Eric Picard, Ανώτερος Αντιπρόεδρος Προϊόντων στη Fluency – Σειρά Συνεντεύξεων

Eric Picard, Ανώτερος Αντιπρόεδρος Προϊόντων στη Fluency, είναι ένας έμπειρος εκτελεστικός διευθυντής προϊόντων και τεχνολογίας που έχει περάσει δεκαετίες αναπτύσσοντας πλατφόρμες ψηφιακής διαφήμισης, αυτοματοποιημένες αγορές, συστήματα δεδομένων και προϊόντα προσανατολισμένα στον καταναλωτή. Πριν ενταχθεί στη Fluency, κατείχε ανώτερες ηγετικές θέσεις στη Microsoft, την Pandora, τη MediaMath, τη Yieldmo και τη BARK, όπου οι ευθύνες του κυμαίνονταν από τη στρατηγική τεχνολογίας διαφήμισης και τα προγραμματιστικά μέσα μέχρι τη διαχείριση προϊόντων, την επιστήμη δεδομένων, την μηχανική και τον εκσυγχρονισμό πλατφορμών μεγάλης κλίμακας. Ο Picard είναι επίσης σειράς επιχειρηματίας που ίδρυσε τις Bluestreak, Rare Crowds, Questori και άλλες τεχνολογικές επιχειρήσεις, με τις Bluestreak και Rare Crowds τελικά να έχουν εξαγοραστεί. Η καριέρα του περιλαμβάνει τη βοήθεια στην αρχιτεκτονική ενός πρώιμου ανταλλακτηρίου διαφημίσεων σε πραγματικό χρόνο (RTB), την κυκλοφορία προϊόντων προγραμματιστικής ηχητικής διαφήμισης, την ανάπτυξη τεχνολογίας αυτοματοποιημένης επιμέλειας αποθεμάτων, και τη συμβουλή σε εταιρείες σχετικά με την τεχνητή νοημοσύνη, τη στρατηγική προϊόντων, τον εταιρικό μετασχηματισμό και τις συγχωνεύσεις και εξαγορές.

Fluency αναπτύσσει ένα Σύστημα Λειτουργίας Ψηφιακής Διαφήμισης σχεδιασμένο να βοηθά πρακτορεία, μάρκες και επιχειρήσεις πολλαπλών τοποθεσιών να διαχειρίζονται πληρωμένες καμπάνιες μέσων σε αναζήτηση, κοινωνικά δίκτυα, προγραμματιστικές πλατφόρμες, κλειδωμένους κήπους και το ανοιχτό web. Η πλατφόρμα κεντράρει δεδομένα, δημιουργικά περιουσιακά στοιχεία, αποθέματα, απαιτήσεις συμμόρφωσης, κοινά, στρατηγική καμπάνιας, αναφορές και ροές εργασίας εκτέλεσης, χρησιμοποιώντας αυτοματοποίηση και τεχνητή νοημοσύνη για τη μείωση επαναλαμβανόμενης λειτουργικής εργασίας και τον συντονισμό των καμπανιών σε κλίμακα. Η Fluency εστιάζει όλο και περισσότερο στη διαφημιστική πράξη (agentic advertising), συμπεριλαμβανομένων ελεγχόμενων ροών εργασίας που οδηγούνται από AI και μπορούν να εκτελούν και να βελτιστοποιούν τις καμπάνιες ενώ διατηρούν καθορισμένους στρατηγικούς και εμπορικούς ελέγχους. Η εταιρεία δηλώνει ότι η τεχνολογία της υποστηρίζει περισσότερες από 250.000 καμπάνιες κάθε μήνα και διαχειρίζεται περίπου 3 δισεκατομμύρια δολάρια ετήσιες δαπάνες διαφήμισης.

Η καριέρα σας έχει καλύψει αρκετές θεμελιώδεις περιόδους στη ψηφιακή διαφήμιση, από τη δημιουργία της Bluestreak και τη συμβολή στην καθιέρωση πρώιμων προτύπων ψηφιακής διαφήμισης μέχρι τη συνεισφορά στην αρχιτεκτονική ενός από τα πρώτα ανταλλακτήρια real-time bidding. Πώς αυτές οι εμπειρίες διαμόρφωσαν την προσέγγισή σας στην κατασκευή της επόμενης γενιάς συστημάτων agentic advertising στη Fluency;

Ήμουν πολύ τυχερός στην καριέρα μου που βρήκα έναν χώρο που ήταν ενδιαφέρων με πολλαπλούς τρόπους στη ψηφιακή διαφήμιση. Έμεινα μέρος του μηχανισμού που χρηματοδότησε την ανάπτυξη του Διαδικτύου. Κατάφερα να εφευρέσω ή να συμμετάσχω στην εφεύρεση ορισμένων θεμελιωδών μηχανισμών του πώς λειτουργεί η ψηφιακή διαφήμιση. Και οι τεχνικές προκλήσεις σε αυτόν τον χώρο ανταγωνίζονται οποιεσδήποτε στο λογισμικό. Έτσι είναι πάντα ενδιαφέρον.

Με τη Bluestreak καταφέραμε να δημιουργήσουμε μερικές από τις πρώτες σχεδόν κάθε μορφή διαφήμισης, συμπεριλαμβανομένων των πρώτων βίντεο και ηχητικών διαφημίσεων. Ήμασταν οι πρώτοι που υλοποίησαν αποτίμηση multi-touch, οι πρώτοι που προσέφεραν σύστημα διαχείρισης ετικετών, και οι πρώτοι που προσέφεραν multi-touch σε όλους τους τύπους ψηφιακών μέσων. Αυτό οδήγησε στην πρόσκληση να συν-συγγράψουμε το πρώτο πρότυπο εντύπωσης συνεργαζόμενοι με το Interactive Advertising Bureau (IAB) και το Media Rating Council (MRC).

Όταν πήγα στη Microsoft, η εταιρεία είχε αποφασίσει να επενδύσει στην τεχνολογία διαφήμισης επειδή διαπίστωσε ότι η Google κέρδισε περισσότερα χρήματα ανά αντίτυπο των Windows από ό,τι η Microsoft, εξαιτίας της ψηφιακής διαφήμισης. Μου προσέφεραν έναν ρόλο που ήταν εξαιρετικά ελκυστικός, την ευκαιρία να γράψω τη παγκόσμια στρατηγική για το πώς η Microsoft πρέπει να εισέλθει στον χώρο της τεχνολογίας διαφήμισης.

Αποφασίσαμε να επενδύσουμε μεγάλα στο ad-tech, και ήμουν υπεύθυνος να καθορίσω τη στρατηγική κατασκευής/αγοράς/συνεργασίας. Πραγματοποίησα έλεγχο επιμέλειας σε πάνω από 150 εταιρείες, αγοράσαμε επτά εταιρείες και επενδύσαμε έντονα στην ανάπτυξη εσωτερικών ομάδων. Όταν έφτασα, είχαμε περίπου 200 μηχανικούς που εργάζονταν στο ad-tech και περίπου 750 εκατομμύρια δολάρια σε έσοδα μέσων. Μέχρι να φύγω, είχαμε 1.500 μηχανικούς που εργάζονταν στο ad-tech και πάνω από 5 δισεκατομμύρια δολάρια σε έσοδα. Σήμερα, τα έσοδα διαφήμισης αναζήτησης ανέρχονται σε περίπου 15 δισεκατομμύρια δολάρια, αλλά τότε ήταν ένας απίστευτος αριθμός.

Μία από τις εταιρείες που εξέτασα και τελικά εξαγοράσαμε ήταν η AdECN. Αυτή ήταν η πρώτη εταιρεία του Jeff Green, πριν ιδρύσει το The Trade Desk. Εξετάσαμε την αγορά της Right Media, που είναι πώς γνώρισα καλά τον Brian O’Kelley, αλλά την απορρίψαμε. Νιώσαμε ότι υπήρχε μια ευκαιρία για μια ασύγχρονη παγκόσμια δημοπρασία που επέτρεπε σε πολλούς εξωτερικούς πλειοδότες να συνδεθούν στο ανταλλακτήριο. Έτσι την εξαγοράσαμε και τους βοηθήσαμε να δημιουργήσουν μια ισχυρή ομάδα μηχανικών για την υλοποίηση του οράματος.

Όταν η AdECN ήταν έτοιμη να λανσάρει το πρώτο ανταλλακτήριο real-time bidding (RTB), υπήρξε μια μάχη σχετικά με τις προσεγγίσεις, και ουσιαστικά δεν έφυγε ποτέ από τη δοκιμαστική φάση Beta.

Υπήρχαν δύο αποτελέσματα από αυτό που πραγματικά άλλαξαν ολόκληρο το οικοσύστημα ad-tech. Το πρώτο ήταν ότι ο Brian O’Kelley ξεκίνησε το AppNexus μετά την αποχώρησή του από τη Right Media, και όταν έγινε σαφές ότι η AdECN δεν θα ξεκινήσει ποτέ, υποστήριξα την ευκαιρία συνεργασίας με το AppNexus. Αυτό οδήγησε τελικά σε μια τεράστια επένδυση στην εταιρεία και μια ισχυρή συνεργασία που τελικά κατέληξε στην εξαγορά της από τη Microsoft. Το δεύτερο σημαντικό αποτέλεσμα ήταν ότι ο Jeff Green έφυγε από τη Microsoft, πήρε μερικούς από τους μηχανικούς που είχαν δημιουργήσει το ανταλλακτήριο RTB στην AdECN, και ίδρυσε το The Trade Desk.

Όταν κοιτάζετε την πρώτη αυτή καμπύλη της καριέρας μου, που μας πήγε από το 1997 έως το 2010, έσπασε κάποιους μακροπρόθεσμους σπόρους που τώρα έχουν βγάλει ενδιαφέρον καρπό. Πήγα σε διάφορους ρόλους, συμπεριλαμβανομένης της startup μου Rare Crowds, όπου εφευρέσαμε το Programmatic Curation. Πέρασα χρόνο σε εταιρείες όπως η Pandora, όπου είχαμε μια εξαιρετική επιχείρηση ηχητικής διαφήμισης, συμπεριλαμβανομένου του μεγαλύτερου ανταλλακτηρίου ηχητικών διαφημίσεων, και στη Yieldmo, όπου δημιουργήσαμε το πρώτο ανταλλακτήριο διαφημίσεων με κεντρική προτεραιότητα το απόρρητο. Κατά τη διάρκεια εκείνης της περιόδου είχα την ευκαιρία να είμαι μέλος του διοικητικού συμβουλίου του IAB Techlab, και προσκλήθηκα να συμμετάσχω στην εκτελεστική επιτροπή του συμβουλίου. Και συνέχισα να εργάζομαι στα πρότυπα της βιομηχανίας όλα αυτά τα χρόνια.

Τον περασμένο χρόνο, ο Brian O’Kelley είδε την ευκαιρία να δημιουργήσει ένα βιομηχανικό πρότυπο για την Agentic Advertising, που ονομάζεται AdCP, διαχειριζόμενο από AgenticAdvertising.org. Ο Brian και εγώ συζητήσαμε πού υπήρχαν κενά στο έργο που γινόταν, και προσφέρθηκα να γράψω την πρώτη προδιαγραφή για τη Διακυβέρνηση και τη Συμμόρφωση του AdCP.

Λίγους μήνες μετά που το έγραψα, ήρθε σε επαφή η Fluency. Όταν άρχισα να μαθαίνω τι είχαν δημιουργήσει, έμεινα έκπληκτος. Στην ουσία είχαν ήδη λύσει όλα όσα είχα επισημάνει στην προδιαγραφή μου. Έκαναν agentic advertising για οκτώ χρόνια, πολύ πριν τα LLMs ήταν έτοιμα να γίνουν «agentic».

Δέκαρα ότι η ντετερμινιστική προσέγγιση που είχαν υιοθετήσει με τους πράκτορές τους ήταν ακριβώς αυτό που χρειαζόταν για να καλύψει τις ανάγκες των LLM-τροποποιημένων πρακτόρων, οι οποίοι είναι εγγενώς πιθανοκρατικοί. Αυτό σημαίνει ότι ενώ τα LLM είναι εξαιρετικά στο «σκέψη» και στη δημιουργικότητα, είναι άσχημα στο να κάνουν το ίδιο πράγμα, με τον ίδιο τρόπο κάθε φορά. Κάθε προσέγγιση μόνη της έχει αδυναμίες, αλλά μαζί λύνουν το πρόβλημα της agentic advertising.

Το όραμά μου ήταν συμβατό με την ηγετική ομάδα της Fluency και εντάχθηκα για να ηγηθώ του Product εδώ. Τώρα τρέχουμε με πλήρη ταχύτητα προς έναν κόσμο όπου οι πράκτορες μπορούν να συναλλάσσονται με ασφάλεια στη διαφήμιση με ανθρώπους εν μέσω της διαδικασίας όταν χρειάζεται, και οι πράκτορες που τροφοδοτούνται από LLM λαμβάνουν ντετερμινιστικά όρια για να διαχειρίζονται τη συμπεριφορά τους.

Νιώθω εξαιρετικά τυχερός που έχω ζήσει τόσες πολλές από τις κύριες αλλαγές στη ψηφιακή διαφήμιση, από το πρώτο πρότυπο εντυπώσεων, στην εφεύρεση του RTB, στην εφεύρεση του Curation, μέχρι την άφιξη της Agentic Advertising. Ήταν μια τρελή διαδρομή, και συνεχίζω να διασκεδάζω και να είμαι ενθουσιασμένος για τις ευκαιρίες σε αυτόν τον χώρο.

Το real-time bidding έδωσε στο λογισμικό τη δυνατότητα να λαμβάνει οικονομικές αποφάσεις σε χιλιοστά του δευτερολέπτου. Ποιες διδαχές από την ανάπτυξη της προγραμματιστικής διαφήμισης θα πρέπει σήμερα οι προγραμματιστές να λάβουν υπόψη όταν δίνουν μεγαλύτερη λειτουργική αυτονομία σε πράκτορες AI;

Στην προγραμματιστική διαφήμιση χρησιμοποιήσαμε τη Μηχανική Μάθηση, που είναι μια μορφή AI, για να δημιουργήσουμε μηχανές λήψης αποφάσεων που μπορούσαν να κάνουν δεκάδες εκατομμύρια αποφάσεις ανά δευτερόλεπτο. Αυτό απαιτεί απίστευτη υπολογιστική ισχύ, επεξεργασία δεδομένων, τεράστια υποδομή, και πριν την άφιξη του γεννητικού AI, θα υποστήριζα ότι ήταν μία από τις πιο σημαντικές εξελίξεις σε όλη την υπολογιστική.

Παρά τη δύναμή του, υπάρχουν επίσης τεράστιες αναποτελεσματικότητες στο προγραμματιστικό μοντέλο, και ένα τεράστιο, πολύπλοκο οικοσύστημα που καταναλώνει υπερβολική ενέργεια (και επομένως δημιουργεί υπερβολικό άνθρακα) ανά εντύπωση διαφήμισης. Μη με παρεξηγήσετε, αγαπώ το προγραμματιστικό χώρο και θαυμάζω όσα δημιουργήσαμε. Αλλά φαίνεται ότι έχουμε χτίσει μια μηχανή πολύ πιο πολύπλοκη από την απόδοση που λαμβάνουμε για όλη αυτή την πολυπλοκότητα.

Ενώ τα ίδια ακριβή επιχειρήματα μπορούν να γίνουν για το Γεννητικό AI, οι θέσεις όπου οι πράκτορες που τροφοδοτούνται από LLM πρέπει να λειτουργούν στο οικοσύστημα είναι στα περιθώρια, όχι στην καρδιά κάθε μεμονωμένης συναλλαγής. Και με προσεκτικό συνδυασμό LLM με ντετερμινιστικούς πράκτορες, μπορούμε να διαχειριζόμαστε τις συναλλαγές πολύ πιο αποδοτικά ενώ μειώνουμε δραστικά την πολυπλοκότητα.

Υπάρχουν δύο μεγάλες πρωτοβουλίες στη βιομηχανία, που στοχεύουν στην ενσωμάτωση πρακτόρων που τροφοδοτούνται από LLM στη ροή εργασίας του πώς λαμβάνονται οι συναλλαγές. Το IAB TechLab έχει ξεκινήσει την πρωτοβουλία Agentic Advertising Management Protocols (AAMP), η οποία επιτρέπει μηχανισμούς να διαμεσολαβούν LLM στο RTB υποδομή κάνοντας αποφάσεις εκ των προτέρων και αποθηκεύοντάς τες στα πραγματικού χρόνου συστήματα του οικοσυστήματος. Το έργο AdCP εστιάζει σε ό,τι θεωρώ «ενσωματώσεις επιπέδου λογαριασμού». Δηλαδή ότι όλη η δουλειά που κάνουν οι άνθρωποι στη διαχείριση καμπανιών και τις δημιουργικές ροές εργασίας για τη διαφήμιση μπορεί να αυτοματοποιηθεί. Ενώ το AAMP είναι εξαιρετικά πολύτιμο και ενδιαφέρον, βελτιώνει ένα πολύπλοκο σύγχρονο σύστημα. Το AdCP στοχεύει σε ένα πρόβλημα που υπάρχει από την αρχή της βιομηχανίας, και που η Fluency λύνει εδώ και οκτώ χρόνια. Έτσι βυθιζόμαστε βαθιά στο AdCP, αλλά τελικά θα εμβαθύνουμε και στο AAMP.

Η Fluency έχει αποτελεσματικά λύσει το πρόβλημα του τελευταίου μιλίου που ποτέ δεν αντιμετωπίστηκε στον χώρο του ad-tech: τις τεράστιες αναποτελεσματικότητες στη δημιουργία και διαχείριση διαφημιστικών καμπανιών σε επίπεδο λογαριασμού, καμπάνιας και δημιουργικού. Και πιστεύω πραγματικά ότι η δουλειά που κάνουμε αποτελεί μια εξίσου σημαντική ευκαιρία για τη διαφήμιση όπως αυτό που εφευρέσαμε με το RTB. Καθώς ενσωματώνουμε τα LLM στις ροές εργασίας που η Fluency έχει ήδη αυτοματοποιήσει, αυξάνουμε την αξία ολόκληρου του συστήματος.

Η Fluency διαχωρίζει τη πιθανοκρατική λογική AI από τα ντετερμινιστικά συστήματα που εκτελούν αλλαγές καμπανιών. Γιατί είναι αυτή τη στιγμή πολύ ριψοκίνδυνο να επιτραπεί σε ένα μεγάλο μοντέλο γλώσσας να ελέγχει άμεσα τους διαφημιστικούς προϋπολογισμούς;

Νομίζω ότι αυτό είναι ένα θεμελιώδες πρόβλημα που τα LLM πιθανότατα θα έχουν πάντα. Οι πιθανοκρατικοί μηχανισμοί σχεδιάζονται ώστε να δίνουν διαφορετικές απαντήσεις στην ίδια ερώτηση κάθε φορά. Ακόμη και όταν είναι εξαιρετικά καλοί στο να σκέφτονται, είναι άσχημοι σε ντετερμινιστικά πράγματα. Ας χρησιμοποιήσουμε την αριθμητική ως παράδειγμα:

Τα LLM κυριολεκτικά δεν μπορούν να προσθέτουν, να αφαιρούν, να πολλαπλασιάζουν ή να διαιρούν. Τώρα, ίσως δεν το συνειδητοποιείτε, επειδή όταν ρωτάτε τον Claude ή το ChatGPT μια ερώτηση που απαιτεί αριθμητική, μπορούν να δώσουν τη σωστή απάντηση. Αλλά αυτό που δεν ξέρουν οι περισσότεροι είναι ότι το κάνουν γράφοντας σενάρια και εκτελώντας αυτόν τον κώδικα για να χειριστούν τους υπολογισμούς. Αυτό είναι αυτό που συζητάμε εδώ: η διασταύρωση ενός πιθανοκρατικού LLM που καταλαβαίνει ότι δεν μπορεί να κάνει αριθμητική, δημιουργώντας το δικό του ντετερμινιστικό λογισμικό που κάνει υπολογισμούς για να λύσει το ζητούμενο.

Ακόμη και αν το LLM μπορεί τώρα «μαγικά» να κάνει αριθμητική, δεν θα άφηνα ποτέ ένα LLM να διαχειρίζεται τα οικονομικά μου και να παίρνει αποφάσεις για συναλλαγές με μετοχές για μένα. Δεν θα άφηνα ποτέ ένα LLM να κάνει τις φορολογικές μου δηλώσεις