Eric Picard, SVP de Produit chez Fluency – Série d’entretiens

Eric Picard, Vice-président senior du Produit chez Fluency, est un cadre expérimenté dans le domaine des produits et de la technologie qui a passé des décennies à développer des plateformes de publicité numérique, des marchés automatisés, des systèmes de données et des produits destinés aux consommateurs. Avant de rejoindre Fluency, il a occupé des postes de direction chez Microsoft, Pandora, MediaMath, Yieldmo et BARK, où ses responsabilités allaient de la stratégie de technologie publicitaire et de médias programmatiques à la gestion de produits, à la science des données, à l’ingénierie et à la modernisation de plates-formes à grande échelle. Picard est également un entrepreneur en série qui a fondé Bluestreak, Rare Crowds, Questori et d’autres entreprises technologiques, dont Bluestreak et Rare Crowds ont finalement été acquises. Sa carrière a inclus l’aide à l’architecture d’un échange publicitaire à enchères en temps réel, le lancement de produits publicitaires audio programmatiques, le développement de technologies de curation d’inventaire automatisées et la conseil d’entreprises sur l’intelligence artificielle, la stratégie de produits, la transformation d’entreprise et les fusions et acquisitions.

Fluency développe un Système d’exploitation de publicité numérique conçu pour aider les agences, les marques et les entreprises multilocalisations à gérer les campagnes de publicité payante sur les moteurs de recherche, les plateformes sociales, les plateformes programmatiques, les jardins clos et le web ouvert. La plateforme centralise les données, les actifs créatifs, les inventaires, les exigences de conformité, les audiences, la stratégie de campagne, les rapports et les flux de travail d’exécution, en utilisant l’automatisation et l’intelligence artificielle pour réduire les tâches opérationnelles répétitives et coordonner les campagnes à grande échelle. Fluency se concentre de plus en plus sur la publicité agente, y compris les flux de travail gérés par l’IA qui peuvent exécuter et optimiser les campagnes tout en maintenant des contrôles stratégiques et de marque définis. L’entreprise affirme que sa technologie prend en charge plus de 250 000 campagnes par mois et gère environ 3 milliards de dollars de dépenses publicitaires par an.

Votre carrière a traversé plusieurs périodes fondatrices de la publicité numérique, de la fondation de Bluestreak et de la contribution à l’établissement des premières normes publicitaires numériques à la contribution à l’architecture de l’un des premiers échanges d’enchères en temps réel. Comment ces expériences ont-elles façonné votre approche de la construction de la prochaine génération de systèmes de publicité agente chez Fluency ?

J’ai eu la chance de trouver un espace qui était intéressant de manière multifacette avec la publicité numérique. J’ai pu faire partie du mécanisme qui a financé la croissance d’Internet. J’ai pu inventer ou faire partie de l’invention de certains des mécanismes fondamentaux de la publicité numérique. Et les défis techniques dans cet espace rivalisent avec ceux de tout logiciel. C’est donc toujours intéressant.

Avec Bluestreak, nous avons pu construire certains des premiers formats de publicité, y compris certains des premiers publicités vidéo et audio. Nous étions les premiers à faire de l’attribution multi-touch, les premiers à offrir un système de gestion de balises et les premiers à offrir une attribution multi-touch sur tous les types de médias numériques. Cela nous a valu d’être invités à co-rédiger la première norme d’impression en collaboration avec l’Interactive Advertising Bureau (IAB) et le Media Rating Council (MRC).

Lorsque je suis allé chez Microsoft, l’entreprise avait décidé d’investir dans la technologie publicitaire car elle voyait que Google gagnait plus d’argent par copie de Windows que Microsoft, tout cela grâce à la publicité numérique. Ils m’ont offert un rôle incroyablement intéressant, l’opportunité d’écrire la stratégie globale pour la façon dont Microsoft devait entrer dans l’espace de la technologie publicitaire.

Nous avons décidé d’aller gros dans l’ad-tech, et j’étais en charge de déterminer la stratégie de construction/achat/partenariat. J’ai pu effectuer des audits sur plus de 150 entreprises, nous en avons acheté sept et nous avons investi lourdement dans le développement d’équipes internes. Lorsque je suis arrivé, nous avions environ 200 ingénieurs qui travaillaient sur l’ad-tech, et nous avions environ 750 millions de dollars de revenus provenant des médias. Lorsque je suis parti, nous avions 1 500 ingénieurs qui travaillaient sur l’ad-tech, et plus de 5 milliards de dollars de revenus. Aujourd’hui, les revenus de la publicité sur les moteurs de recherche représentent environ 15 milliards de dollars, mais à l’époque, c’était un nombre incroyable.

L’une des entreprises que j’ai examinées, et que nous avons finalement acquise, était AdECN. C’était la première entreprise de Jeff Green, avant qu’il ne fonde The Trade Desk. Nous avions regardé l’acquisition de Right Media, ce qui m’a permis de bien connaître Brian O’Kelley, mais nous l’avons laissée passer. Nous pensions qu’il y avait une opportunité pour une enchère globale asynchrone qui permettait à plusieurs enchérisseurs externes de se connecter à l’échange. Nous l’avons donc acquise et aidée à construire une équipe d’ingénieurs robuste pour exécuter la vision.

Lorsque AdECN était prêt à lancer le premier échange d’enchères en temps réel, il y a eu une bataille sur les approches, et cela n’a jamais vraiment quitté le stade de test bêta.

Il y a eu deux résultats de cela qui ont vraiment changé l’ensemble de l’écosystème de l’ad-tech. Premièrement, Brian O’Kelley a fondé AppNexus après avoir quitté Right Media, et lorsque cela est devenu clair qu’AdECN ne décollerait jamais, j’ai plaidé pour l’opportunité de partenariat avec AppNexus. Cela a finalement conduit à un investissement important dans l’entreprise, et à un partenariat solide qui a finalement abouti à son acquisition par Microsoft. Le deuxième résultat majeur est que Jeff Green a quitté Microsoft, a pris quelques-uns des ingénieurs qui avaient construit l’échange d’enchères en temps réel chez AdECN, et a fondé The Trade Desk.

Lorsque vous regardez cette première partie de ma carrière, qui s’est déroulée de 1997 à 2010, elle a planté des graines à long terme qui ont maintenant germé de manière intéressante. Je suis allé à divers rôles, y compris mon entreprise de démarrage Rare Crowds, où nous avons inventé la curation programmatique. J’ai passé du temps dans des entreprises comme Pandora, où nous avions un excellent business d’audio publicitaire, y compris le plus grand échange audio publicitaire, et Yieldmo, où nous avons construit le premier échange publicitaire centré sur la confidentialité. Pendant cette période, j’ai eu l’opportunité de faire partie du conseil d’administration de l’IAB Techlab, et j’ai été invité à siéger au comité exécutif du conseil. Et j’ai continué à travailler sur les normes de l’industrie tout au long de ces années.

L’année dernière, Brian O’Kelley a vu l’opportunité de créer une norme industrielle pour la publicité agente, appelée AdCP, gérée par AgenticAdvertising.org. Brian et moi avons discuté des lacunes dans les travaux en cours, et j’ai proposé d’écrire la première spécification pour la gouvernance et la conformité pour AdCP.

Quelques mois après que j’ai écrit cela, j’ai été contacté par Fluency. Lorsque j’ai commencé à apprendre ce qu’ils avaient construit, j’ai été impressionné. En effet, ils avaient déjà résolu tout ce que j’avais appelé dans ma spécification. Ils faisaient de la publicité agente depuis huit ans, bien avant que les LLM ne soient prêts à devenir « agente ».

J’ai vu que l’approche déterministe qu’ils avaient prise avec leurs agents était exactement ce qui était nécessaire pour répondre aux besoins des agents alimentés par les LLM, qui sont inhérentement probabilistes. Tout cela signifie simplement que, même si les LLM sont excellents pour « réfléchir » et être créatifs, ils sont terribles pour faire la même chose, de la même manière, chaque fois. Chaque approche a ses faiblesses, mais ensemble, elles résolvent le problème de la publicité agente.

Ma vision était compatible avec celle de l’équipe de direction de Fluency, et j’ai rejoint l’entreprise pour diriger le Produit. Maintenant, nous avançons à plein régime vers un monde où les agents peuvent transiger sur la publicité avec des humains dans la boucle lorsque nécessaire, et les agents alimentés par les LLM sont dotés de garde-fous déterministes pour gérer leur comportement.

Je me sens incroyablement chanceux d’avoir chevauché autant de vagues de changement majeur dans la publicité numérique, allant de la fondation des premières normes publicitaires numériques à la contribution à l’architecture de l’un des premiers échanges d’enchères en temps réel, en passant par l’invention de la curation et l’avènement de la publicité agente. C’a été un voyage fou, et je m’amuse toujours et suis enthousiaste à l’idée des opportunités dans cet espace.

Les enchères en temps réel ont donné aux logiciels la capacité de prendre des décisions financières en millisecondes. Quelles leçons les développeurs d’aujourd’hui devraient-ils tirer de l’expérience de la publicité programmatique lorsqu’ils accordent une plus grande autonomie opérationnelle aux agents IA ?

Dans la publicité programmatique, nous avons utilisé l’apprentissage automatique, une forme d’IA, pour construire des moteurs de décision qui pouvaient prendre des dizaines de millions de décisions par seconde. Cela nécessite une puissance de calcul incroyable, un traitement de données massif, une infrastructure énorme et, avant l’avènement de l’IA générative, je dirais que c’était l’un des développements les plus profonds dans l’ensemble de l’informatique.

Pour toute sa puissance, il y a également des inefficacités massives dans le modèle programmatique, et un écosystème complexe qui brûle beaucoup trop d’électricité (et donc crée beaucoup trop de carbone) par impression publicitaire. Ne me trompez pas, j’adore l’espace programmatique, et je suis impressionné par ce que nous avons créé. Mais cela ressemble à avoir construit une machine bien plus complexe que le rendement que nous en obtenons pour toute cette complexité.

Même si les mêmes arguments exacts peuvent être avancés pour l’IA générative, les endroits où les agents alimentés par les LLM doivent vivre dans l’écosystème sont aux interfaces, et non au cœur de chaque transaction. Et en mélangeant judicieusement les LLM avec des agents déterministes, nous pouvons gérer beaucoup plus efficacement les transactions tout en réduisant considérablement la complexité.

Il y a deux initiatives majeures dans l’industrie, visant à intégrer des agents alimentés par les LLM dans le flux de travail des transactions. L’IAB TechLab a lancé l’initiative Agentic Advertising Management Protocols (AAMP), qui permet des mécanismes pour proxy les LLM dans l’infrastructure RTB en prenant des décisions à l’avance et en les mettant en cache dans les systèmes en temps réel de l’écosystème. Le projet AdCP se concentre sur ce que je considère comme des « intégrations au niveau du compte ». Cela signifie que tout le travail effectué par les humains dans les flux de travail de gestion de campagne et de création pour la publicité peut être automatisé. Alors que l’AAMP est super intéressant, il améliore un système complexe moderne. AdCP vise un problème qui a existé depuis le début de l’industrie, et que Fluency a résolu pendant huit ans. Nous nous concentrons donc sur AdCP, mais nous plongerons éventuellement dans l’AAMP.

Fluency a effectivement résolu le problème du dernier kilomètre qui n’a jamais été abordé dans l’espace de l’ad-tech : les inefficacités massives dans la création et la gestion de campagnes publicitaires au niveau du compte, de la campagne et de la création. Et je crois vraiment que le travail que nous faisons est une opportunité de publicité aussi profonde que ce que nous avons inventé avec les enchères en temps réel. Lorsque nous connectons les LLM aux flux de travail que Fluency a déjà automatisés, nous augmentons la valeur de l’ensemble du système.

Fluency sépare la raison probabiliste de l’IA des systèmes déterministes qui exécutent les changements de campagne. Pourquoi est-il actuellement trop risqué de laisser un grand modèle de langage contrôler directement les budgets publicitaires ?

Je pense que c’est un problème fondamental que les LLM auront probablement toujours. Les moteurs probabilistes sont conçus pour donner des réponses différentes à la même question chaque fois. Même lorsqu’ils sont incroyablement bons pour réfléchir, ils sont terribles pour les choses déterministes. Utilisons l’arithmétique comme exemple :

Les LLM ne peuvent littéralement pas additionner, soustraire, multiplier ou diviser. Maintenant, vous ne vous en rendez peut-être pas compte, car lorsque vous posez une question qui nécessite une arithmétique à Claude ou ChatGPT, ils peuvent vous donner la bonne réponse. Mais ce que la plupart des gens ne savent pas, c’est qu’ils le font en écrivant des scripts et en exécutant ce code pour gérer les calculs. C’est de cela que nous parlons ici : l’intersection d’un LLM probabiliste qui comprend qu’il ne peut pas faire d’arithmétique, construisant son propre morceau de logiciel déterministe qui effectue des calculs pour résoudre la tâche demandée.

Même si le LLM peut maintenant « magiquement » faire de l’arithmétique, je ne laisserais jamais un LLM gérer mes finances et prendre des décisions de trading d’actions pour moi. Je ne laisserais jamais un LLM faire mes impôts et les déposer sans aucune vérification. Bon sang, je ne laisserais même pas un LLM écrire un e-mail ou un billet de blog sans les éditer soigneusement pour m’assurer que tout est vrai.

Alors qu’ils deviennent plus intelligents et plus capables d’exécuter, ils pourraient bien être capables de faire ces choses à un moment donné dans un avenir lointain. Mais je suppose qu’ils le feront en écrivant leur propre logiciel déterministe pour gérer les parties du problème qui en ont besoin.

Fluency est là aujourd’hui – nous avons les tuyaux déterministes pour gérer la publicité. Nous intégrons les LLM dans cette plateforme, en les utilisant pour les choses qu’ils font bien. Et nous exposons notre plateforme à des agents externes pour qu’ils puissent exécuter sur nos tuyaux. Finalement, je vois cela comme la construction de la passerelle vers l’écosystème publicitaire, où un agent alimenté par un LLM peut transiger sur n’importe quelle plateforme de média en s’intégrant à un seul endroit. Mais nous sommes tous un peu loin de ce résultat à long terme !

Comment la couche d’exécution déterministe de Fluency évalue les recommandations d’un agent IA avant de les laisser affecter une campagne en direct, et quels types de règles ou de contraintes les annonceurs peuvent-ils établir ?

Nous fournissons des mécanismes pour que les humains (ou les LLM) créent des instructions déterministes qui s’exécuteront de la même manière chaque fois sur les plateformes de publicité. Il s’agit d’un gros problème qui doit être résolu dans chaque industrie. Pour la publicité, l’entreprise qui le résout est Fluency. Nous permettons la création de règles commerciales et d’heuristiques pour toute action que l’un de nos clients pourrait prendre sur une plateforme de publicité. Si cela est possible de créer une logique IF/THEN pour un problème, notre plateforme permet de l’encoder dans des règles commerciales qui sont suivies de la même manière chaque fois.

Ceci est critique à comprendre. Il y a beaucoup de décisions que les humains prennent de la même manière chaque fois qu’ils voient une situation spécifique. Cela nous permet de faire des choses comme encoder des règles de gestion de budget, ou générer des campagnes ou des créatifs tout en faisant respecter les taxinomies de dénomination, ou mettre automatiquement en ligne et hors ligne des campagnes publicitaires et des créatifs en fonction de déclencheurs dans des ensembles de données externes.

Par exemple, un concessionnaire automobile peut recevoir un nouveau chargement de voitures. Fluency peut lire le système de gestion d’inventaire que le concessionnaire utilise, et générer automatiquement des campagnes et des créatifs pour la marque, le modèle, la couleur et les attributs spécifiques de chaque véhicule, dans les minutes qui suivent l’arrivée des voitures sur le parking. Et lorsque la dernière voiture est vendue, fermer automatiquement ces campagnes.

Tout cela est assez profond, car les décisions commerciales pour faire toutes ces choses sont très simples lorsqu’elles sont prises une à une. C’est le problème de la « mort par mille coupures » dans la gestion de la publicité aujourd’hui qui disparaît. Nos clients constatent que cela libère leurs équipes de l’extinction des incendies toute la journée pour faire le travail qui compte pour déplacer l’aiguille pour leurs clients.

La stratégie publicitaire et le développement créatif nécessitent souvent de l’expérimentation et des jugements subjectifs. Comment les organisations peuvent-elles préserver la flexibilité de l’IA générative tout en garantissant que l’exécution de la campagne reste prévisible et conforme ?

Tout ce que nous avons discuté jusqu’à présent a construit le cadre pour répondre à cela de manière simple. Les choses qui peuvent être encodées dans des règles commerciales sont configurées correctement pour exécuter ces décisions faciles qui sont les mêmes chaque fois. Les LLM peuvent aider à analyser et à faire correspondre des modèles, tout comme d’autres formes d’IA comme l’apprentissage automatique, qui a une longue histoire dans l’ad-tech. Mais le véritable truc est d’avoir les mécanismes en place pour demander à un humain d’intervenir si le problème n’a pas de réponse claire. Nos clients peuvent ajuster leur tolérance au risque pour cela, afin que, si le problème est à faible risque, ils puissent décider de laisser les machines prendre la décision. Mais pour les choses qui nécessitent vraiment des décisions humaines, nous les alertons et leur permettons de prendre le volant.

La plateforme Fluency opère sur les canaux de publicité de recherche, sociale et programmatique. Quels défis techniques surgissent lorsqu’un agent IA doit raisonner sur des plateformes ayant des structures de données, des systèmes d’optimisation et des exigences de politique différentes ?

Chaque plateforme de publicité a un ensemble unique de meilleures pratiques et de capacités. Les API sont les tuyaux fixes auxquels nous nous connectons pour piloter ces plateformes de l’extérieur. Les API sont très bien documentées, mais cette documentation est vraiment l’ensemble des règles pour ce qui peut être fait sur ces plateformes. Ils ne sont pas l’incarnation des meilleures pratiques pour cette plateforme spécifique.

Les LLM peuvent ingérer beaucoup d’informations dans le contexte afin que les meilleures pratiques pour utiliser chaque plateforme puissent être mises à disposition à travers eux. Puisque Fluency opère sur de nombreuses plateformes pour de nombreux annonceurs et agences, nous pouvons encoder les meilleures pratiques de chaque client (en leur nom) dans les instructions que les LLM peuvent suivre pour piloter les meilleures pratiques différenciées pour chaque client. Nos clients ont tous leurs propres « livres de jeu » pour la façon dont ils exploitent leurs entreprises, et Fluency leur permet d’encoder ces règles déterministes lorsque cela est possible, et à terme nous allons les permettre en tant qu’ensembles d’instructions pour les agents alimentés par les LLM là où cela a du sens.

Nous commençons à travailler avec nos clients maintenant sur cette prochaine génération de développement pour encoder ces scénarios plus complexes dans leurs comptes sur notre plateforme. C’est très tôt. Quiconque vous dit qu’il a résolu une partie de cela en utilisant les LLM est en train d’étirer la vérité, car les choses sont si tôt, et les modèles évoluent si rapidement qu’aucune solution n’a encore été trouvée par qui que ce soit. Mais nous sommes très bien positionnés pour travailler avec nos clients pour résoudre cela.

Quelle devrait être la surveillance humaine efficace dans un environnement de publicité agente ? Quelles décisions peuvent devenir autonomes en toute sécurité, et lesquelles devraient continuer à nécessiter un examen ou une approbation humaine ?

Chaque client a une tolérance au risque différente, et la plupart d’entre eux n’ont jamais eu un système qui puisse l’exprimer. Chez Fluency, le jugement qu’un bon gestionnaire de campagne applique dans sa tête est encodé une fois, puis appliqué de la même manière à chaque compte, chaque plateforme, chaque fois. Les situations qui n’ont pas de réponse claire sont acheminées automatiquement vers une personne, avec le contexte dont elle a besoin pour prendre la décision.

Ce à quoi cela ressemble dans la pratique varie beaucoup. Nous exécutons un grand nombre de règles différentes pour nos clients aujourd’hui, en aidant à encoder des décisions humaines qui ne varient pas, et en poussant vers un humain lorsque la réponse n’est pas claire.

Les décisions qui peuvent devenir autonomes en toute sécurité dépendent du client, et je ne pense pas qu’une réponse universelle vaille la peine. La plateforme doit faire respecter la ligne où le client la dessine, et lui permettre de la déplacer à mesure que sa confiance grandit.

Lorsque les agents prennent davantage de décisions de campagne, comment les plateformes devraient-elles documenter la raison, les données et les règles derrière chaque action afin que les annonceurs puissent auditer les performances, enquêter sur les erreurs et démontrer la conformité ?

L’une des valeurs de base que Fluency offre est que nous sommes conformes à la norme SOC2, et entièrement auditable. Les modifications sont enregistrées dans l’ensemble du système. J’ai été CPTO d’une entreprise cotée en bourse, et j’ai été responsable de la conformité auparavant, donc je sais à quel point cela peut être complexe. C’est une autre raison pour laquelle j’étais ravi de rejoindre Fluency, car chaque aspect de ce que nous faisons est entièrement auditable. Nous maintenons également des journaux de modifications pour chaque modification apportée au système, enregistrée contre l’utilisateur ou l’agent qui l’a initiée.

Il y a une deuxième couche qui compte. Puisque les règles commerciales sont encodées dans le logiciel, la règle est sa propre spécification. Il n’y a pas de dérive entre la documentation et le comportement, qui est là où les audits se décomposent généralement. Et dans un monde alimenté par les LLM, cette logique codée peut être rendue en langage commercial clair sur demande, afin que la personne qui effectue l’audit n’ait pas à lire du code pour comprendre ce que le système a été instruit de faire.

Pour une agence ou une marque qui commence à adopter la publicité agente, quels flux de travail offrent le meilleur point de départ, et quels éléments de preuve l’organisation devrait-elle exiger avant d’étendre l’autorité d’un agent ?

Du point de vue de Fluency, la publicité agente est un terrain bien balisé. Nous faisons cela depuis huit ans. Nous avons des centaines d’agences et de marques qui utilisent notre plateforme pour faire de la publicité agente aujourd’hui, et dans l’espace multilocal, cela s’étend à des dizaines de milliers d’emplacements.

Nous automatisons la majorité de ce que les humains font de manière répétitive pour configurer et gérer les campagnes, sur les moteurs de recherche, les réseaux sociaux et les plateformes programmatiques, il n’y a donc pas de flux de travail qui constitue un meilleur ou pire point de départ. Le meilleur point de départ est celui que notre client trouve le plus fastidieux en termes de main-d’œuvre.

Les LLM nous aident également à accélérer l’intégration de nos clients, car, comme vous pouvez l’imaginer, encoder les règles commerciales d’un client est similaire à effectuer une mise en œuvre de CRM, mesurée en mois. Nous construisons des outils qui utilisent les LLM pour aider à construire les ensembles de règles et à écrire les scripts d’automatisation. Cela rendra le processus d’intégration beaucoup plus rapide, et réduira la complexité pour nos clients.

La publicité est un terrain d’essai précoce pour les systèmes autonomes gérant de l’argent réel à grande échelle. Quelles leçons de cette industrie pourraient s’appliquer aux services financiers, aux soins de santé, à l’approvisionnement d’entreprise ou à d’autres secteurs réglementés adoptant des agents IA ?

La publicité a été le terrain d’essai pour les systèmes autonomes dépensant de l’argent réel pendant 20 ans. La publicité programmatique a enseigné à l’industrie comment laisser les logiciels s’engager à des milliards de dollars par jour sans approbation humaine pour chaque transaction. La plupart des conversations actuelles sur les agents agents se déroulent à une échelle que la publicité a laissée derrière elle il y a longtemps.

Fluency a plus de 3 milliards de dollars de dépenses publicitaires annuelles qui passent par notre plateforme, sur des centaines d’agences et de marques, et dans l’espace multilocal, cela s’étend à des dizaines de milliers d’emplacements. La plupart des conversations sur les agents agents se déroulent actuellement sur des budgets de pilote et un petit nombre de comptes.

Ce qui se transfère dans d’autres secteurs, c’est l’architecture. Vous séparez les systèmes qui décident de ceux qui exécutent. La couche de décision peut être probabiliste, car le jugement bénéficie de la flexibilité et de la créativité. La couche d’exécution doit être déterministe, car le mouvement d’argent n’est pas un endroit où vous voulez de la variance. Chaque action est enregistrée contre l’utilisateur ou l’agent qui l’a initiée, ce qui donne une traçabilité qui tient devant un régulateur.

Cette exigence est identique dans les services financiers, les réclamations de soins de santé, l’approvisionnement d’entreprise. Les enjeux sont plus élevés et l’outillage est généralement pire. La conception que nous avons construite pour la publicité est la bonne : une traçabilité complète avec des journaux de modifications pour chaque modification est un minimum. Je suis particulièrement préoccupé par les jugements non humains dans les choses comme l’approbation des procédures médicales et l’approbation des réclamations d’assurance. Je ne pense pas que les LLM soient là encore, et j’ai des exemples personnels dans ma propre vie d’un système automatisé prenant de très mauvaises décisions pour approuver ou rejeter des réclamations d’assurance.

Je m’attends à ce que le modèle que la publicité établit devienne le modèle que ces secteurs adoptent. Nous avons eu une avance de 20 ans sur le problème des machines dépensant de l’argent à des centaines de millions de fois par seconde. L’approche de Fluency s’étend de la transaction au flux de travail, et je suis convaincu que notre approche sera également celle qui gagnera.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Fluency.