měli skvělý audio reklamní byznys, včetně největší audio reklamní burzy, a Yieldmo, kde jsme postavili první reklamní burzu se zaměřením na ochranu soukromí. Během této doby jsem měl příležitost být součástí správní rady IAB Techlab a byl jsem pozván do výkonné rady. A nadále pracuji na průmyslových standardech.

Minulý rok viděl Brian O’Kelley příležitost postavit průmyslový standard pro Agentic Advertising, nazvaný AdCP, spravovaný AgenticAdvertising.org. Brian a já mluvili o tom, kde byly mezery v práci, která se prováděla, a nabídl jsem se, že napíšu první specifikaci pro Governance a Compliance pro AdCP. 

O pár měsíců později, když jsem napsal specifikaci, mě kontaktovala Fluency. Když jsem začal učit se, co postavili, byl jsem ohromen. Efektivně již vyřešili všechno, co jsem naznačil ve své specifikaci. Postavili agentic reklamní činnost po dobu osmi let, dlouho předtím, než byly LLM připraveny jít “agentic”. 

Měl jsem vizi, která byla kompatibilní s vedením Fluency, a připojil jsem se k nim, abych vedl produkt. Nyní běžíme na plné rychlosti směrem k světu, kde agenti mohou bezpečně transigovat na reklamě s lidmi v případě potřeby, a LLM poháněné agenti dostávají deterministické zábrany, aby spravovali své chování. 

Cítím se nesmírně šťastný, že jsem jel tolik vln hlavních změn v digitální reklamě, od založení Bluestreak a pomoci při stanovení raných digitálních reklamních standardů až po přispění k architektuře jednoho z prvních real-time bidding burz. Bylo to divoká jízda, a stále si užívám a těším se na příležitosti v tomto prostoru. 

Real-time bidding dalo softwaru schopnost dělat finanční rozhodnutí v milisekundách. Jaké zkušenosti z vývoje programatické reklamy by měli dnešní vývojáři zvážit, když dávají AI agentům větší operační autonomii?

V programatické reklamě jsme použili strojové učení, což je forma umělé inteligence, k vybudování rozhodovacích motorů, které mohly učinit desítky milionů rozhodnutí za sekundu. To vyžaduje neuvěřitelné množství výpočetního výkonu, zpracování dat, obrovské množství infrastruktury a před vznikem generativní umělé inteligence bych argumentoval, že to byla jedna z nejprofoundnějších inovací ve všech softwarových technologiích. 

Na druhou stranu existují巨ské neefektivnosti v programatickém modelu a obrovité, složité ekosystémy, které spalují příliš mnoho elektřiny (a tudíž vytvářejí příliš mnoho uhlíku) na reklamní impresi. Nemluvím o tom, že mám programatický prostor rád, a jsem ohromen tím, co jsme vytvořili. Ale cítím, že jsme postavili stroj mnohem složitější, než je potřeba pro odměnu, kterou z něj získáváme.

Stejné argumenty lze použít pro generativní umělou inteligenci, ale místa, kde LLM poháněné agenti potřebují žít v ekosystémech, jsou na rozhraních, ne v srdci každé transakce. A pomocí LLM v kombinaci s deterministickými agenty můžeme mnohem efektivněji spravovat transakce, zatímco snižujeme složitost. 

Existují dvě hlavní iniciativy v průmyslu, které se snaží vložit LLM poháněné agenty do pracovních postupů, jak se transakce provádějí. IAB TechLab spustil iniciativu Agentic Advertising Management Protocols (AAMP), která umožňuje mechanismy pro proxy LLM do infrastruktury RTB, provádějící rozhodnutí předem a ukládající je do reálných systémů ekosystému. Projekt AdCP se zaměřuje na to, co si myslím jako “úroveň účtu” integrací. To znamená, že veškerá práce, kterou lidé dělají v kampaně a kreativní pracovní postupy pro reklamu, může být automatizována. Ačkoli je AAMP velmi cenný a zajímavý, je to zlepšení komplexního moderního systému. AdCP se zaměřuje na problém, který existuje od začátku průmyslu, a Fluency již osm let řeší. Takže se soustředíme na AdCP, ale nakonec se budeme zabývat i AAMP.

Fluency efektivní řeší poslední míli problému, který nebyl nikdy vyřešen v ad-tech prostoru:巨ské neefektivnosti při vytváření a správě reklamních kampaní na úrovni účtu, kampaně a kreativity. A skutečně věřím, že práce, kterou děláme, je stejně profoundní příležitost pro reklamu, jako to, co jsme vynalezli s RTB. Jak spojujeme LLM s pracovními postupy, které Fluency již automatizoval, zvyšujeme hodnotu celého systému.

Fluency odděluje probabilistický AI rozum od deterministických systémů, které provádějí změny kampaně. Proč je v současné době příliš riskantní dovolit velkému jazykovému modelu přímo kontrolovat reklamní rozpočet?

Myslím, že to je fundamentální problém, který LLM pravděpodobně vždy bude mít. Probabilistické motory jsou navrženy tak, aby dávaly různé odpovědi na stejnou otázku každým časem. I když jsou neuvěřitelně dobří v myšlení, jsou hrozní v deterministických věcech. Použijme aritmetiku jako příklad:

LLM doslova nemohou přidat, odečíst, vynásobit nebo vydělit. Nyní můžete si myslet, že to nevědí, protože když položíte otázku, která vyžaduje aritmetiku, mohou dát správnou odpověď. Ale co většina lidí neví, je to, že to dělají tak, že píší skripty a spouští je, aby zpracovali výpočty. To je to, o čem mluvíme zde: Přesечение probabilistického LLM, který rozumí, že nemůže dělat aritmetiku, budování deterministické části softwaru, která dělá výpočty, aby vyřešila úlohu, která je požadována. 

I když LLM může “magicky” dělat aritmetiku, nikdy bych nedovolil LLM, aby spravoval mé finance a dělal rozhodnutí o obchodování s akciemi. Nikdy bych nedovolil LLM, aby dělal mé daně a podával je bez jakéhokoli přezkumu. Čert, ani bych nedovolil LLM, aby napsal e-mail nebo blogový příspěvek bez pečlivého přezkumu, aby se ujistil, že vše je pravdivé.

Jak budou lepší a lepší, mohou jednoho dne dělat tyto věci. Ale moje předpověď je, že to budou dělat tak, že napíší vlastní deterministický software, aby vyřešil části problému, které vyžadují to. 

Fluency je tam dnes – máme deterministické potrubí, abychom spravovali reklamu. Integrujeme LLM do této platformy, používáme je pro věci, ve kterých jsou skvělé. A vystavujeme naši platformu externím agentům, aby mohli spouštět na našich potrubích. Nakonec vidím to jako budování brány do reklamního ekosystému, kde LLM poháněný agent může transigovat na jakékoli mediální platformě integrující se na jednom místě. Ale jsme všichni trochu daleko od toho dlouhodobého výsledku!

Jak deterministická vrstva Fluency vyhodnocuje doporučení AI agenta předtím, než dovolí ovlivnit živou kampaň, a jaké druhy pravidel nebo omezení mohou inzerenti stanovit?

Poskytujeme mechanismy pro lidi (nebo LLM), aby vytvořili deterministické instrukce, které budou prováděny stejným způsobem každým časem na reklamních platformách. To je velký problém, který musí být vyřešen v každém průmyslu. Pro reklamu je společnost, která toto řeší, Fluency. Povolujeme vytváření obchodních pravidel a heuristik pro jakoukoli akci, kterou náš zákazník může provést na reklamní platformě. Pokud je možné vytvořit logiku IF/THEN pro problém, naše platforma umožňuje to zakódovat do obchodních pravidel, která se budou dodržovat stejným způsobem každým časem. 

To je kriticky důležité pochopit. Existuje mnoho rozhodnutí, která lidé dělají stejným způsobem každým časem, když vidí specifickou situaci. To nám umožňuje dělat věci, jako je kódování pravidel pro správu rozpočtu, nebo generování kampaní nebo kreativních prvků, zatímco vynucujeme názvosloví, nebo automaticky spouštíme a zastavujeme reklamní kampaně a kreativní prvky na základě spouštěčů v externích datech. 

Například prodejce aut může dostat novou zásilku aut. Fluency může číst systém správy inventáře, který prodejce používá, a automaticky generovat kampaně a kreativní prvky pro přesný model, barvu a specifické atributy každého konkrétního vozidla, v rámci několika minut od chvíle, kdy jsou auta na parkovišti. A když je prodán poslední vůz, automaticky vypnout tyto kampaně. 

To je docela profoundní, protože obchodní rozhodnutí udělat tyto věci jsou velmi jednoduchá, když se berou jednotlivě. Je to “smrt tisících řezů” problém při správě reklamy dnes, který mizí. Naši zákazníci zjistili, že to osvobozuje jejich týmy od hašení požárů celý den, aby dělali práci, která skutečně matters pro jejich klienty.

Reklamní strategie a vývoj kreativity často vyžadují experimentování a subjektivní úsudek. Jak mohou organizace zachovat flexibilitu generativní umělé inteligence, zatímco zajistí, že provádění kampaně zůstane předvídatelné a dodržuje předpisy?

Vše, o čem jsme již mluvili, postavilo rámec pro odpověď na tuto otázku jednoduchým způsobem. Věci, které lze zakódovat do obchodních pravidel, jsou nastaveny správně, aby se prováděly ty snadné rozhodnutí, která jsou stejná každým časem. LLM mohou pomoci analyzovat a najít vzory, stejně jako všechny ostatní formy umělé inteligence, jako je strojové učení, které má dlouhou historii v ad-tech. Ale skutečný trik je mít mechanismy na místě, aby se mohlo vyžádat lidské zasáhnutí, pokud problém není jasně zodpovězen. Naši zákazníci mohou upravit svou toleranci k riziku, takže pokud je problém nízkého rizika, mohou se rozhodnout, že dovolí strojům učinit rozhodnutí. Ale pro věci, které skutečně potřebují lidská rozhodnutí, upozorníme je a umožníme jim vzít řízení. 

Platforma Fluency funguje napříč vyhledávacími, sociálními a programatickými reklamními kanály. Jaké technické výzvy vznikají, když AI agent musí rozumět napříč platformami, které mají různé datové struktury, optimalizační systémy a požadavky na politiku?

Každá reklamní platforma má jedinečný soubor nejlepších praktik a schopností. API jsou pevná potrubí, ke kterým se připojujeme, abychom hnali tyto platformy externě. API jsou velmi dobře zdokumentovány, ale tato dokumentace je vlastně soubor pravidel pro to, co lze udělat na těchto platformách. Není to ztělesnění nejlepších praktik pro konkrétní platformu.

LLM mohou ingestovat spoustu informací do kontextu, aby byly k dispozici nejlepší praktiky pro použití každé platformy. Protože Fluency funguje na mnoha platformách pro mnoho agentur a inzerentů, můžeme zakódovat nejlepší praktiky pro každého z našich zákazníků (na jejich behalf) do instrukcí, které LLM může následovat, aby hnala diferencované nejlepší praktiky pro každého zákazníka. Naši zákazníci všichni mají své vlastní “návody” pro to, jak provozují své podniky, a Fluency umožňuje jim zakódovat tyto v deterministické pravidla, kde je to možné, a v budoucnu budeme umožňovat je jako sady instrukcí pro LLM poháněné agenty, kde to dává smysl. 

Začínáme pracovat s našimi zákazníky na této další generaci vývoje, abychom zakódovali tyto složitější scénáře do jejich účtů na naší platformě. Je to velmi raná fáze. Kdokoli, kdo vám řekne, že vyřešil jakoukoli část tohoto pomocí LLM, přehánějí, protože věci jsou tak rané a modely se vyvíjejí tak rychle, že nikdo to ještě plně nevyřešil. Ale jsme velmi dobře pozicionováni, abychom pracovali s našimi zákazníky na vyřešení tohoto.

Co by mělo vypadat efektivní lidské dohledání v agentic reklamním prostředí? Která rozhodnutí mohou bezpečně stát autonomní, a která by měla pokračovat v požadavku lidského přezkumu nebo schválení?

Každý zákazník má jinou toleranci k riziku, a většina z nich nikdy neměla systém, který by to mohl vyjádřit. V Fluency je úsudek, který dobrý manažer kampaně aplikuje ve své hlavě, zakódován jednou a pak aplikován identicky napříč každým účtem, každou platformou, každým časem. Situace, které nemají jasnou odpověď, se automaticky směrují na člověka, s kontextem, který potřebují, aby mohli učinit rozhodnutí.

To, co to vypadá v praxi, se liší hodně. Běžíme obrovské množství různých pravidel pro naše zákazníky dnes, pomáháme jim zakódovat lidská rozhodnutí, která se nemění, a tlačíme na člověka, když odpověď není jasná.

Která rozhodnutí mohou bezpečně stát autonomní, závisí na zákazníkovi, a nemyslím, že univerzální odpověď je nějaká. Platforma musí vynutit linii, kdekoliv zákazník kreslí, a dovolit jim ji přesunout, jak jejich důvěra roste. 

Jak by měly platformy dokumentovat rozumování, data a pravidla za každým aktem, aby inzerenti mohli audity výkonnosti, vyšetřovat chyby a prokázat dodržování předpisů?

Jednou z hlavních hodnot, které Fluency nabízí, je to, že jsme SOC2 Compliant a plně auditable. Změny jsou zaznamenány napříč systémem. Byl jsem CPTO veřejně obchodované společnosti a byl jsem na hooku pro compliance dříve, takže vím, jak komplexní to může být. Je to další důvod, proč jsem se připojil k Fluency, protože každý aspekt toho, co děláme, je plně auditable. Také udržujeme záznamy změn pro každou změnu provedenou v systému, zaznamenanou proti uživateli, který ji provedl. 

Existuje druhá vrstva, která matters. Protože obchodní pravidla jsou zakódována v softwaru, pravidlo je jeho vlastní specifikace. Není žádný drift mezi dokumentací a chováním, které je místo, kde audity obvykle selhávají. A v LLM-enabled světě může být zakódovaná logika renderována zpět do běžného obchodního jazyka na vyžádání, takže osoba, která provádí audit, nemusí číst kód, aby pochopila, co systém byl instruován dělat.

Pro agenturu nebo značku, která začíná adoptovat agentic reklamu, které pracovní postupy poskytují nejlepší výchozí bod, a jaké důkazy by organizace měly vyžadovat před rozšířením autority agenta?

Z pohledu Fluency je agentic reklama dobře prošlá cesta. Už osm let děláme agentic reklamu. Máme stovky agentur a značek, které používají naši platformu k agentic reklamě dnes, a v multi-místním prostoru je to napříč desítkami tisíc lokalit. 

Automatizujeme většinu toho, co lidé dělají opakovaně při nastavování a správě kampaní, napříč vyhledáváním, sociálními platformami a programatickými platformami, takže není žádný pracovní postup, který by byl lepším nebo horším výchozím bodem. Nejlepší výchozí bod je ten, který наш zákazník najde nejvíce časově náročný. 

LLM nám pomáhají urychlit proces onboardingu našich zákazníků, protože můžete si představit, že zakódování zákaznických obchodních pravidel je podobné jako provedení implementace CRM, měřeno v měsících. Budujeme nástroje, které používají LLM, aby pomohly postavit rulesety a napsat automatizační skripty. To bude dělat proces onboardingu mnohem rychlejším a sníží komplexitu pro naše zákazníky.

Reklama je ranou zkušební půdou pro autonomní systémy spravující skutečné peníze v měřítku. Jaké zkušenosti z tohoto průmyslu by mohly být aplikovány na finanční služby, zdravotní péči, podnikový nákup nebo jiné regulované sektory, které adoptují AI agenty?

Reklama byla zkušební půdou pro autonomní systémy, které spravují skutečné peníze, po dobu 20 let. Programatická reklama naučila průmysl, jak nechat software commit miliardy dolarů denně bez lidského schválení jednotlivých transakcí. Většina současné agentic AI konverzace se děje v měřítku, které reklama opustila dávno.

Fluency má více než 3 miliardy dolarů v ročním výdaji, běžícím napříč stovkami agentur a značek, a v multi-místním prostoru je to napříč desítkami tisíc lokalit. Většina agentic reklamních konverzací se dnes děje o pilotních rozpočtech a několika účtech.

Co se přenáší do jiných sektorů, je architektura. Oddělte systémy, které rozhodují, od systémů, které provádějí. Rozhodovací vrstva může být probabilistická, protože úsudek profituje z flexibility a kreativity. Výkonná vrstva musí být deterministická, protože pohyb peněz není místem, kde byste chtěli variaci. Každá akce je zaznamenaná proti uživateli nebo agentovi, který ji inicioval, což poskytuje auditní stopu, která vydrží před regulátorem.

Tato potřeba je identická ve finančních službách, ve zdravotních pojistných nárocích, v podnikovém nákupu. Sázky jsou vyšší a tooling je obecně horší. Design, který jsme postavili pro reklamu, je ten správný: Plná audibilita se záznamy změn na každé modifikaci je základní. Jsem zvláště znepokojen ne-lidským úsudkem ve věcech, jako je schvalování lékařských procedur a schvalování pojistných nároků. Nemyslím, že LLM jsou tam ještě, a mám osobní příklady ze svého života, kdy automatizované systémy dělaly velmi špatná rozhodnutí o schvalování nebo odmítání pojistných nároků. 

Moje předpověď je, že vzor, který reklama nastaví, se stane vzorem, který ostatní sektory adoptují. Měli jsme dvacetiletou head start na problém strojů, které spravují peníze stovky milionůkrát za sekundu. Fluencyho přístup se rozšiřuje od transakce k pracovním postupům, a jsem si jistý, že náš přístup bude podobně tím, který vyhraje. Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Fluency.