Eric Picard, Fluencyn Senior Vice President of Product – Haastattelusarja

Eric Picard, Senior Vice President of Product Fluencyllä, on kokenut tuote- ja teknologiajohtaja, joka on viettänyt vuosikymmeniä kehittäen digitaalisia mainosalustoja, automatisoituja markkinapaikkoja, tietojärjestelmiä ja kuluttajille suunnattuja tuotteita. Ennen Fluencyn liittymistään hän toimi seniorijohdon tehtävissä Microsoftilla, Pandoralla, MediaMathilla, Yieldmolla ja BARKilla, jossa hänen vastuunsa vaihtelivat mainosteknologiastrategiasta ja ohjelmallisesta mediasta tuotehallintaan, data-analytiikkaan, insinööriin ja laajamittaiseen alustan modernisointiin. Picard on myös sarjainen yrittäjä, joka perusti Bluestreakin, Rare Crowdsin, Questorin ja muita teknologiayrityksiä, joista Bluestreak ja Rare Crowds lopulta ostettiin. Hänen uransa on sisältänyt avustamista varhaisen reaaliaikaisen hintatarjouksen (RTB) mainosvaihdoksen arkkitehtuurissa, ohjelmallisten audio-mainos tuotteiden lanseeraamisessa, automatisoidun varastokuratoijateknologian kehittämisessä sekä yritysten neuvomista tekoälyssä, tuotestrategiassa, yritysmuutoksessa ja yritysostoissa.

Fluency kehittää digitaalista mainoskäyttöjärjestelmää, jonka tarkoituksena on auttaa toimistoja, brändejä ja monipaikkaisia yrityksiä hallinnoimaan maksettuja mediakampanjoita hakukoneissa, sosiaalisessa mediassa, ohjelmallisilla alustoilla, suljetuissa ekosysteemeissä ja avoimessa verkossa. Alusta keskittää tiedot, luovat aineistot, varaston, vaatimustenmukaisuuden, yleisöt, kampanjastrategian, raportoinnin ja toteutustyönkulut, käyttäen automaatiota ja tekoälyä vähentämään toistuvaa operatiivista työtä ja koordinoimaan kampanjoita mittakaavassa. Fluency keskittyy yhä enemmän agenttiseen mainontaan, mukaan lukien hallitut tekoälypohjaiset työkulut, jotka voivat toteuttaa ja optimoida kampanjoita säilyttäen määritellyt strategiset ja brändikontrollit. Yritys kertoo, että sen teknologia tukee yli 250 000 kampanjaa kuukaudessa ja hallinnoi noin 3 miljardia dollaria vuotuista mainosbudjettia.

Urasi on kattanut useita perustavanlaatuisia ajanjaksoja digitaalisessa mainonnassa, alkaen Bluestreakin perustamisesta ja varhaisten digitaalisten mainosstandardien luomisesta aina yhden ensimmäisen reaaliaikaisen hintatarjouksen vaihdoksen arkkitehtuurin kehittämiseen. Miten nämä kokemukset ovat muokanneet lähestymistapaasi seuraavan sukupolven agenttisten mainontajärjestelmien rakentamisessa Fluencyllä?

Olen ollut urallani erittäin onnekas, että olen löytänyt monipuolisen ja mielenkiintoisen tilan digitaalisessa mainonnassa. Sain olla osa mekanismia, joka rahoitti Internetin kasvua. Olen pystynyt keksimään tai olemaan mukana keksimässä joitakin perusmekanismeja, joilla digitaalinen mainonta toimii. Ja tekniset haasteet tällä alalla ovat yhtä vaativia kuin missä tahansa ohjelmistossa. Joten se on aina ollut kiehtovaa.

Bluestreakin kanssa saimme rakentaa lähes kaikkien mainosformaattien ensimmäisiä versioita, mukaan lukien ensimmäiset video- ja audio-mainokset. Olimme ensimmäiset, jotka toteuttivat monikosketusmittauksen, ensimmäiset, jotka tarjosivat tagien hallintajärjestelmän, ja ensimmäiset, jotka tarjosivat monikosketuksen kaikilla digitaalisilla mediatyypeillä. Tämä johti kutsuun olla mukana laatimassa ensimmäistä näyttöstandardia yhteistyössä Interactive Advertising Bureauin (IAB) ja Media Rating Councilin (MRC) kanssa.

Kun menin Microsoftiin, yritys oli päättänyt investoida mainosteknologiaan, koska se näki Googlen ansaitsevan enemmän rahaa jokaisesta Windows-kopiosta kuin Microsoft itse, kaiken takana oli digitaalinen mainonta. He tarjosivat minulle erittäin houkuttelevan roolin, mahdollisuuden kirjoittaa maailmanlaajuinen strategia siitä, miten Microsoftin tulisi siirtyä mainosteknologian alalle.

Päätimme panostaa suuresti ad-techiin, ja minulla oli tehtävänä selvittää rakennus/osto/kumppanuusstrategia. Suoritin due diligence -tarkastuksia yli 150 yrityksessä, ostimme seitsemän yritystä ja investoimme voimakkaasti sisäisten tiimien kasvattamiseen. Saavuttuani sinne, meillä oli noin 200 insinööriä työskentelemässä ad-techissä, ja median tulot olivat noin 750 miljoonaa dollaria. Kun lähdin, meillä oli 1 500 insinööriä ad-techissä ja yli 5 miljardia dollaria liikevaihtoa. Nykyään hakumainonnan tulot ovat noin 15 miljardia dollaria, mutta tuolloin se oli uskomaton luku.

Yksi yrityksistä, joita tarkastelimme ja jonka lopulta hankimme, oli AdECN. Tämä oli Jeff Greenin ensimmäinen yritys ennen kuin hän perusti The Trade Deskin. Tarkastelimme Right Mediaa, jonka kautta tutustuin Brian O’Kelleyn, mutta päätimme olla ostamatta sitä. Tunsimme, että markkinoilla oli mahdollisuus asynkroniseen globaaliseen huutokauppaan, joka mahdollistaisi useiden ulkoisten tarjoajien liittämisen vaihdokseen. Joten hankimme heidät ja autimme heitä rakentamaan vahvan insinööritiimin vision toteuttamiseksi.

Kun AdECN oli valmis lanseeraamaan ensimmäisen reaaliaikaisen hintatarjouksen (RTB) vaihdoksen, kävi kiistaa lähestymistavoista, eikä se koskaan päässyt beta-testauksen ulkopuolelle.

Tässä oli kaksi tulosta, jotka todella muokkasivat koko ad-tech‑ekosysteemiä. Ensimmäinen oli, että Brian O’Kelley perusti AppNexusin lähtiessään Right Mediasta, ja kun käytiin selväksi, että AdECN ei koskaan pääse lentoon, kannustin yhteistyötä AppNexuksen kanssa. Tämä johti lopulta merkittävään investointiin yritykseen ja vahvaan kumppanuuteen, joka päättyi AppNexuksen ostamiseen Microsoftin toimesta. Toinen merkittävä tulos oli, että Jeff Green lähti Microsoftista, otti mukaansa muutaman insinöörin, jotka olivat rakentaneet RTB‑vaihdoksen AdECN:ssä, ja perusti The Trade Deskin.

Kun tarkastelet tätä ensimmäistä urani kaarta, joka kattoi vuodet 1997–2010, se istutti pitkäaikaisia siemeniä, jotka ovat nyt antaneet mielenkiintoisia hedelmiä. Siirryin erilaisiin rooleihin, mukaan lukien oma startupini Rare Crowds, jossa keksimme ohjelmallisen kuratoimisen. Vietin aikaa yrityksissä kuten Pandora, jossa meillä oli loistava audio‑mainosliiketoiminta, mukaan lukien suurin audio‑mainosvaihto, ja Yieldmo, jossa rakensimme ensimmäisen tietosuojaan keskittyvän mainosvaihdon. Tuona aikana minulla oli mahdollisuus olla IAB Techlabin hallituksen jäsen, ja minut kutsuttiin mukaan hallituksen johtokuntaan. Olen jatkanut työskentelyä alan standardien parissa näiden vuosien ajan.

Viime vuonna Brian O’Kelley näki mahdollisuuden rakentaa alan standardi agenttiselle mainonnalle, joka tunnetaan nimellä AdCP, jonka hallinnoi AgenticAdvertising.org. Brian ja minä keskustelimme, missä työssä oli aukkoja, ja tarjosin kirjoittaa ensimmäisen spesifikaation hallinnolle ja vaatimustenmukaisuudelle AdCP:ssä.

Muutamaa kuukautta sen jälkeen, kun kirjoitin sen, otettiin yhteyttä Fluencyn puolelta. Kun aloin tutustua heidän rakentamaansa, olin hämmästynyt. Käytännössä he olivat jo ratkaisseet kaiken, mitä olin esittänyt spesifikaatiossani. He olivat tehneet agenttista mainontaa kahdeksan vuotta, kauan ennen kuin LLM:t olivat valmiita toimimaan “agenttisesti”.

Näin, että deterministinen lähestymistapa, jonka heidän agenttinsa olivat ottaneet, oli juuri se, mitä LLM‑pohjaiset agentit, jotka ovat luontaisesti probabilistisia, tarvitsevat. Tämä tarkoittaa, että vaikka LLM:t ovat loistavia “ajattelussa” ja luovuudessa, ne ovat kauhean huonoja toistamaan samaa tehtävää täsmälleen samalla tavalla jokaisella kerralla. Jokaisella lähestymistavalla on omat heikkoutensa, mutta yhdessä ne ratkaisevat agenttisen mainonnan ongelman.

Visioini sopi Fluencyn johtoryhmän visio, ja liityin johtamaan tuotantoa täällä. Nyt suuntaamme täyteen vauhtiin maailmaan, jossa agentit voivat turvallisesti tehdä mainontaa ihmisten valvonnassa tarvittaessa, ja LLM‑pohjaisille agenteille annetaan deterministiset suojarajat käyttäytymisen hallitsemiseksi.

Tunnen oloni uskomattoman onnekkaaksi, että olen saanut kokea niin monia merkittäviä muutoksia digitaalisessa mainonnassa, aina ensimmäisestä näyttöstandardista RTB:n keksimiseen, kuratoimisen keksimiseen ja agenttisen mainonnan syntyyn. Se on ollut villi matka, ja nautin edelleen siitä ja olen innoissani mahdollisuuksista tällä alalla.

Reaaliaikainen hintatarjous antoi ohjelmistolle mahdollisuuden tehdä taloudellisia päätöksiä millisekunneissa. Mitä oppeja ohjelmallisen mainonnan kehittämisestä tulisi nykyisten kehittäjien ottaa huomioon, kun AI‑agentteja annetaan suurempaa operatiivista autonomiaa?

Ohjelmallisessa mainonnassa käytimme koneoppimista, joka on eräänlainen AI, rakentaaksemme päätösmalleja, jotka pystyvät tekemään kymmeniä miljoonia päätöksiä sekunnissa. Tämä vaatii valtavan määrän laskentatehoa, datankäsittelyä, laajaa infrastruktuuria, ja ennen generatiivisen AI:n nousua voisin väittää, että se oli yksi merkittävimmistä kehityksistä koko tietojenkäsittelyn historiassa.

Kaikesta sen voimasta huolimatta ohjelmallisessa mallissa on myös massiivisia tehottomuuksia, ja valtava, monimutkainen ekosysteemi kuluttaa paljon sähköä (ja siten tuottaa paljon hiilidioksidia) per mainosnäyttö. Älkää ymmärtäkö väärin, rakastan ohjelmallista tilaa, ja olen vaikuttunut siitä, mitä olemme luoneet. Mutta tuntuu, että olemme rakentaneet koneen, joka on paljon monimutkaisempi kuin sen tuottama hyöty.

Samanlaisia argumentteja voidaan esittää generatiivisesta AI:sta, mutta LLM‑pohjaisten agenttien täytyy toimia ekosysteemin rajapinnoilla, ei jokaisen yksittäisen tapahtuman ytimessä. Yhdistämällä LLM:t deterministisiin agentteihin voimme hallita tapahtumia paljon tehokkaammin ja vähentää monimutkaisuutta merkittävästi.

Alalla on kaksi suurta hanketta, jotka pyrkivät sisällyttämään LLM‑pohjaiset agentit tapahtumien työvirtoihin. IAB TechLab on käynnistänyt Agentic Advertising Management Protocols (AAMP) -hankkeen, jonka avulla LLM:t voidaan ohjata RTB‑infrastruktuuriin tekemällä päätökset etukäteen ja välimuistittamalla ne ekosysteemin reaaliaikaisiin järjestelmiin. AdCP‑projekti keskittyy siihen, mitä pidän “tilitaso‑integraatioina”. Tämä tarkoittaa, että kaikki ihmiset suorittavat kampanjanhallinnan ja luovan työn automaattisesti. Vaikka AAMP on erittäin arvokas ja mielenkiintoinen, se parantaa monimutkaista nykyaikaista järjestelmää. AdCP taas pyrkii ratkaisemaan ongelman, joka on ollut olemassa alusta alkaen, ja jonka Fluency on ratkaissut kahdeksan vuotta. Joten syvennymme syvästi AdCP:hen, mutta aikanaan siirrymme myös AAMPiin.

Fluency on käytännössä ratkaissut viimeisen mailin ongelman, jota ad-tech‑alalla ei ole koskaan käsitelty: massiiviset tehottomuudet mainoskampanjoiden luomisessa ja hallinnassa tilitasolla, kampanjatasolla ja luovien aineistojen tasolla. Uskon vahvasti, että tekemämme työ on yhtä merkittävä mahdollisuus mainonnalle kuin RTB:n keksintö. Kun liitämme LLM:t Fluencyn jo automatisoimiin työnkulkuihin, nostamme koko järjestelmän arvoa.

Fluency erottaa probabilistisen AI‑päättelyn deterministisiin järjestelmiin, jotka toteuttavat kampanjamuutoksia. Miksi on tällä hetkellä liian riskialtista antaa suurelle kielimallille suora hallinta mainosbudjetteihin?

Mielestäni tämä on perusongelma, jonka LLM:t todennäköisesti kohtaavat aina. Probabilistiset moottorit on suunniteltu antamaan eri vastauksia samaan kysymykseen jokaisella kerralla. Vaikka ne ovat uskomattoman hyviä ajattelussa, ne ovat kauhean huonoja deterministisissä tehtävissä. Otetaan esimerkiksi aritmetiikka:

LLM:t eivät kirjaimellisesti pysty suorittamaan yhteen‑, vähennys‑, kertolaskua tai jakolaskua. Saatat olla tietämättä tätä, koska kun kysyt Claudelta tai ChatGPT:ltä aritmetiikkaa vaativan kysymyksen, ne voivat antaa oikean vastauksen. Mutta suurin osa ihmisistä ei tiedä, että ne tekevät sen kirjoittamalla skriptejä ja suorittamalla koodin laskutoimituksia. Tässä on kyse probabilistisen LLM:n ja sen ymmärryksen risteyksestä, että se ei pysty tekemään aritmetiikkaa, ja sen omasta deterministisesta ohjelmistostaan, joka suorittaa laskut tehtävän ratkaisemiseksi.

Vaikka LLM nyt “taianomaisesti” osaa aritmetiikkaa, en koskaan antaisi LLM:n hallita talouttani tai tehdä osakekauppoja puolestani. En koskaan antaisi LLM:n tehdä veroja ja lähettää niitä tarkistamatta. Enkä edes antaisi LLM:n kirjoittaa sähköpostia tai blogikirjoitusta ilman tarkkaa editointia, jotta kaikki on totta.

Kun ne tulevat älykkäämmiksi ja paremmiksi toteuttamaan, ne saattavat tulevaisuudessa pystyä tekemään näitä asioita, mutta arvaukseni on, että ne tekevät sen kirjoittamalla oman deterministisen ohjelmistonsa käsittelemään ongelman ne osat, jotka sitä vaativat.

Fluency on jo tänään – meillä on deterministiset putket mainonnan hallintaan. Integroimme LLM:t tähän alustaan, käytämme niitä niiden vahvuuksissa. Ja avaamme alustamme ulkoisille agenteille, jotta ne voivat toimia putkiemme kautta. Lopulta näen tämän porttina mainos-ekosysteemiin, jossa LLM‑pohjainen agentti voi tehdä transaktioita missä tahansa mediaplatformissa yhdistämällä yhden paikan kautta. Mutta olemme vielä kaukana siitä pitkän aikavälin tuloksesta!

Miten Fluencyn deterministinen toteutuskerros arvioi AI‑agentin suosituksia ennen kuin ne vaikuttavat live‑kampanjaan, ja millaisia sääntöjä tai rajoituksia mainostajat voivat asettaa?

Tarjoamme mekanismeja ihmisille (tai LLM:ille) luoda deterministisia ohjeita, jotka toteutuvat samalla tavalla jokaisella kerralla mainosalustoilla. Tämä on suuri ongelma, joka täytyy ratkaista kaikilla toimialoilla. Mainonnassa yritys, joka ratkaisee tämän, on Fluency. Mahdollistamme liiketoimintasääntöjen ja heuristiikkojen luomisen kaikille toiminnoille, joita asiakkaamme saattavat tehdä mainosalustalla. Jos on mahdollista luoda IF/THEN‑logiikka ongelmalle, alustamme mahdollistaa sen koodaamisen liiketoimintasääntöihin, jotka noudatetaan samalla tavalla jokaisella kerralla.

Tämä on kriittisen tärkeää ymmärtää. Ihmiset tekevät monia päätöksiä samalla tavalla jokaisessa tietyssä tilanteessa. Tämä mahdollistaa esimerkiksi budjetinhallintasääntöjen koodaamisen, kampanjoiden tai luovien aineistojen generoinnin samalla kun noudatetaan nimeämistaksonomiaa, tai automaattisen kampanjoiden ja luovien aineistojen käynnistämisen ja sammuttamisen ulkoisten tietoaineistojen laukaisimien perusteella.

Esimerkiksi autokauppa voi saada uuden auton toimituksen. Fluency voi lukea kaupan käyttämän varastonhallintajärjestelmän ja automaattisesti luoda kampanjoita ja luovia aineistoja juuri kyseiselle merkille, mallille, jopa värille ja erityisominaisuuksille jokaiselle autolle, minuuteissa auton saapumisesta myyntialueelle. Kun viimeinen auto myydään, kampanjat suljetaan automaattisesti.

Kaikki tämä on varsin merkittävää, koska liiketoimintapäätökset näiden asioiden toteuttamiseen ovat hyvin yksinkertaisia, kun ne otetaan yksi kerrallaan. Tämä “tuhannen leikkauksen” ongelma, joka nykyään hallitsee mainonnan hallintaa, katoaa. Asiakkaamme huomaavat, että tämä vapauttaa tiimejään jatkuvasta tulipalojen sammuttamisesta ja antaa heille mahdollisuuden keskittyä työhön, joka todella liikuttaa neulan heidän asiakkaidensa puolesta.

Mainosstrategia ja luova kehitys vaativat usein kokeilua ja subjektiivista arvostelua. Kuinka organisaatiot voivat säilyttää generatiivisen AI:n joustavuuden samalla, kun varmistavat, että kampanjan toteutus pysyy ennustettavana ja vaatimustenmukaisena?

Kaikki, mistä olemme tähän mennessä puhuneet, on jo rakentanut kehyksen, joka vastaa tähän yksinkertaisesti. Ne asiat, jotka voidaan koodata liiketoimintasääntöihin, on asetettu oikein toteuttamaan ne helppoja päätöksiä, jotka ovat samat jokaisella kerralla. LLM:t voivat auttaa analysoimaan ja mallintamaan, kuten kaikki muutkin AI:n muodot, kuten koneoppiminen, jolla on pitkä historia ad-techissä. Mutta todellinen temppu on, että meillä on mekanismit, joiden avulla voidaan pyytää ihmistä puuttumaan, jos ongelma ei ole selvästi ratkaistu. Asiakkaamme voivat säätää riskinsietokykyään, joten jos asia on matalan riskin, he voivat päättää antaa koneiden tehdä päätöksen. Mutta asioissa, jotka todella vaativat ihmisen päätöstä, me hälytämme heidät ja annamme heille ohjauspyörän.

Fluencyn alusta toimii hakukone-, sosiaalisen median- ja ohjelmallisen mainonnan kanavilla. Mitkä tekniset haasteet syntyvät, kun AI‑agentin täytyy tehdä päätöksiä eri alustoilla, joilla on erilaiset tietorakenteet, optimointijärjestelmät ja politiikkavaatimukset?

Jokaisella mainosalustalla on oma joukko parhaita käytäntöjä ja ominaisuuksia. API:t ovat kiinteitä putkia, joihin yhdistämme ohjataksemme alustoja ulkoisesti. API:t on hyvin dokumentoitu, mutta dokumentaatio kertoo, mitä voidaan tehdä alustoilla, eikä se ole kyseisen alustan parhaiden käytäntöjen toteuttamisesta.

LLM:t voivat sisällyttää paljon tietoa kontekstiin, jotta parhaat käytännöt kunkin alustan käytöstä ovat saatavilla niiden kautta. Koska Fluency toimii monilla alustoilla monille toimistoille ja mainostajille, voimme koodata kunkin asiakkaan parhaat käytännöt (heidän puolestaan) ohjeiksi, joita LLM voi noudattaa tuottaakseen erottuvia parhaita käytäntöjä jokaiselle asiakkaalle. Asiakkaillamme on omat “playbookit” liiketoimintansa operoimiseen, ja Fluency antaa heidän koodata nämä deterministisiin sääntöihin mahdollisuuksien mukaan, ja ajan myötä mahdollistamme ne LLM‑pohjaisten agenttien ohjeistuksina, kun se on järkevää.

Aloitamme nyt työskentelyn asiakkaidemme kanssa tämän seuraavan sukupolven kehityksen parissa, jotta nämä monimutkaisemmat skenaariot voidaan koodata heidän tileilleen alustallamme. Tämä on vielä hyvin varhaisessa vaiheessa. Kuka tahansa, joka väittää ratkaisseensa osan tästä LLM:ien avulla, venyttelee totuutta, koska asiat ovat niin varhaisessa vaiheessa, ja mallit kehittyvät niin nopeasti, että kukaan ei ole vielä täysin ratkaissut tätä. Mutta olemme erittäin hyvin asemassa työskentelemään asiakkaidemme kanssa tämän ratkaisemiseksi.

Miltä tehokas ihmisen valvonta näyttää agenttisessa mainonnassa? Mitkä päätökset voivat turvallisesti olla autonomisia, ja mitkä vaativat edelleen ihmisen tarkistusta tai hyväksyntää?

Jokaisella asiakkaalla on erilainen riskinsietokyky, ja useimmilla heistä ei ole koskaan ollut järjestelmää, joka voisi ilmaista sen. Fluencyn sisällä hyvä kampanjapäällikön tekemä harkinta koodataan kerran ja sovelletaan identtisesti jokaisessa tilissä, jokaisella alustalla, jokaisella kerralla. Tilanteet, joilla ei ole selkeää vastausta, ohjataan automaattisesti henkilölle, jonka on annettava päätös tarvittavalla kontekstilla.

Miten tämä näyttää käytännössä, vaihtelee paljon. Ajamme tänään valtavan määrän erilaisia sääntöjä asiakkaillemme, autamme heitä koodaamaan ihmisten päätökset, jotka eivät vaihtele, ja siirrämme ihmisen puoleen, kun vastaus ei ole selvä.

Mitä päätöksiä voidaan turvallisesti antaa autonomisiksi, riippuu asiakkaasta, eikä usko, että universaali vastaus olisi kovin arvokas. Alustan täytyy noudattaa rajan, jonka asiakas asettaa, ja antaa heidän siirtää se, kun heidän luottamuksensa kasvaa.

Kun agentit tekevät yhä enemmän kampanjapäätöksiä, miten alustoiden tulisi dokumentoida kunkin toimenpiteen perustelut, data ja säännöt, jotta mainostajat voivat tarkastaa suorituskyvyn, tutkia virheitä ja osoittaa vaatimustenmukaisuuden?

Yksi Fluencyn keskeisistä arvolupauksista on, että olemme SOC2‑yhteensopivia ja täysin tarkastettavissa. Muutokset kirjataan koko järjestelmässä. Olen toiminut julkisesti noteeratun yrityksen CPTO:na ja olen ollut vastuussa vaatimustenmukaisuudesta, joten tiedän, kuinka monimutkaista tämä voi olla. Tämä on toinen syy, miksi olin innoissani liittyessäni Fluencyn, koska kaikki tekemämme on täysin tarkastettavissa. Pidämme myös muutospäiväkirjoja jokaisesta järjestelmässä tehdystä muutoksesta, kirjattuna sen käyttäjän mukaan, joka sen teki.

Toinen kerros on merkityksellinen. Koska liiketoimintasäännöt on koodattu ohjelmistoon, sääntö on oma spesifikaationsa. Dokumentaation ja käyttäytymisen välillä ei ole poikkeamaa, mikä on usein auditointien heikkous. LLM‑pohjaisessa maailmassa tämä koodattu logiikka voidaan palauttaa selkokielelle pyynnöstä, jolloin auditoinnin tekijän ei tarvitse lukea koodia ymmärtääkseen, mitä järjestelmälle on annettu ohje.

Miten toimisto tai brändi, joka aloittaa agenttisen mainonnan käyttöönoton, voi parhaiten valita alkutyönkulut, ja mitä todisteita organisaation tulisi vaatia ennen kuin agentin valtuuksia laajennetaan?

Fluencyn näkökulmasta agenttinen mainonta on hyvin kuljettu polku. Olemme tehneet sitä kahdeksan vuotta. Meillä on satoja toimistoja ja brändejä, jotka käyttävät alustaamme agenttiseen mainontaan tänään, ja monipaikkaisessa ympäristössä se kattaa kymmeniä tuhansia sijainteja.

Automatisoimme suurimman osan siitä, mitä ihmiset tekevät toistuvasti kampanjoiden perustamisessa ja hallinnassa hakukoneissa, sosiaalisessa mediassa ja ohjelmallisesti, joten ei ole olemassa työvirtaa, joka olisi parempi tai huonompi aloituspiste. Paras aloituspiste on se kanava, jonka asiakas kokee eniten työvoimavaltaiseksi.

LLM:t auttavat meitä myös nopeuttamaan asiakkaiden käyttöönottoa, koska kuten voit kuvitella, asiakkaan liiketoimintasääntöjen koodaus on samanlaista kuin CRM‑implementointi, joka kestää kuukausia. Rakennamme työkaluja, jotka käyttävät LLM:eja sääntöjen luomiseen ja automaatiokomentojen kirjoittamiseen. Tämä nopeuttaa käyttöönottoa merkittävästi ja vähentää asiakkaidemme monimutkaisuutta.

Mainonta on varhaisen testialustan autonomisille järjestelmille, jotka hallinnoivat oikeaa rahaa mittakaavassa. Mitä oppeja tästä alasta voitaisiin soveltaa rahoituspalveluihin, terveydenhuoltoon, yritysostoon tai muihin säänneltyihin sektoreihin, jotka ottavat käyttöön AI‑agentteja?

Mainonta on ollut autonomisten järjestelmien todistuskenttä, jotka käyttävät oikeaa rahaa 20 vuoden ajan. Ohjelmallinen mainonta opetti alaa antamaan ohjelmistolle mahdollisuuden sitoutua miljardeja dollareita päivässä ilman ihmisen yksittäisten transaktioiden hyväksyntää. Suurin osa nykyisestä agenttisesta AI‑keskustelusta tapahtuu mittakaavassa, jonka mainonta jätti taakseen kauan sitten.

Fluencyllä on yli 3 miljardia dollaria vuotuista kulutusta alustan läpi, satojen toimistojen ja brändien kanssa, ja monipaikkaisessa ympäristössä se kattaa kymmeniä tuhansia sijainteja. Useimmat agenttisen mainonnan keskustelut tällä hetkellä koskevat pilottibudjetteja ja muutamaa tiliä.

Mitä siirtyy muihin sektoreihin, on arkkitehtuuri. Erottaa päätöksentekojärjestelmä toteutusjärjestelmästä. Päätöksentekokerros voi olla probabilistinen, koska harkinta hyötyy joustavuudesta ja luovuudesta. Toteutuskerroksen täytyy olla deterministinen, koska rahansiirto ei ole paikka, jossa haluat vaihtelua. Jokainen toiminto kirjataan käyttäjän tai agentin mukaan, joka sen aloitti, mikä antaa auditointijalan, joka kestää tarkastuksen edessä.

Tämä vaatimus on identtinen rahoituspalveluissa, terveydenhuollon korvausprosessissa, yritysostossa. Panokset ovat suuremmat ja työkalut yleensä huonommat. Suunnittelu, jonka rakensimme mainontaa varten, on oikea: täysi tarkastettavuus ja muutospäiväkirjat jokaisesta muutoksesta ovat perusedellytyksiä. Olen erityisen huolissani ei‑inhimillisestä harkinnasta asioissa, kuten lääketieteellisten toimenpiteiden hyväksymisessä ja vakuutuskorvausten hyväksymisessä. En usko, että LLM:t ovat vielä siellä, ja minulla on omia esimerkkejä elämästäni, joissa automatisoidut järjestelmät tekivät erittäin huonoja päätöksiä vakuutuskorvausten hyväksymisessä tai hylkäämisessä.

Odotukseni on, että mainonnan asettama malli siirtyy näihin sektoreihin. Meillä on kahdenkymmenen vuoden etumatka koneiden rahankäyttöongelmaan, jossa ne kuluttavat satoja miljoonia kertoja sekunnissa. Fluencyn lähestymistapa ulottuu transaktiosta työvirtaan, ja olen varma, että lähestymistapamme on se, joka voittaa.

Kiitos loistavasta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa käydä tutustumassa Fluencyiin.