Eric Picard, Vicepræsident for Produktudvikling hos Fluency – Intervieuserie

Eric Picard, Vicepræsident for Produktudvikling hos Fluency, er en erfaren produkt- og teknologiuddannelsesleder, der har tilbragt årtier med at udvikle digitale reklameplatforme, automatiserede markedspladser, datasystemer og forbrugerorienterede produkter. Før han kom til Fluency, havde han ledende roller hos Microsoft, Pandora, MediaMath, Yieldmo og BARK, hvor hans ansvarsområder omfattede reklame-teknologi-strategi og programmatisk medie, produktledelse, datavidenskab, ingeniørarbejde og storstilets platformmodernisering. Picard er også en seriøs iværksætter, der har grundlagt Bluestreak, Rare Crowds, Questori og andre teknologi-iværksætter, hvoraf Bluestreak og Rare Crowds til sidst blev købt. Hans karriere har omfattet at hjælpe med at udvikle en tidlig real-time-budgivnings-reklamebørs, lancere programmatisk lyd-reklameprodukter, udvikle automatiseret lagerstyrings-teknologi og rådgive virksomheder om kunstig intelligens, produktstrategi, virksomheds-transformation og fusioner og overtagelser.

Fluency udvikler et Digitalt Reklame-Driftssystem, der er designet til at hjælpe agenturer, mærker og multi-lokations-virksomheder med at styre betalte medie-kampagner på tværs af søgning, sociale medier, programmatisk platforme, lukkede haver og det åbne internet. Platformen centraliserer data, kreative aktiver, lager, krav til overholdelse, målgrupper, kampagne-strategi, rapportering og arbejdsprocesser, ved hjælp af automatisering og kunstig intelligens til at reducere gentagne operationelle arbejdsprocesser og koordinere kampagner i stor skala. Fluency fokuserer mere og mere på agent-baseret reklame, herunder styrede AI-drevne arbejdsprocesser, der kan udføre og optimere kampagner, mens de opretholder definerede strategiske og mærkekontroller. Virksomheden påstår, at deres teknologi understøtter mere end 250.000 kampagner hver måned og styrer ca. 3 milliarder dollars i årlig reklame-udgifter.

Din karriere har omfattet flere grundlæggende perioder i digital reklame, fra at grundlægge Bluestreak og hjælpe med at etablere tidlige digitale reklame-standarder til at bidrage til arkitekturen af en af de første real-time-budgivnings-reklamebørser. Hvordan har disse oplevelser formet din tilgang til at bygge den næste generation af agent-baseret reklame-systemer hos Fluency?

Jeg har været meget heldig i min karriere med at finde et område, der var interessant på en multifacetteret måde med digital reklame. Jeg fik mulighed for at være en del af mekanismen, der finansierede internettets vækst. Jeg har kunnet opfinde eller være en del af opfindelsen af nogle af de grundlæggende mekanismer for, hvordan digital reklame fungerer. Og de tekniske udfordringer i dette område er blandt de største i software.

Med Bluestreak fik vi mulighed for at bygge nogle af de første af næsten alle reklame-formater, herunder nogle af de første video- og lyd-reklamer. Vi var de første til at gøre multi-touch-attribuering, de første til at tilbyde en tag-håndteringssystem, og de første til at tilbyde multi-touch på tværs af alle digitale medie-formater. Dette ledte til, at vi blev inviteret til at med-forfatte den første indtryk-standard i samarbejde med Interactive Advertising Bureau (IAB) og Media Rating Council (MRC).

Da jeg gik til Microsoft, havde virksomheden besluttet at investere i reklame-teknologi, fordi de så, at Google tjente mere penge per kopiering af Windows end Microsoft gjorde, alt på grund af digital reklame. De tilbød mig en rolle, der var utrolig spændende, muligheden for at skrive den globale strategi for, hvordan Microsoft skulle gå ind i reklame-teknologi-området.

Vi besluttede at gå storstilets ind i reklame-teknologi, og jeg var ansvarlig for at udarbejde byg-/køb-/samarbejds-strategien. Jeg fik mulighed for at udføre due diligence på over 150 virksomheder, vi købte syv virksomheder og investerede kraftigt i at udvikle interne teams. Da jeg ankom, havde vi omkring 200 ingeniører, der arbejdede med reklame-teknologi, og vi havde omkring 750 millioner dollars i medie-indtægter. Da jeg forlod virksomheden, havde vi 1.500 ingeniører, der arbejdede med reklame-teknologi, og over 5 milliarder dollars i indtægter. I dag udgør søge-reklame-indtægterne omkring 15 milliarder dollars, men dengang var det et utrolig højt beløb.

En af de virksomheder, jeg kiggede på, og vi endte med at købe, var AdECN. Dette var Jeff Greens første virksomhed, før han grundlagde The Trade Desk. Vi havde overvejet at købe Right Media, som er, hvordan jeg lærte Brian O’Kelley at kende, men vi valgte at ikke gøre det. Vi følte, at der var en mulighed for en asynkron global auktion, der tillod multiple eksterne budgivere at tilslutte sig til børsen. Så vi købte dem og hjalp med at bygge en robust ingeniør-team for at udføre visionen.

Da AdECN var klar til at lancere den første real-time-budgivnings-reklamebørs, var der en kamp over tilgange, og det sluttede grundlæggende aldrig ud af beta-testningen.

Der var to resultater af dette, der ændrede hele reklame-teknologi-økosystemet. Først var, at Brian O’Kelley startede AppNexus efter, at han forlod Right Media, og da det var klart, at AdECN aldrig ville komme ud af beta-testningen, tilstede jeg muligheden for at samarbejde med AppNexus. Dette ledte til en stor investering i virksomheden og et stærkt samarbejde, der til sidst endte med, at de blev købt af Microsoft. Det andet store resultat var, at Jeff Green forlod Microsoft, tog nogle af ingeniørerne, der havde bygget real-time-budgivnings-reklamebørsen på AdECN, og startede The Trade Desk.

Når du ser på den første del af min karriere, der strakte sig fra 1997 til 2010, plantede det nogle langsigtede frø, der nu er blevet til noget interessant. Jeg gik til forskellige roller, herunder min startup Rare Crowds, hvor vi opfandt Programmatisk Curation. Jeg tilbragte tid hos virksomheder som Pandora, hvor vi havde en stor lyd-reklame-forretning, herunder den største lyd-reklame-børs, og Yieldmo, hvor vi byggede den første privatlivs-centreret reklamebørs. Under denne tid havde jeg mulighed for at være en del af bestyrelsen for IAB Techlab og blev inviteret til at være en del af den eksekutive komité. Og jeg har fortsat med at arbejde på industrien-standarder alle disse år.

Sidste år så Brian O’Kelley muligheden for at bygge en industrien-standard for Agent-baseret Reklame, der kaldes AdCP, og som administreres af AgenticAdvertising.org. Brian og jeg talte om, hvor der var huller i arbejdet, og jeg tilbød at skrive den første specifikation for Styring og Overholdelse for AdCP.

Et par måneder efter, at jeg skrev det, blev jeg kontaktet af Fluency. Da jeg begyndte at lære, hvad de havde bygget, blev jeg overvældet. De havde grundlæggende allerede løst alt, hvad jeg havde nævnt i min specifikation. De havde været involveret i agent-baseret reklame i otte år, lang tid før LLM’er var klar til at gå “agent-baseret”.

Jeg så, at den deterministiske tilgang, de havde taget med deres agenter, var nøjagtig, hvad der var nødvendigt for at opfylde behovene for LLM-drevne agenter, der er intrinsic probabilistiske. Det betyder bare, at mens LLM’er er gode til at “tænke” og være kreative, er de dårlige til at gøre det samme, på samme måde hver gang. Hver tilgang alene har svagheder, men sammen løser de problemet med agent-baseret reklame.

Min vision var kompatibel med Fluencys ledelses teams, og jeg sluttede mig til dem for at lede Produktudviklingen her. Nu kører vi fuld skala mod en verden, hvor agenter kan sikkerheds-transaktions-reklame med mennesker i-løkke, hvor nødvendigt, og LLM-drevne agenter får deterministiske vejledninger til at styre deres adfærd.

Jeg føler mig utrolig heldig at have ridt på så mange af de store ændringer i digital reklame, lige fra at grundlægge Bluestreak og hjælpe med at etablere tidlige digitale reklame-standarder til at bidrage til arkitekturen af en af de første real-time-budgivnings-reklamebørser. Det har været en vild tur, og jeg har stadig det sjovt og er begejstret for mulighederne i dette område.

Real-time-budgivning gav software mulighed for at træffe finansielle beslutninger på millisekunder. Hvad lærdomme fra udviklingen af programmatisk reklame bør i dagens udviklere overveje, når de giver AI-agenter større operationel autonomi?

I programmatisk reklame brugte vi Maskinlæring, der er en form for AI, til at bygge beslutningsmotorer, der kunne træffe ti millioner af beslutninger per sekund. Dette kræver en utrolig mængde beregningskraft, data-behandling, kæmpe store mængder infrastruktur og før opfindelsen af generativ AI, ville jeg påstå, at det var en af de mest betydningsfulde udviklinger i alle aspekter af computing.

For all sin kraft er der også massive ineffektiviteter i det programmatisk model, og et kæmpe komplekst økosystem, der brænder langt for meget elektricitet (og derfor skaber langt for meget kulstof) per reklame-indtryk. Gør ikke forkert, jeg elsker det programmatisk område, og jeg er i ærefrygt over, hvad vi skabte. Men det føles, som om vi har bygget en maskine, der er langt mere kompleks end afkastet, vi får for all den kompleksitet.

De samme argumenter kan gøres for Generativ AI, men stederne, hvor LLM-drevne agenter skal bo i økosystemet, er på grænsefladerne, ikke i hjertet af hver enkelt transaktion. Og ved at kombinere LLM’er med deterministiske agenter på en omhyggelig måde kan vi meget mere effektivt styre transaktioner, mens vi reducerer kompleksiteten betydeligt.

Der er to store initiativer i industrien, der sigter mod at injicere LLM-drevne agenter i arbejdsprocessen for, hvordan transaktioner finder sted. IAB TechLab har startet Agentic Advertising Management Protocols (AAMP)-initiativet, der muliggør mekanismer for at proxy LLM’er ind i RTB-infrastrukturen ved at træffe beslutninger i forvejen og cachelagre dem i de real-time-systemer i økosystemet. AdCP-projektet er fokuseret på, hvad jeg betragter som “konto-niveau”-integrationer. Det betyder, at alle de arbejdsprocesser, der udføres af mennesker i kampagne-styring og kreative arbejdsprocesser for reklame, kan automatiseres.

Fluency har effektivt løst det sidste mile-problem, der aldrig blev løst i reklame-teknologi-området: De massive ineffektiviteter i at oprette og styre reklame-kampagner på konto-, kampagne- og kreativ niveau. Og jeg tror virkelig på, at det arbejde, vi udfører, er lige så betydningsfuldt en mulighed for reklame, som det, vi opfandt med RTB. Da vi forbinder LLM’er med de arbejdsprocesser, som Fluency allerede har automatiseret, øger vi værdien af hele systemet.

Fluency adskiller probabilistisk AI-resonnering fra de deterministiske systemer, der udfører kampagne-ændringer. Hvorfor er det i øjeblikket for risikabelt at lade en stor sprog-model direkte styre reklame-budgetter?

Jeg tror, det er et grundlæggende problem, som LLM’er sandsynligvis altid vil have. Probabilistiske motorer er designet til at give forskellige svar på samme spørgsmål hver gang. Selv når de er utrolig gode til at “tænke”, er de dårlige til deterministiske ting. Lad os bruge aritmetik som et eksempel:

LLM’er kan bogstaveligt talt ikke addere, subtrahere, multiplicere eller dividere. Nu kan du måske ikke være klar over det, fordi når du spørger Claude eller ChatGPT et spørgsmål, der kræver aritmetik, kan de give dig det rigtige svar. Men det, som de fleste mennesker ikke ved, er, at de gør det ved at skrive scripts og udføre den kode for at håndtere beregninger.

Selv om LLM’en kan “magisk” udføre aritmetik, ville jeg aldrig lade en LLM styre mine finanser og træffe aktie-handels-beslutninger for mig. Jeg ville aldrig lade en LLM gøre mine skatter og indsende dem uden nogen form for gennemgang. For pokker, jeg ville ikke engang lade en LLM skrive en email eller en blog-post uden at gennemgå den omhyggeligt for at sikre, at alt er sandt.

Fluency er der i dag – vi har de deterministiske rør til at styre reklame. Vi integrerer LLM’er i denne platform, ved at bruge dem til de ting, de er gode til. Og vi eksponerer vores platform for eksterne agenter, så de kan udføre over vores rør. Til sidst ser jeg det som opbygning af en port til reklame-økosystemet, hvor en LLM-drevet agent kan transaktions-reklame på enhver medie-platform ved at integrere på ét sted.

Hvordan vurderer Fluencys deterministiske udførelses-lag en AI-agents anbefalinger, før de tillades at påvirke en live-kampagne, og hvilke slags regler eller begrænsninger kan annoncører etablere?

Vi tilbyder mekanismer for mennesker (eller LLM’er) til at oprette deterministiske instruktioner, der vil udføres på samme måde hver gang på reklame-platforme. Dette er et stort problem, der skal løses i hver enkelt industri. For reklame er det virksomhed, der løser dette, Fluency. Vi muliggør oprettelse af forretningsregler og heuristikker for enhver handling, som en af vores kunder måtte udføre på en reklame-platform.

Dette er vigtigt at forstå. Der er mange beslutninger, som mennesker træffer på samme måde hver gang, de ser en bestemt situation. Dette tillader os at gøre ting som at kodificere budget-styrings-regler, eller generere kampagner eller kreative, mens vi påtvinger navngivnings-taxonomier, eller automatisk spinne op og ned reklame-kampagner og kreative, baseret på udløsere i eksterne datasæt.

For eksempel kan en bilforhandler få en ny forsendelse af biler. Fluency kan læse lagerstyringssystemet, forhandleren bruger, og automatisk generere kampagner og kreative for den præcise model, selv den specifikke farve og bestemte attributter for hvert enkelt køretøj, inden for minutter efter, at bilerne er på lager. Og når den sidste bil er solgt, kan vi automatisk lukke disse kampagner.

Alt dette er ret betydningsfuldt, fordi de forretningsmæssige beslutninger om at gøre alt dette er meget simple, når de tages en ad gangen. Det er “døden af tusind snit”-problemet i at styre reklame i dag, der forsvinder. Vore kunder finder, at dette frigør deres teams fra at slukke brande hele dagen til at gøre det arbejde, der betyder noget for at flytte nålen for deres kunder.

Reklame-strategi og kreativ udvikling kræver ofte eksperimentation og subjektiv bedømmelse. Hvordan kan organisationer bevare fleksibiliteten af generativ AI, mens de sikrer, at kampagne-udførelse forbliver forudsigelig og overholdende?

Alt, hvad vi har talt om indtil nu, har bygget rammen til at svare på dette på en simpel måde. De ting, der kan kodificeres i forretningsregler, er sat op korrekt til at udføre disse lette beslutninger, der er de samme hver gang. LLM’er kan hjælpe med at analysere og mønstre, ligesom alle andre former for AI som Maskinlæring, der har en lang historie i reklame-teknologi. Men den virkelige trick er at have mekanismerne på plads til at række ud og bede en menneskelig person om at intervenere, hvis problemet ikke har et klart svar.

Vore kunder kan justere deres risikotolerance på dette, så hvis problemet er lav risiko, kan de beslutte at lade maskinerne træffe beslutningen. Men for ting, der virkelig kræver menneskelige beslutninger, vil vi alarmere dem og give dem mulighed for at tage rattet.

Fluencys platform opererer på tværs af søgning, sociale medier og programmatisk reklame-kanaler. Hvordan kan tekniske udfordringer opstå, når en AI-agent skal resonere på tværs af platforme, der har forskellige data-strukturer, optimerings-systemer og politik-krav?

Hver reklame-platform har en unik samling af bedste praksis og muligheder. API’er er de faste rør, vi tilslutter os for at drive disse platforme eksternt. API’er er meget vel-dokumenterede, men den dokumentation er virkelig sat af regler for, hvad der kan gøres på disse platforme. De er ikke inkarnationen af bedste praksis for, hvordan man bruger hver enkelt platform.

LLM’er kan indtage mange informationer i kontekst, så bedste praksis for, hvordan man bruger hver enkelt platform, kan gøres tilgængelige gennem dem. Da Fluency opererer på mange platforme for mange agenturer og annoncører, kan vi kodificere hver enkelt af vores kunders bedste praksis (på deres vegne) i instruktioner, som en LLM kan følge for at drive differentierede bedste praksis for hver kunde.

Vi er begyndt at arbejde med vores kunder nu på denne næste generations udvikling til at kodificere disse mere komplekse scenarier i deres konti på vores platform. Det er meget tidligt dage. Enhver, der siger, at de har løst noget aspekt af dette ved hjælp af LLM’er, strækker sandheden, fordi tingene er så tidlige, og modellerne udvikler sig så hurtigt, at det ikke er blevet fuldt løst af nogen. Men vi er godt positioneret til at arbejde med vores kunder for at løse dette.

Hvad bør effektiv menneskelig oversigt se ud som i en agent-baseret reklame-miljø? Hvilke beslutninger kan sikkert blive autonome, og hvilke bør fortsat kræve menneskelig gennemgang eller godkendelse?

Hver kunde har en anden risikotolerance, og de fleste af dem har aldrig haft et system, der kunne udtrykke det. I Fluency bliver den dømmekraft, en god kampagne-leder anvender i hovedet, kodificeret én gang og derefter anvendt identisk på tværs af hver enkelt konto, hver enkelt platform, hver gang. Situationer, der ikke har et klart svar, ruter automatisk til en person med den kontekst, de har brug for til at træffe beslutningen.

Hvad det ser ud som i praksis, varierer meget. Vi kører en masse forskellige regler for vores kunder i dag, og hjælper dem med at kodificere menneskelige beslutninger, der ikke varierer, og skubber til en menneskelig person, hvis svaret ikke er klart.

Hvilke beslutninger, der kan sikkert blive autonome, afhænger af kunden, og jeg tror ikke, at en universel beslutning er værd at nævne. Platformen skal påtvinge linjen, hvor som helst en kunde tegner den, og lade dem flytte den, efterhånden som deres tillid vokser.

Når agenter træffer flere kampagne-beslutninger, hvordan bør platforme dokumentere den tænkning, data og regler bag hver handling, så annoncører kan gennemgå præstation, undersøge fejl og demonstrere overholdelse?

En af de kerne-værdipositioner, som Fluency tilbyder, er, at vi er SOC2-kompatible og fuldt gennemgangs-bar. Ændringer er logget på tværs af systemet. Jeg har været CPTO af en børsnoteret virksomhed og har været på hook for overholdelse før, så jeg ved, hvor komplekst det kan være. Det er en anden grund til, at jeg var begejstret for at slutte mig til Fluency, fordi hver enkelt aspekt af, hvad vi gør, er fuldt gennemgangs-bar.

Der er et andet lag, der betyder noget. Fordi forretningsreglerne er kodificeret i software, er reglen sin egen specifikation. Der er ingen afvigelse mellem dokumentation og adfærd, hvilket er, hvor gennemgang normalt falder fra hinanden. Og i en LLM-aktiveret verden kan den kodificerede logik rendres tilbage til almindelig forretnings-sprog påkrævet, så personen, der udfører gennemgangen, ikke behøver at læse kode for at forstå, hvad systemet blev instrueret til at gøre.

For en agentur eller mærke, der begynder at adoptere agent-baseret reklame, hvilke arbejdsprocesser giver den bedste start, og hvilke beviser bør organisationen kræve, før de udvider en agents autoritet?

Fra Fluencys synspunkt er agent-baseret reklame velkendt terræn. Vi har været involveret i det i otte år. Vi har hundredvis af agenturer og mærker, der bruger vores platform til at udføre agent-baseret reklame i dag, og i det multi-lokale område er det på tværs af mange titusinder af lokaliteter.

Vi automatiserer det meste af, hvad mennesker gør gentagne gange, når de sætter op og styre kampagner på tværs af søgning, sociale medier og programmatisk, så der er ingen arbejdsproces, der giver en bedre eller dårligere start. Den bedste start er den kanal, vores kunde finder mest arbejdskrævende.

LLM’er hjælper os også med at accelerere på vores kunders onboarding, fordi når du forestiller dig, at kodificere en kundes forretningsregler er ligesom at udføre en CRM-implementering, målt i måneder. Vi bygger værktøjer, der bruger LLM’er til at hjælpe med at bygge regelsæt og skrive automatiserings-script. Dette vil gøre onboarding-processen meget hurtigere og reducere kompleksiteten for vores kunder.

Reklame er en tidlig testbane for autonome systemer, der styre rigtige penge i stor skala. Hvilke lærdomme fra denne industri kan anvendes på finansielle tjenester, sundhedssektor, virksomheds-indkøb eller andre regulerede sektorer, der adopterer AI-agenter?

Reklame har været testbanen for autonome systemer, der bruger rigtige penge i 20 år. Programmatisk lærte industrien, hvordan man lader software træffe milliarder af dollars beslutninger om dagen uden menneskelig godkendelse af enkelt-transaktioner. Det meste af den nuværende agent-baserede AI-konversation finder sted på en skala, som reklame forlod for længe siden.

Fluency har over 3 milliarder dollars i årlig udgift, der løber gennem vores platform, på tværs af hundredvis af agenturer og mærker, og i det multi-lokale område når det til titusinder af lokaliteter. De fleste agent-baserede reklame-konversationer lige nu handler om pilot-budgetter og en håndfuld konti.

Hvad der overføres til andre sektorer, er arkitekturen. Du adskiller systemerne, der træffer beslutninger, fra systemerne, der udfører. Beslutnings-laget kan være probabilistisk, fordi dømmekraft har godt af fleksibilitet og kreativitet. Udførelses-laget må være deterministisk, fordi penge-bevægelser ikke er et sted, du ønsker variation. Hver handling bliver logget mod den bruger eller agent, der initierede den, hvilket giver en gennemgangs-spor, der holder i front af en regulator.

Denne krav er identisk i finansielle tjenester, i sundhedssektoren, i virksomheds-indkøb. Spillepengene er højere, og værktøjerne er generelt dårligere. Designet, vi byggede til reklame, er det rigtige: Fuldt gennemgangs-bar med ændrings-log på hver ændring er en grundlæggende krav. Jeg er særligt bekymret for ikke-menneskelig dømmekraft i ting som godkendelse af medicinske procedurer og godkendelse af forsikrings-krav. Jeg tror ikke, at LLM’er er der endnu, og jeg har personlige eksempler i mit eget liv på automatiserede systemer, der træffer meget dårlige beslutninger om at godkende eller afvise forsikrings-krav.

Min forventning er, at mønsteret, reklame etablerer, bliver mønsteret, disse sektorer adopterer. Vi har haft en 20-års forspring på problemet med maskiner, der bruger hundredvis af millioner af dollars hundredvis af gange om sekundet. Fluencys tilgang strækker sig fra transaktionen til arbejdsprocessen, og jeg er sikker på, at vores tilgang vil være den, der vinder.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Fluency.