Eric Picard, Wakil Presiden Produk di Fluency – Seri Wawancara

Eric Picard, Wakil Presiden Produk di Fluency, adalah eksekutif produk dan teknologi berpengalaman yang telah menghabiskan dekade mengembangkan platform periklanan digital, pasar otomatis, sistem data, dan produk yang menghadap konsumen. Sebelum bergabung dengan Fluency, ia memegang peran kepemimpinan senior di Microsoft, Pandora, MediaMath, Yieldmo, dan BARK, di mana tanggung jawabnya berkisar dari strategi teknologi periklanan dan media programatik hingga manajemen produk, ilmu data, teknik, dan modernisasi platform skala besar. Picard juga adalah seorang wirausaha serial yang mendirikan Bluestreak, Rare Crowds, Questori, dan ventura teknologi lainnya, dengan Bluestreak dan Rare Crowds akhirnya diakuisisi. Karirnya telah mencakup membantu mengarsitektur pertukaran iklan penawaran waktu nyata, meluncurkan produk periklanan audio programatik, mengembangkan teknologi kurasi inventori otomatis, dan memberikan saran kepada perusahaan tentang kecerdasan buatan, strategi produk, transformasi perusahaan, dan penggabungan dan akuisisi.

Fluency mengembangkan Sistem Operasi Periklanan Digital yang dirancang untuk membantu agen, merek, dan bisnis multi-lokasi mengelola kampanye media berbayar di seluruh pencarian, media sosial, platform programatik, taman bermain, dan web terbuka. Platform ini memusatkan data, aset kreatif, inventori, persyaratan kepatuhan, audiens, strategi kampanye, pelaporan, dan alur kerja eksekusi, menggunakan otomatisasi dan kecerdasan buatan untuk mengurangi pekerjaan operasional berulang dan mengoordinasikan kampanye dalam skala. Fluency semakin fokus pada periklanan agen, termasuk alur kerja yang dikendalikan AI yang dapat mengeksekusi dan mengoptimalkan kampanye sambil mempertahankan kontrol strategis dan merek yang ditentukan. Perusahaan ini mengatakan teknologinya mendukung lebih dari 250.000 kampanye setiap bulan dan mengelola sekitar $3 miliar dalam pengeluaran periklanan tahunan.

Karir Anda telah meliputi beberapa periode fondasional dalam periklanan digital, dari mendirikan Bluestreak dan membantu menetapkan standar periklanan digital awal hingga berkontribusi pada arsitektur salah satu pertukaran penawaran waktu nyata pertama. Bagaimana pengalaman-pengalaman tersebut telah membentuk pendekatan Anda dalam membangun generasi berikutnya dari sistem periklanan agen di Fluency?

Saya sangat beruntung dalam karir saya untuk menemukan ruang yang menarik dalam periklanan digital. Saya menjadi bagian dari mekanisme yang mendanai pertumbuhan Internet. Saya telah dapat menjadi bagian dari penemuan beberapa mekanisme fundamental tentang bagaimana periklanan digital berfungsi. Dan tantangan teknis dalam ruang ini setara dengan yang ada di perangkat lunak. Jadi ini selalu menarik.

Dengan Bluestreak kami membangun beberapa format iklan pertama, termasuk beberapa iklan video dan audio pertama. Kami adalah yang pertama melakukan atribusi multi-sentuh, menawarkan sistem manajemen tag, dan menawarkan multi-sentuh di semua jenis media digital. Ini mengarah pada undangan untuk menjadi co-penulis standar impresi pertama bersama Interactive Advertising Bureau (IAB) dan Media Rating Council (MRC). 

Saat saya bergabung dengan Microsoft, perusahaan telah memutuskan untuk berinvestasi dalam teknologi periklanan karena mereka melihat bahwa Google menghasilkan lebih banyak uang per salinan Windows daripada Microsoft, semua karena periklanan digital. Mereka menawarkan saya peran yang sangat menarik, kesempatan untuk menulis strategi global tentang bagaimana Microsoft harus memasuki ruang teknologi periklanan.

Kami memutuskan untuk memasuki teknologi periklanan dengan besar, dan saya bertanggung jawab untuk menentukan strategi bangun/beli/mitra. Saya melakukan due diligence pada lebih dari 150 perusahaan, kami membeli tujuh perusahaan dan kami berinvestasi besar dalam mengembangkan tim internal. Ketika saya tiba, kami memiliki sekitar 200 insinyur yang bekerja pada teknologi periklanan, dan kami memiliki sekitar $750 juta dalam pendapatan media. Ketika saya meninggalkan, kami memiliki 1.500 insinyur yang bekerja pada teknologi periklanan, dan lebih dari $5 miliar dalam pendapatan.

Salah satu perusahaan yang saya lihat, dan kami akhirnya mengakuisisi, adalah AdECN. Ini adalah perusahaan pertama Jeff Green sebelum ia mendirikan The Trade Desk. Kami telah melihat untuk membeli Right Media, yang bagaimana saya mengenal Brian O’Kelley dengan baik, tetapi kami melewatkan mereka. Kami merasa ada kesempatan untuk lelang global asinkron yang memungkinkan beberapa penawar eksternal untuk terhubung ke pertukaran. Jadi kami mengakuisisi mereka, dan membantu mereka membangun tim insinyur yang kuat untuk mengeksekusi visi.

Ketika AdECN siap meluncurkan pertukaran penawaran waktu nyata (RTB) pertama, ada pertempuran tentang pendekatan, dan pada dasarnya tidak pernah keluar dari pengujian beta. 

Ada dua hasil dari ini yang benar-benar mengubah ekosistem teknologi periklanan. Pertama, Brian O’Kelley memulai AppNexus setelah ia meninggalkan Right Media, dan ketika jelas bahwa AdECN tidak akan pernah berfungsi, saya mempromosikan kesempatan untuk bermitra dengan AppNexus. Ini akhirnya mengarah pada investasi besar dalam perusahaan, dan kemitraan yang kuat yang akhirnya berakhir dengan mereka diakuisisi oleh Microsoft. Hasil kedua adalah bahwa Jeff Green meninggalkan Microsoft, mengambil beberapa insinyur yang telah membangun pertukaran RTB di AdECN, dan memulai The Trade Desk. 

Saat Anda melihat busur pertama dalam karir saya, yang membawa kita dari 1997 hingga 2010, ini menanam benih jangka panjang yang sekarang telah tumbuh menjadi buah yang menarik. Saya pergi ke berbagai peran, termasuk startup saya Rare Crowds, di mana kami menemukan Kurasi Programatik. Saya menghabiskan waktu di perusahaan seperti Pandora, di mana kami memiliki bisnis periklanan audio yang besar, termasuk bursa iklan audio terbesar, dan Yieldmo, di mana kami membangun bursa iklan privasi-sentris pertama. Selama waktu itu, saya memiliki kesempatan untuk menjadi bagian dari dewan direktur IAB Techlab, dan diundang untuk menjadi bagian dari komite eksekutif dewan. Dan saya terus bekerja pada standar industri selama bertahun-tahun.

Tahun lalu, Brian O’Kelley melihat kesempatan untuk membangun standar industri untuk Periklanan Agen, yang disebut AdCP, yang dikelola oleh AgenticAdvertising.org. Brian dan saya berbicara tentang di mana ada celah dalam pekerjaan yang dilakukan, dan saya menawarkan untuk menulis spesifikasi pertama untuk Pemerintahan dan Kepatuhan untuk AdCP. 

Beberapa bulan setelah saya menulisnya, saya dihubungi oleh Fluency. Ketika saya mulai mempelajari apa yang mereka bangun, saya terkesan. Secara efektif, mereka telah menyelesaikan semua yang saya sebutkan dalam spesifikasi saya. Mereka telah melakukan periklanan agen selama delapan tahun, jauh sebelum LLM siap untuk “agen”. 

Saya melihat bahwa pendekatan deterministik yang mereka ambil dengan agen mereka adalah apa yang dibutuhkan untuk memenuhi kebutuhan agen yang ditenagai LLM, yang secara inheren probabilistik. Semua itu berarti adalah bahwa sementara LLM bagus dalam “berpikir” dan kreatif, mereka buruk dalam melakukan hal yang sama, dengan cara yang sama setiap saat. Setiap pendekatan memiliki kelemahan, tetapi bersama-sama, mereka menyelesaikan masalah periklanan agen. 

Visi saya kompatibel dengan visi tim kepemimpinan Fluency, dan saya bergabung untuk memimpin Produk di sini. Sekarang kita berlari penuh ke arah dunia di mana agen dapat dengan aman melakukan transaksi periklanan dengan manusia dalam-lintasan jika diperlukan, dan agen yang ditenagai LLM diberikan batasan deterministik untuk mengelola perilaku mereka. 

Saya merasa sangat beruntung untuk telah menunggangi banyak gelombang perubahan besar dalam periklanan digital, dari mendirikan Bluestreak dan membantu menetapkan standar periklanan digital awal hingga berkontribusi pada arsitektur salah satu pertukaran penawaran waktu nyata pertama. Ini telah menjadi perjalanan liar, dan saya masih menikmatinya dan bersemangat tentang kesempatan dalam ruang ini. 

Penawaran waktu nyata memberikan perangkat lunak kemampuan untuk membuat keputusan keuangan dalam milidetik. Apa pelajaran dari pengembangan periklanan programatik yang harus dipertimbangkan pengembang saat ini saat memberikan agen AI otonomi operasional yang lebih besar?

Dalam periklanan programatik, kami menggunakan Pembelajaran Mesin, yang merupakan bentuk AI, untuk membangun mesin keputusan yang dapat membuat puluhan juta keputusan per detik. Ini memerlukan daya komputasi yang luar biasa, pemrosesan data, infrastruktur yang luas, dan sebelum munculnya kecerdasan buatan generatif, saya akan berargumen bahwa ini adalah salah satu pengembangan paling mendalam dalam komputasi. 

Untuk semua kekuatannya, ada juga ketidakefisienan besar dalam model programatik, dan ekosistem yang sangat kompleks yang membakar terlalu banyak listrik (dan oleh karena itu menciptakan terlalu banyak karbon) per impresi iklan. Jangan salah paham, saya menyukai ruang programatik, dan saya terkesan dengan apa yang telah kita ciptakan. Tapi ini terasa seperti kita telah membangun mesin yang jauh lebih kompleks daripada hasil yang kita dapatkan dari semua kompleksitas itu.

Sementara argumen yang sama dapat dibuat untuk Kecerdasan Buatan Generatif, tempat-tempat di mana agen yang ditenagai LLM perlu hidup dalam ekosistem adalah di antarmuka, bukan di jantung setiap transaksi. Dan dengan mencampur LLM dengan agen deterministik dengan bijak, kita dapat mengelola transaksi dengan lebih efisien sambil mengurangi kompleksitas secara signifikan. 

Ada dua inisiatif besar di industri, yang bertujuan untuk menginjeksi agen yang ditenagai LLM ke dalam alur kerja transaksi. IAB TechLab telah meluncurkan inisiatif Protokol Manajemen Periklanan Agen (AAMP), yang memungkinkan mekanisme untuk memroksi LLM ke dalam infrastruktur RTB dengan membuat keputusan sebelumnya dan menyimpannya dalam sistem waktu nyata ekosistem. Proyek AdCP berfokus pada apa yang saya anggap sebagai “integrasi tingkat akun”. Artinya semua pekerjaan yang dilakukan oleh manusia dalam alur kerja kampanye dan kreatif periklanan dapat diotomatisasi. Sementara AAMP sangat berharga dan menarik, ini memperbaiki sistem modern yang kompleks. AdCP mengarah pada masalah yang telah ada sejak awal industri, dan ini adalah sesuatu yang Fluency telah pecahkan selama delapan tahun. Jadi kita berfokus pada AdCP, tetapi kita akan segera memasuki AAMP juga.

Fluency telah secara efektif menyelesaikan masalah mil yang tidak pernah ditangani di ruang teknologi periklanan: ketidakefisienan besar dalam membuat dan mengelola kampanye iklan pada tingkat akun, kampanye, dan kreatif. Dan saya benar-benar percaya bahwa pekerjaan yang kita lakukan adalah kesempatan yang sama mendalam untuk periklanan seperti apa yang kita ciptakan dengan RTB. Ketika kita menghubungkan LLM ke dalam alur kerja yang telah kita otomatisasi, kita meningkatkan nilai seluruh sistem.

Fluency memisahkan penalaran AI probabilistik dari sistem deterministik yang mengeksekusi perubahan kampanye. Mengapa saat ini terlalu berisiko untuk membiarkan model bahasa besar mengontrol langsung anggaran periklanan?

Saya pikir ini adalah masalah fundamental yang LLM kemungkinan akan selalu hadapi. Mesin probabilistik dirancang untuk memberikan jawaban yang berbeda untuk pertanyaan yang sama setiap saat. Bahkan ketika mereka sangat baik dalam berpikir, mereka buruk dalam hal deterministik. Mari kita ambil aritmatika sebagai contoh:

LLM secara harfiah tidak dapat menambah, mengurangi, mengalikan, atau membagi. Sekarang, Anda mungkin tidak menyadari ini, karena ketika Anda bertanya kepada Claude atau ChatGPT pertanyaan yang memerlukan aritmatika, mereka dapat memberikan jawaban yang benar. Tapi apa yang kebanyakan orang tidak tahu adalah bahwa mereka melakukan ini dengan menulis skrip dan mengeksekusi kode untuk menangani perhitungan. Itulah yang kita bicarakan di sini: Persimpangan antara mesin probabilistik LLM yang memahami bahwa mereka tidak dapat melakukan aritmatika, membangun potongan perangkat lunak deterministik mereka sendiri yang melakukan perhitungan untuk menyelesaikan tugas yang diminta. 

Meskipun LLM dapat “secara ajaib” melakukan aritmatika, saya tidak akan pernah membiarkan LLM mengelola keuangan saya dan membuat keputusan perdagangan saham untuk saya. Saya tidak akan pernah membiarkan LLM melakukan pajak saya dan mengajukannya tanpa tinjauan apa pun. Saya tidak akan pernah membiarkan LLM menulis email atau posting blog tanpa menyuntingnya dengan cermat untuk memastikan semuanya benar.

Sementara argumen yang sama dapat dibuat untuk Kecerdasan Buatan Generatif, tempat-tempat di mana agen yang ditenagai LLM perlu hidup dalam ekosistem adalah di antarmuka, bukan di jantung setiap transaksi. Fluency ada di sana hari ini – kita memiliki pipa deterministik untuk mengelola periklanan. Kita mengintegrasikan LLM ke dalam platform ini, menggunakan mereka untuk hal-hal yang mereka lakukan dengan baik. Dan kita memungkinkan platform kita diakses oleh agen eksternal sehingga mereka dapat mengeksekusi melalui pipa kita. Pada akhirnya, saya melihat ini sebagai membangun gerbang ke dalam ekosistem periklanan, di mana agen yang ditenagai LLM dapat melakukan transaksi pada setiap platform media dengan mengintegrasikan satu tempat. Tapi kita semua sedikit jauh dari hasil jangka panjang itu!

Bagaimana lapisan eksekusi deterministik Fluency mengevaluasi rekomendasi agen AI sebelum membiarkannya mempengaruhi kampanye langsung, dan apa jenis aturan atau batasan yang dapat dibuat oleh pengiklan?

Kami menyediakan mekanisme untuk manusia (atau LLM) untuk membuat instruksi deterministik yang akan dieksekusi dengan cara yang sama setiap saat pada platform iklan. Ini adalah masalah besar yang perlu diselesaikan di setiap industri. Untuk periklanan, perusahaan yang menyelesaikannya adalah Fluency. Kami memungkinkan pembuatan aturan bisnis dan heuristik untuk setiap tindakan yang mungkin dilakukan oleh salah satu pelanggan kami pada platform iklan. Jika memungkinkan untuk membuat logika IF/THEN untuk suatu masalah, platform kami memungkinkan itu untuk dienkripsi menjadi aturan bisnis yang diikuti dengan cara yang sama setiap saat. 

Ini sangat penting untuk dipahami. Ada banyak keputusan yang manusia buat dengan cara yang sama setiap saat mereka melihat situasi tertentu. Ini memungkinkan kita untuk melakukan hal-hal seperti mengkodekan aturan manajemen anggaran, atau menghasilkan kampanye atau kreatif sambil menerapkan taksonomi penamaan, atau secara otomatis memulai dan mematikan kampanye iklan dan kreatif berdasarkan pemicu dalam dataset eksternal. 

Misalnya, sebuah dealer mobil mungkin mendapatkan pengiriman mobil baru. Fluency dapat membaca sistem manajemen inventori yang digunakan dealer, dan secara otomatis menghasilkan kampanye dan kreatif untuk merek, model, bahkan warna dan atribut spesifik setiap kendaraan, dalam hitungan menit setelah mobil itu ada di lot. Dan ketika mobil terakhir terjual, secara otomatis mematikan kampanye tersebut. 

Semua ini cukup mendalam, karena keputusan bisnis untuk melakukan semua hal ini sangat sederhana ketika diambil satu per satu. Ini adalah “kematian oleh seribu sayatan” dalam mengelola periklanan saat ini yang hilang. Pelanggan kami menemukan bahwa ini membebaskan tim mereka dari memadamkan kebakaran sepanjang hari untuk melakukan pekerjaan yang benar-benar penting untuk memindahkan jarum untuk klien mereka.

Strategi periklanan dan pengembangan kreatif sering memerlukan eksperimen dan penilaian subjektif. Bagaimana organisasi dapat mempertahankan fleksibilitas kecerdasan buatan generatif sambil memastikan bahwa eksekusi kampanye tetap dapat diprediksi dan patuh?

Semua yang telah kita bicarakan sebelumnya telah membangun kerangka untuk menjawab ini dengan cara yang sederhana. Hal-hal yang dapat dienkripsi menjadi aturan bisnis disiapkan dengan benar untuk mengeksekusi keputusan yang mudah yang sama setiap saat. LLM dapat membantu menganalisis dan mencocokkan pola, seperti halnya semua bentuk AI lainnya seperti Pembelajaran Mesin, yang memiliki sejarah panjang dalam teknologi periklanan. Tapi trik yang sebenarnya adalah memiliki mekanisme untuk menjangkau dan meminta campur tangan manusia jika masalahnya tidak terjawab dengan jelas. Pelanggan kami dapat menyetel toleransi risiko mereka pada ini, sehingga jika masalahnya berisiko rendah, mereka dapat memutuskan untuk membiarkan mesin membuat keputusan. Tapi untuk hal-hal yang benar-benar memerlukan keputusan manusia, kita memberi tahu mereka dan memungkinkan mereka untuk mengambil kemudi. 

Platform Fluency beroperasi di seluruh saluran periklanan pencarian, media sosial, dan programatik. Apa tantangan teknis yang muncul ketika agen AI harus berpikir di seluruh platform yang memiliki struktur data, sistem optimasi, dan persyaratan kebijakan yang berbeda?

Setiap platform iklan memiliki seperangkat praktik terbaik dan kemampuan unik. API adalah pipa tetap yang kita hubungkan untuk menggerakkan platform tersebut secara eksternal. API sangat terdokumentasi dengan baik, tetapi dokumentasi itu benar-benar adalah seperangkat aturan untuk apa yang dapat dilakukan pada platform tersebut. Mereka bukanlah penjelmaan praktik terbaik untuk platform tertentu.

LLM dapat mengingat banyak informasi ke dalam konteks sehingga praktik terbaik untuk menggunakan setiap platform dapat tersedia melalui mereka. Karena Fluency beroperasi pada banyak platform untuk banyak agen dan pengiklan, kita dapat mengkodekan praktik terbaik setiap pelanggan kita (atas nama mereka) ke dalam instruksi yang LLM dapat ikuti untuk menggerakkan praktik terbaik yang berbeda untuk setiap pelanggan. Pelanggan kami semua memiliki “buku pedoman” mereka sendiri tentang bagaimana mereka mengoperasikan bisnis mereka, dan Fluency memungkinkan mereka untuk mengkodekannya dalam aturan deterministik di mana memungkinkan, dan seiring waktu kita akan mengaktifkannya sebagai set instruksi untuk agen yang ditenagai LLM di mana itu masuk akal. 

Kita mulai bekerja dengan pelanggan kita sekarang pada generasi pengembangan berikutnya untuk mengkodekan skenario yang lebih kompleks ini ke dalam akun mereka di platform kita. Ini masih awal. Siapa pun yang mengatakan mereka telah menyelesaikan bagian apa pun dari ini menggunakan LLM sedang meregangkan kebenaran, karena hal-hal masih sangat awal, dan modelnya berkembang sangat cepat sehingga belum sepenuhnya diselesaikan oleh siapa pun. Tapi kita sangat siap untuk bekerja dengan pelanggan kita untuk menyelesaikan ini.

Apa yang seharusnya menjadi pengawasan manusia yang efektif dalam lingkungan periklanan agen? Keputusan apa yang dapat dengan aman menjadi otonom, dan mana yang harus terus memerlukan tinjauan atau persetujuan manusia?

Setiap pelanggan memiliki toleransi risiko yang berbeda, dan sebagian besar dari mereka belum pernah memiliki sistem yang dapat mengekspresikannya. Di Fluency, penilaian yang baik yang diterapkan seorang manajer kampanye dalam pikirannya dikodekan sekali dan kemudian diterapkan identik di seluruh akun, platform, dan setiap saat. Situasi yang tidak memiliki jawaban yang jelas secara otomatis diarahkan ke orang, dengan konteks yang mereka butuhkan untuk membuat panggilan.

Apa yang terlihat dalam prakteknya bervariasi banyak. Kita menjalankan sejumlah besar aturan yang berbeda untuk pelanggan kita hari ini, membantu mereka mengkodekan keputusan manusia yang tidak berubah, dan mendorong ke arah manusia ketika jawabannya tidak jelas.

Keputusan apa yang dapat dengan aman menjadi otonom tergantung pada pelanggan, dan saya tidak berpikir jawaban universal layak. Platform harus menegakkan garis di mana pun pelanggan menggambar, dan membiarkan mereka memindahkannya seiring pertumbuhan kepercayaan mereka. 

Bagaimana platform harus mendokumentasikan penalaran, data, dan aturan di balik setiap tindakan sehingga pengiklan dapat memeriksa kinerja, menyelidiki kesalahan, dan menunjukkan kepatuhan?

Salah satu proposisi nilai inti yang ditawarkan Fluency adalah bahwa kita mematuhi SOC2, dan sepenuhnya dapat diaudit. Perubahan dicatat di seluruh sistem. Saya pernah menjadi CPTO dari perusahaan yang tercatat di bursa, dan pernah berada di bawah tekanan kepatuhan sebelumnya, jadi saya tahu betapa kompleksnya ini. Ini adalah alasan lain saya bergabung dengan Fluency, karena setiap aspek dari apa yang kita lakukan sepenuhnya dapat diaudit. Kita juga mempertahankan log perubahan untuk setiap perubahan yang dilakukan dalam sistem, yang dicatat terhadap pengguna atau agen yang memulainya. 

Ada lapisan kedua yang penting. Karena aturan bisnis dienkripsi dalam perangkat lunak, aturan itu adalah spesifikasinya sendiri. Tidak ada drift antara dokumentasi dan perilaku, yang biasanya merupakan tempat audit gagal. Dan dalam dunia yang ditenagai LLM, logika yang dienkripsi dapat dirender kembali ke dalam bahasa bisnis biasa pada permintaan, sehingga orang yang melakukan audit tidak perlu membaca kode untuk memahami apa yang sistemnya perintahkan untuk dilakukan.

Untuk agen atau merek yang mulai mengadopsi periklanan agen, alur kerja mana yang memberikan titik awal terbaik, dan apa bukti yang harus dimiliki organisasi sebelum memperluas wewenang agen?

Dari sudut pandang Fluency, periklanan agen adalah tanah yang sudah mapan. Kami telah melakukannya selama delapan tahun. Kami memiliki ratusan agen dan merek yang menggunakan platform kami untuk melakukan periklanan agen hari ini, dan di ruang multi-lokal, ini mencakup puluhan ribu lokasi. 

Kami mengotomatisasi sebagian besar dari apa yang manusia lakukan berulang-ulang dalam mengatur dan mengelola kampanye, di seluruh pencarian, media sosial, dan programatik, sehingga tidak ada alur kerja yang membuat titik awal yang lebih baik atau lebih buruk. Titik awal terbaik adalah saluran yang paling memakan waktu bagi pelanggan kami. 

LLM membantu kita mempercepat papan pelanggan kita juga, karena seperti yang bisa Anda bayangkan, mengkodekan aturan bisnis pelanggan adalah seperti melakukan implementasi CRM, diukur dalam bulan. Kita sedang membangun alat yang menggunakan LLM untuk membantu membangun set aturan dan menulis skrip otomatisasi. Ini akan membuat proses papan lebih cepat, dan akan mengurangi kompleksitas untuk pelanggan kami.

Periklanan adalah lapangan uji awal untuk sistem otonom yang mengelola uang nyata dalam skala. Apa pelajaran dari industri ini yang dapat diterapkan pada layanan keuangan, perawatan kesehatan, pengadaan perusahaan, atau sektor yang diatur lainnya yang mengadopsi agen AI?

Periklanan telah menjadi lapangan uji untuk sistem otonom yang menghabiskan uang nyata selama 20 tahun. Programatik mengajarkan industri bagaimana membiarkan perangkat lunak melakukan komitmen miliaran dolar sehari tanpa persetujuan manusia untuk setiap transaksi. Sebagian besar dari percakapan agen AI saat ini terjadi pada skala yang telah ditinggalkan periklanan sejak lama.

Fluency memiliki lebih dari $3 miliar pengeluaran tahunan yang berjalan melalui platform kami, di seluruh ratusan agen dan merek, dan di ruang multi-lokal, ini mencapai puluhan ribu lokasi. Sebagian besar dari percakapan agen periklanan saat ini adalah tentang anggaran pilot dan sejumlah kecil akun.

Apa yang dapat ditransfer ke sektor lain adalah arsitektur. Anda memisahkan sistem yang memutuskan dari sistem yang mengeksekusi. Lapisan keputusan dapat probabilistik, karena penilaian mendapat manfaat dari fleksibilitas dan kreativitas. Lapisan eksekusi harus deterministik, karena pergerakan uang bukanlah tempat Anda ingin memiliki variasi. Setiap tindakan dicatat terhadap pengguna atau agen yang memulainya, yang memberikan jejak audit yang dapat bertahan di depan regulator.

Persyaratan ini identik di layanan keuangan, dalam klaim kesehatan, dalam pengadaan perusahaan. Desain yang kita bangun untuk periklanan adalah yang benar: auditabilitas penuh dengan log perubahan untuk setiap modifikasi adalah syarat minimum. Saya sangat khawatir tentang penilaian non-manusia dalam hal seperti persetujuan prosedur medis dan persetujuan klaim asuransi. Saya tidak berpikir LLM ada di sana saat ini, dan saya memiliki contoh pribadi dalam hidup saya tentang sistem otomatis yang membuat keputusan yang sangat buruk tentang persetujuan atau penolakan klaim asuransi. 

Harapan saya adalah bahwa pola yang ditetapkan periklanan akan menjadi pola yang diadopsi sektor-sektor lain. Kami telah memiliki keunggulan 20 tahun dalam masalah mesin yang menghabiskan uang ratusan juta kali per detik. Pendekatan Fluency meluas dari transaksi ke alur kerja, dan saya yakin bahwa pendekatan kami akan sama-sama menjadi yang menang. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Fluency.