Eric Picard, SVP di Prodotto presso Fluency – Serie di Interviste

Eric Picard, Senior Vice President di Prodotto presso Fluency, è un esperto di prodotto e tecnologia con decenni di esperienza nello sviluppo di piattaforme di pubblicità digitale, mercati automatizzati, sistemi di dati e prodotti rivolti ai consumatori. Prima di unirsi a Fluency, ha ricoperto ruoli di leadership presso Microsoft, Pandora, MediaMath, Yieldmo e BARK, dove le sue responsabilità sono state legate alla strategia tecnologica pubblicitaria, ai media programmatici, alla gestione dei prodotti, alla scienza dei dati, all’ingegneria e alla modernizzazione di piattaforme su larga scala. Picard è anche un imprenditore seriale che ha fondato Bluestreak, Rare Crowds, Questori e altre aziende tecnologiche, con Bluestreak e Rare Crowds che sono state acquisite in seguito. La sua carriera include l’aiuto alla progettazione di un primo mercato di scambio di offerte in tempo reale, il lancio di prodotti di pubblicità audio programmatica, lo sviluppo di tecnologie di cura automatizzata dell’inventario e la consulenza per aziende su intelligenza artificiale, strategia di prodotto, trasformazione aziendale e fusioni e acquisizioni.

Fluency sviluppa un Sistema Operativo per la Pubblicità Digitale progettato per aiutare agenzie, marchi e aziende multilocali a gestire campagne di pubblicità a pagamento su ricerca, social, piattaforme programmatiche, giardini recintati e web aperto. La piattaforma centralizza dati, asset creativi, inventario, requisiti di conformità, pubblico, strategia di campagna, reporting ed esecuzione dei flussi di lavoro, utilizzando l’automazione e l’intelligenza artificiale per ridurre il lavoro operativo ripetitivo e coordinare le campagne su larga scala. Fluency si concentra sempre più sulla pubblicità agente, compresi i flussi di lavoro guidati da AI governati che possono eseguire e ottimizzare le campagne mantenendo controlli strategici e di marchio definiti. L’azienda afferma che la sua tecnologia supporta oltre 250.000 campagne ogni mese e gestisce circa 3 miliardi di dollari di spesa pubblicitaria annuale.

La tua carriera ha attraversato diversi periodi fondamentali nella pubblicità digitale, dalla fondazione di Bluestreak e dal contributo alla creazione di primi standard pubblicitari digitali alla partecipazione all’architettura di uno dei primi mercati di scambio di offerte in tempo reale. Come hanno influenzato queste esperienze il tuo approccio alla costruzione della prossima generazione di sistemi di pubblicità agente presso Fluency?

Sono stato molto fortunato nella mia carriera a trovare uno spazio che era interessante in modo multifaceto con la pubblicità digitale. Ho fatto parte del meccanismo che ha finanziato la crescita di Internet. Sono stato in grado di inventare o di far parte dell’invenzione di alcune delle meccaniche fondamentali di come funziona la pubblicità digitale. E le sfide tecniche in questo spazio sono pari a quelle di qualsiasi software. Quindi è sempre interessante.

Con Bluestreak abbiamo costruito alcuni dei primi formati di annunci, compresi alcuni dei primi annunci video e audio. Siamo stati i primi a fare l’attribuzione multi-touch, i primi a offrire un sistema di gestione dei tag e i primi a offrire multi-touch su tutti i tipi di media digitali. Ciò ci ha portato a essere invitati a co-autorizzare il primo standard di impressioni lavorando con l’Istituto di Pubblicità Interattiva (IAB) e il Consiglio di Valutazione dei Media (MRC).

Quando sono andato a lavorare per Microsoft, l’azienda aveva deciso di investire nella tecnologia pubblicitaria perché vedeva che Google stava guadagnando più denaro per ogni copia di Windows di quanto non facesse Microsoft, tutto grazie alla pubblicità digitale. Mi hanno offerto un ruolo incredibilmente interessante, l’opportunità di scrivere la strategia globale per come Microsoft doveva entrare nello spazio della tecnologia pubblicitaria.

Abbiamo deciso di entrare nel settore dell’ad-tech e io ero incaricato di capire la strategia di costruzione, acquisizione o partnership. Ho esaminato oltre 150 aziende, ne abbiamo acquisite sette e abbiamo investito molto nel crescere i team interni. Quando sono arrivato, avevamo circa 200 ingegneri che lavoravano sull’ad-tech e avevamo circa 750 milioni di dollari di entrate medie. Quando me ne sono andato, avevamo 1.500 ingegneri che lavoravano sull’ad-tech e oltre 5 miliardi di dollari di entrate.

Una delle aziende che ho esaminato e che abbiamo acquisito è stata AdECN. Questa era la prima azienda di Jeff Green, prima che fondasse The Trade Desk. Avevamo guardato all’acquisto di Right Media, che è come ho conosciuto Brian O’Kelley, ma abbiamo deciso di non procedere. Abbiamo sentito che c’era un’opportunità per un’asta globale asincrona che consentisse a più offerenti esterni di connettersi all’exchange. Quindi abbiamo acquisito AdECN e abbiamo aiutato a costruire un team di ingegneria robusto per eseguire la visione.

Quando AdECN era pronta a lanciare il primo mercato di scambio di offerte in tempo reale, c’è stata una battaglia sulle approcci, e di fatto non è mai uscita dalla fase beta.

Ci sono stati due risultati di questo che hanno cambiato l’intero ecosistema dell’ad-tech. In primo luogo, Brian O’Kelley ha fondato AppNexus dopo aver lasciato Right Media, e quando è stato chiaro che AdECN non sarebbe mai decollata, ho sostenuto l’opportunità di collaborare con AppNexus. Ciò ha portato a un grande investimento nell’azienda e a una forte partnership che alla fine si è conclusa con l’acquisizione da parte di Microsoft. Il secondo risultato importante è stato che Jeff Green ha lasciato Microsoft, ha preso alcuni degli ingegneri che avevano costruito l’exchange di offerte in tempo reale in AdECN e ha fondato The Trade Desk.

Quando guardo alla prima parte della mia carriera, che va dal 1997 al 2010, ha piantato semi a lungo termine che ora hanno prodotto frutti interessanti. Sono passato a vari ruoli, compresa la mia startup Rare Crowds, dove abbiamo inventato la Cura Programmatica. Ho trascorso del tempo in aziende come Pandora, dove avevamo un grande business di pubblicità audio, compreso il più grande scambio di annunci audio, e Yieldmo, dove abbiamo costruito il primo scambio di annunci con un focus sulla privacy. Durante quel periodo, ho avuto l’opportunità di far parte del consiglio di amministrazione dell’IAB Techlab e sono stato invitato a far parte del comitato esecutivo del consiglio. E ho continuato a lavorare sugli standard dell’industria tutti questi anni.

L’anno scorso, Brian O’Kelley ha visto l’opportunità di costruire uno standard di settore per la Pubblicità Agente, chiamato AdCP, gestito da AgenticAdvertising.org. Brian e io abbiamo discusso dei punti deboli nel lavoro che stava facendo e ho offerto di scrivere la prima specifica per la Governance e la Conformità per AdCP.

Un paio di mesi dopo averlo scritto, sono stato contattato da Fluency. Quando ho iniziato a capire cosa avevano costruito, sono rimasto sbalordito. Di fatto, avevano già risolto tutto ciò che avevo indicato nella mia specifica. Avevano già fatto pubblicità agente per otto anni, molto prima che gli LLM fossero pronti a diventare “agenti”.

Ho visto che l’approccio deterministico che avevano adottato con i loro agenti era esattamente ciò che era necessario per soddisfare le esigenze degli agenti potenziati da LLM, che sono intrinsecamente probabilistici. Tutto questo significa che mentre gli LLM sono grandi nel “pensare” e nell’essere creativi, sono terribili nel fare la stessa cosa, nello stesso modo, ogni volta. Ogni approccio ha debolezze, ma insieme risolvono il problema della pubblicità agente.

La mia visione era compatibile con quella del team di leadership di Fluency e mi sono unito per guidare il Prodotto qui. Ora stiamo correndo a piena velocità verso un mondo in cui gli agenti possono transare in modo sicuro sulla pubblicità con gli esseri umani nel loop dove necessario, e gli agenti potenziati da LLM hanno barriere deterministici per gestire il loro comportamento.

Mi sento incredibilmente fortunato per aver cavalcato molte delle onde di cambiamento fondamentali nella pubblicità digitale, dall’invenzione dei primi standard pubblicitari digitali all’architettura di uno dei primi mercati di scambio di offerte in tempo reale, all’invenzione della Cura, all’avvento della Pubblicità Agente. È stato un viaggio selvaggio e sto ancora divertendomi e sono entusiasta delle opportunità in questo spazio.

Le offerte in tempo reale hanno dato ai software la capacità di prendere decisioni finanziarie in millisecondi. Quali lezioni dagli sviluppi della pubblicità programmatica dovrebbero considerare gli sviluppatori di oggi quando concedono agli agenti di intelligenza artificiale una maggiore autonomia operativa?

Nella pubblicità programmatica, abbiamo utilizzato l’apprendimento automatico, una forma di intelligenza artificiale, per costruire motori decisionali che potevano prendere decine di milioni di decisioni al secondo. Ciò richiede una quantità incredibile di potenza di calcolo, elaborazione dei dati, vasta quantità di infrastrutture e, prima dell’avvento dell’intelligenza artificiale generativa, potrei sostenere che è stato uno degli sviluppi più profondi in tutta l’informatica.

Per tutta la sua potenza, ci sono anche enormi inefficienze nel modello programmatico e un’enorme, complessa infrastruttura che brucia troppa elettricità (e quindi crea troppo anidride carbonica) per ogni impressione pubblicitaria. Non fraintendetemi, amo lo spazio programmatico e sono in awe di ciò che abbiamo creato. Ma sembra che abbiamo costruito una macchina molto più complessa del payoff che otteniamo per tutta quella complessità.

Anche se gli stessi argomenti esatti possono essere fatti per l’intelligenza artificiale generativa, i posti in cui gli agenti potenziati da LLM devono vivere nell’ecosistema sono alle interfacce, non al cuore di ogni singola transazione. E mescolando giudiziosamente gli LLM con agenti deterministici, possiamo gestire molto più efficientemente le transazioni riducendo notevolmente la complessità.

Ci sono due importanti iniziative nel settore, che mirano a iniettare agenti potenziati da LLM nel flusso di lavoro di come si svolgono le transazioni. L’IAB TechLab ha avviato l’iniziativa dei Protocolli di Gestione della Pubblicità Agente (AAMP), che consente meccanismi per proxy di LLM nel RTB infrastructure prendendo decisioni in anticipo e memorizzandole nei sistemi in tempo reale dell’ecosistema. Il progetto AdCP si concentra su ciò che considero “integrazioni a livello di account”. Significa che tutto il lavoro fatto dagli esseri umani nella gestione delle campagne e nei flussi di lavoro creativi per la pubblicità può essere automatizzato. Mentre AAMP è super interessante e utile, sta migliorando un sistema complesso moderno. AdCP sta andando dopo un problema che esiste dall’inizio dell’industria e che Fluency ha risolto per otto anni. Quindi ci stiamo concentrando profondamente su AdCP, ma alla fine ci immergeremo anche in AAMP.

Fluency ha effettivamente risolto l’ultimo miglio del problema che non è stato affrontato nello spazio dell’ad-tech: le enormi inefficienze nella creazione e gestione delle campagne pubblicitarie a livello di account, campagna e creativo. E credo veramente che il lavoro che stiamo facendo sia un’opportunità altrettanto profonda per la pubblicità quanto ciò che abbiamo inventato con il RTB. Mentre connettiamo gli LLM ai flussi di lavoro che Fluency ha già automatizzato, stiamo aumentando il valore dell’intero sistema.

Fluency separa la ragionamento probabilistico dell’IA dalle sistemi deterministici che eseguono i cambiamenti di campagna. Perché attualmente è troppo rischioso permettere a un modello di linguaggio di grandi dimensioni di controllare direttamente i budget pubblicitari?

Credo che questo sia un problema fondamentale che gli LLM avranno probabilmente sempre. I motori probabilistici sono progettati per dare risposte diverse alla stessa domanda ogni volta. Anche quando sono incredibilmente bravi a pensare, sono terribili nelle cose deterministiche. Usiamo l’aritmetica come esempio:

Gli LLM non possono letteralmente aggiungere, sottrarre, moltiplicare o dividere. Ora, potresti non rendertene conto, perché quando chiedi a Claude o ChatGPT una domanda che richiede aritmetica, possono darti la risposta giusta. Ma ciò che la maggior parte delle persone non sa è che lo fanno scrivendo script e eseguendo quel codice per gestire i calcoli. È questo di cui stiamo parlando qui: l’intersezione di un LLM probabilistico che capisce di non poter fare l’aritmetica, costruendo il proprio pezzo di software deterministico per fare calcoli al fine di risolvere il compito richiesto.

Anche se l’LLM può ora “magicamente” fare l’aritmetica, non lascerò mai che un LLM gestisca le mie finanze e prenda decisioni di trading di azioni per me. Non lascerò mai che un LLM faccia le mie tasse e le presenti senza alcun tipo di revisione. Non lascerò mai che un LLM scriva un’e-mail o un post del blog senza una cura attenta per assicurarmi che tutto sia vero.

Fluency è già lì – abbiamo le tubazioni deterministiche per gestire la pubblicità. Stiamo integrando gli LLM nella nostra piattaforma, utilizzandoli per le cose in cui sono grandi. E stiamo esponendo la nostra piattaforma ad agenti esterni in modo che possano eseguire le azioni attraverso le nostre tubazioni. Alla fine, vedo questo come la costruzione del gateway nell’ecosistema della pubblicità, dove un agente potenziato da LLM può transare su qualsiasi piattaforma di media integrandosi in un unico posto. Ma siamo ancora un po’ lontani da quel risultato a lungo termine!

Come fa il livello di esecuzione deterministico di Fluency a valutare le raccomandazioni di un agente di intelligenza artificiale prima di consentire loro di influenzare una campagna live, e quali tipi di regole o vincoli possono gli inserzionisti stabilire?

Forniamo meccanismi per gli esseri umani (o gli LLM) per creare istruzioni deterministiche che saranno eseguite nello stesso modo ogni volta sulle piattaforme pubblicitarie. Questo è un grande problema che deve essere risolto in ogni industria. Per la pubblicità, l’azienda che risolve questo problema è Fluency. Consentiamo la creazione di regole commerciali euristiche per qualsiasi azione che uno dei nostri clienti potrebbe intraprendere su una piattaforma pubblicitaria. Se è possibile creare logica IF/THEN per un problema, la nostra piattaforma consente che venga codificata in regole commerciali che vengono seguite nello stesso modo ogni volta.

Questo è fondamentale per capire. Ci sono molte decisioni che gli esseri umani prendono nello stesso modo ogni volta che vedono una situazione specifica. Ciò ci consente di fare cose come codificare regole di gestione del budget, o generare campagne o creativi mentre si applicano tassonomie di denominazione, o avviare e interrompere automaticamente campagne e creativi in base a trigger in set di dati esterni.

Ad esempio, un concessionario di auto potrebbe ricevere un nuovo carico di auto. Fluency può leggere il sistema di gestione dell’inventario che il concessionario utilizza e automaticamente generare campagne e creativi per il modello di auto esatto, incluso il colore e gli attributi specifici di ogni veicolo, entro pochi minuti dall’arrivo delle auto nel lotto. E quando l’ultima auto viene venduta, automaticamente spegnere quelle campagne.

Tutto ciò è abbastanza profondo, perché le decisioni commerciali per fare tutte queste cose sono molto semplici quando prese singolarmente. È il problema della “morte per mille tagli” nella gestione della pubblicità di oggi che scompare. I nostri clienti trovano che questo libera i loro team dal dover spegnere incendi tutto il giorno per fare il lavoro che conta per spostare l’ago per i loro clienti.

La strategia pubblicitaria e lo sviluppo creativo spesso richiedono sperimentazione e giudizio soggettivo. Come possono le organizzazioni preservare la flessibilità dell’intelligenza artificiale generativa mentre assicurano che l’esecuzione della campagna rimanga prevedibile e conforme?

Tutto ciò di cui abbiamo parlato fino ad ora ha costruito il framework per rispondere a questo in modo semplice. Le cose che possono essere codificate in regole commerciali sono impostate correttamente per eseguire quelle decisioni facili che sono le stesse ogni volta. Gli LLM possono aiutare nell’analisi e nel riconoscimento di pattern, come può fare anche ogni altra forma di intelligenza artificiale come l’apprendimento automatico, che ha una lunga storia nell’ad-tech. Ma il vero trucco è avere i meccanismi in atto per raggiungere e chiedere a un essere umano di intervenire se il problema non ha una risposta chiara.

I nostri clienti possono regolare la loro tolleranza al rischio su questo, quindi se il problema è a basso rischio, possono decidere di lasciare che le macchine prendano la decisione. Ma per le cose che veramente richiedono decisioni umane, li avvisiamo e li abilitiamo a prendere il timone.

La piattaforma di Fluency opera attraverso canali di pubblicità su ricerca, social e programmatica. Quali sfide tecniche sorgono quando un agente di intelligenza artificiale deve ragionare attraverso piattaforme che hanno strutture di dati, sistemi di ottimizzazione e requisiti di politica diversi?

Ogni piattaforma pubblicitaria ha un insieme unico di best practice e capacità. Le API sono le tubazioni fisse a cui ci connettiamo per guidare quelle piattaforme esternamente. Le API sono ben documentate, ma quella documentazione è davvero l’insieme di regole per ciò che può essere fatto su quelle piattaforme. Non sono l’incarnazione delle best practice per l’utilizzo di quella piattaforma specifica.

Gli LLM possono ingerire molte informazioni nel contesto in modo che le best practice per l’utilizzo di ogni piattaforma possano essere rese disponibili attraverso di loro. Dal momento che Fluency opera molte piattaforme per molti inserzionisti e agenzie, possiamo codificare le best practice di ogni nostro cliente (per loro conto) nelle istruzioni che un LLM può seguire per guidare best practice differenziate per ogni cliente.

Stiamo iniziando a lavorare con i nostri clienti su questa prossima generazione di sviluppo per codificare questi scenari più complessi nei loro account sulla nostra piattaforma. È ancora all’inizio. Chiunque ti dica che ha risolto qualsiasi parte di questo utilizzando gli LLM sta allungando la verità, perché le cose sono così all’inizio e i modelli stanno evolvendo così rapidamente che non è stato ancora completamente risolto da nessuno. Ma siamo ben posizionati per lavorare con i nostri clienti per risolvere questo.

Quali dovrebbero essere i controlli umani efficaci in un ambiente di pubblicità agente? Quali decisioni possono diventare autonome e quali dovrebbero continuare a richiedere revisione o approvazione umana?

Ogni cliente ha una tolleranza al rischio diversa, e la maggior parte di loro non ha mai avuto un sistema che potesse esprimerla. In Fluency, il giudizio che un buon gestore di campagna applica nella sua testa viene codificato una volta e poi applicato identicamente su ogni account, ogni piattaforma, ogni volta. Le situazioni che non hanno una risposta chiara vengono instradate automaticamente a una persona, con il contesto di cui hanno bisogno per prendere la decisione.

Cosa significa nella pratica varia molto. Stiamo eseguendo un vasto numero di regole per i nostri clienti oggi, aiutandoli a codificare decisioni umane che non variano, e spingendo verso un essere umano quando la risposta non è chiara.

Quali decisioni possono essere autonome dipende dal cliente, e non credo che una risposta universale valga molto. La piattaforma deve applicare la linea ovunque un cliente la disegni, e lasciarli spostarla man mano che la loro fiducia cresce.

Man mano che gli agenti prendono più decisioni di campagna, come dovrebbero i sistemi di piattaforma documentare il ragionamento, i dati e le regole dietro ogni azione in modo che gli inserzionisti possano verificare le prestazioni, indagare gli errori e dimostrare la conformità?

Una delle value proposition principali che Fluency offre è che siamo conformi a SOC2 e completamente verificabili. I cambiamenti sono registrati in tutto il sistema. Sono stato un CPTO di un’azienda quotata in borsa e sono stato sotto pressione per la conformità prima, quindi so quanto possa essere complesso. È un’altra ragione per cui sono stato entusiasta di unirmi a Fluency, perché ogni aspetto di ciò che facciamo è completamente verificabile. Manteniamo anche registri di modifica per ogni modifica apportata al sistema, registrata contro l’utente o l’agente che l’ha iniziata.

C’è un secondo livello che conta. Poiché le regole commerciali sono codificate nel software, la regola è la sua stessa specifica. Non c’è deriva tra la documentazione e il comportamento, che è dove le verifiche di solito si rompono. E in un mondo abilitato da LLM, la logica codificata può essere resa nuovamente in linguaggio commerciale semplice su richiesta, quindi la persona che esegue la verifica non deve leggere il codice per capire cosa il sistema è stato istruito a fare.

Per un’agenzia o un marchio che inizia ad adottare la pubblicità agente, quali flussi di lavoro offrono il miglior punto di partenza e quali prove dovrebbe richiedere l’organizzazione prima di espandere l’autorità di un agente?

Dal punto di vista di Fluency, la pubblicità agente è un terreno ben battuto. Abbiamo fatto pubblicità agente per otto anni. Abbiamo centinaia di agenzie e marchi che utilizzano la nostra piattaforma per fare pubblicità agente oggi, e nello spazio multilocali, questo si estende a decine di migliaia di località.

Automatizziamo la maggior parte di ciò che gli esseri umani fanno ripetutamente nell’impostazione e nella gestione delle campagne, su ricerca, social e programmatica, quindi non c’è un flusso di lavoro che fa un miglior o peggiore punto di partenza. Il miglior punto di partenza è il canale che il nostro cliente trova più impegnativo in termini di lavoro.

Gli LLM stanno aiutando anche a velocizzare l’onboarding dei nostri clienti, perché, come puoi immaginare, codificare le regole commerciali di un cliente è paragonabile all’esecuzione di un’implementazione di CRM, misurata in mesi. Stiamo costruendo strumenti che utilizzano gli LLM per aiutare a costruire i set di regole e a scrivere gli script di automazione. Ciò renderà il processo di onboarding molto più rapido e ridurrà la complessità per i nostri clienti.

La pubblicità è un terreno di prova precoce per sistemi autonomi che gestiscono denaro reale su larga scala. Quali lezioni da questo settore potrebbero applicarsi ai servizi finanziari, alla sanità, all’approvvigionamento aziendale o ad altri settori regolamentati che adottano agenti di intelligenza artificiale?

La pubblicità è stata il terreno di prova per i sistemi autonomi che spendono denaro reale per 20 anni. La pubblicità programmatica ha insegnato all’industria come lasciare che i software si impegnino in miliardi di dollari al giorno senza l’approvazione umana per ogni transazione. La maggior parte delle attuali conversazioni sull’intelligenza artificiale agente sta avvenendo su una scala che la pubblicità ha lasciato da tempo.

Fluency ha oltre 3 miliardi di dollari di spesa annuale che passa attraverso la nostra piattaforma, su centinaia di agenzie e marchi, e nello spazio multilocali, che raggiunge decine di migliaia di località. La maggior parte delle conversazioni sull’intelligenza artificiale agente riguarda budget di prova e un pugno di account.

Cosa si trasferisce ad altri settori è l’architettura. Si separano i sistemi che decidono dai sistemi che eseguono. Il livello di decisione può essere probabilistico, perché il giudizio beneficia della flessibilità e della creatività. Il livello di esecuzione deve essere deterministico, perché il denaro che si muove non è un posto in cui si desidera varianza. Ogni azione viene registrata contro l’utente o l’agente che l’ha iniziata, il che fornisce una traccia di audit che regge di fronte a un regolatore.

Questo requisito è identico nei servizi finanziari, nelle richieste di assistenza sanitaria, nell’approvvigionamento aziendale. Il design che abbiamo costruito per la pubblicità è quello giusto: la completa tracciabilità con registri di modifica per ogni modifica è fondamentale. Sono particolarmente preoccupato per il giudizio non umano in cose come l’approvazione di procedure mediche e l’approvazione delle richieste di assicurazione. Non credo che gli LLM siano ancora lì, e ho esempi personali nella mia vita di sistemi automatizzati che prendono decisioni molto cattive sull’approvazione o il rifiuto delle richieste di assicurazione.

Mi aspetto che il modello che la pubblicità stabilisce diventi il modello che quei settori adotteranno. Abbiamo avuto un vantaggio di 20 anni sul problema delle macchine che spendono denaro centinaia di milioni di volte al secondo. L’approccio di Fluency si estende dalla transazione al flusso di lavoro, e sono fiducioso che il nostro approccio sarà anche quello che vincerà.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Fluency.