インタビュー

エリック・ピカード、フルーエンシーの製品担当上級副社長 – インタビュー・シリーズ

Antoine Tardif
Unite.AI を Google の優先ソースに追加
要点Fluencyの決定論的エージェントはLLMより前から存在し、現在では広告における確率的AIのためのガードレールを提供している。
もっと見る
  • Fluencyの決定論的エージェントはLLMより前から存在し、現在では広告における確率的AIのためのガードレールを提供している。
  • 決定論的ルールとLLMの推論を組み合わせることで、キャンペーン管理ワークフローにおける複雑さと非効率性が軽減される。
  • AdCP標準は、リスクの高い意思決定には人間を関与させつつ、アカウントレベルのキャンペーン業務を自動化することを目指している。

エリック・ピカード氏は、Fluencyの製品担当シニア・バイスプレジデントを務める、製品・技術分野のベテラン経営者です。デジタル広告プラットフォーム、自動化マーケットプレイス、データシステム、消費者向け製品の開発に数十年携わってきました。Fluency入社前にはMicrosoft (MSFT )、Pandora、MediaMath、Yieldmo、BARKで上級幹部職を歴任し、広告技術戦略、プログラマティックメディア、製品管理、データサイエンス、エンジニアリング、大規模プラットフォームの近代化まで幅広く担当しました。Bluestreak、Rare Crowds、Questoriなど複数の技術ベンチャーを創業した連続起業家でもあり、BluestreakとRare Crowdsは後に買収されています。初期のリアルタイム入札型広告取引所の設計、プログラマティック音声広告製品の立ち上げ、自動在庫キュレーション技術の開発に携わったほか、AI、製品戦略、企業変革、M&Aについて企業に助言してきました。

Fluencyは、代理店、ブランド、多拠点企業が検索、ソーシャル、プログラマティックプラットフォーム、ウォールドガーデン、オープンウェブにまたがる有料メディアキャンペーンを管理するためのデジタル広告オペレーティングシステムを開発しています。データ、クリエイティブ資産、在庫、コンプライアンス要件、オーディエンス、キャンペーン戦略、レポート、実行ワークフローを一元化し、自動化とAIによって反復的な運用作業を減らし、大規模なキャンペーンを調整します。現在は、定められた戦略とブランド管理を維持しながらキャンペーンを実行・最適化できる、ガバナンスされたAI主導ワークフローを含むエージェント型広告に注力しています。同社によると、その技術は毎月25万件を超えるキャンペーンを支え、年間約30億ドルの広告費を管理しています。

Bluestreakを創業し、初期のデジタル広告標準の策定に関わった時代から、最初期のリアルタイム入札取引所の設計に貢献した時代まで、あなたの経歴はデジタル広告の基盤が築かれた複数の時期にまたがっています。そうした経験は、Fluencyで次世代のエージェント型広告システムを構築する現在のアプローチにどのような影響を与えていますか。

私は、デジタル広告という多面的で興味深い領域に出会えたことをキャリア上とても幸運に思っています。インターネットの成長を資金面で支えた仕組みの一部になり、デジタル広告が機能するうえで基礎となる仕組みのいくつかを発明したり、その発明に参加したりできました。この分野の技術的課題はソフトウェアのどの分野にも劣らず難しく、だからこそ常に面白いのです。

Bluestreakでは、初期の動画広告や音声広告を含め、ほぼすべての広告フォーマットについて最初期の例をいくつも作りました。マルチタッチ・アトリビューションを初めて実現し、タグ管理システムを初めて提供し、すべてのデジタルメディア種別を横断するマルチタッチを初めて提供しました。その結果、Interactive Advertising Bureau(IAB)とMedia Rating Council(MRC)とともに、最初のインプレッション標準を共同執筆するよう招かれました。

私がMicrosoftに移った頃、Googleはデジタル広告だけで、Windows一製品当たりMicrosoft以上の利益を得ていました。Microsoftはそれを見て広告技術への投資を決め、私に非常に魅力的な役割を提示しました。Microsoftが広告技術分野へどう参入すべきか、その世界戦略を書く仕事です。

私たちは広告技術へ大きく進出することを決め、構築・買収・提携の戦略を決める責任を私が担いました。150社を超える企業にデューデリジェンスを行い、7社を買収し、社内チームの拡大にも多額を投資しました。入社時には広告技術に携わるエンジニアは約200人、メディア収益は約7億5,000万ドルでした。退職時にはエンジニアは1,500人、収益は50億ドル超に増えていました。現在の検索広告収益は約150億ドルですが、当時としては50億ドルでも驚異的な数字でした。

調査し、最終的に買収した企業の一つがAdECNです。The Trade Desk (TTD )を創業する前のジェフ・グリーンが立ち上げた最初の会社でした。Right Mediaの買収も検討し、その過程でブライアン・オケリーと親しくなりましたが、買収は見送りました。複数の外部入札者が取引所に接続できる非同期のグローバルオークションに機会があると考え、AdECNを買収し、構想を実現する強力なエンジニアリングチームを作るのを支援しました。

AdECNが最初のリアルタイム入札(RTB)取引所を立ち上げる段階になると、方式をめぐる対立が起き、結局ベータテストから抜け出せませんでした。

そこから広告技術のエコシステム全体を変える二つの結果が生まれました。一つ目は、Right Mediaを離れたブライアン・オケリーがAppNexusを創業したことです。AdECNが実用化されないことが明らかになると、私はAppNexusと提携する機会を強く支持しました。それは同社への巨額投資と強力な提携につながり、最終的にMicrosoftによる買収へ至りました。二つ目は、ジェフ・グリーンがMicrosoftを離れ、AdECNでRTB取引所を作ったエンジニア数人を連れてThe Trade Deskを創業したことです。

1997年から2010年まで続いたキャリアの最初の流れを振り返ると、当時まいた長期的な種が今、興味深い実を付けています。その後は、プログラマティック・キュレーションを発明した自分のスタートアップRare Crowdsをはじめ、さまざまな仕事に就きました。最大級の音声広告取引所を含む優れた音声広告事業を持っていたPandoraや、初のプライバシー重視型広告取引所を作ったYieldmoでも働きました。その間、IAB Tech Labの取締役となり、取締役会の執行委員会にも招かれました。そして今も業界標準に関わり続けています。

昨年、ブライアン・オケリーは、AgenticAdvertising.orgが管理するAdCPというエージェント型広告の業界標準を作る機会を見いだしました。ブライアンと作業の不足部分について話し合い、私はAdCPのガバナンスとコンプライアンスに関する最初の仕様を書くことを申し出ました。

その仕様を書いた数カ月後、Fluencyから連絡がありました。同社が構築したものを知るほど、私は圧倒されました。私が仕様で指摘した課題を、実質的にすべてすでに解決していたからです。大規模言語モデルが「エージェント」として使えるようになるよりずっと前から、8年間にわたってエージェント型広告を実践していました。

同社のエージェントが採用した決定論的アプローチは、本質的に確率的な大規模言語モデル搭載エージェントの要件を満たすためにまさに必要なものでした。大規模言語モデルは「考えること」と創造性には優れていますが、同じことを毎回同じ方法で行うのは苦手です。どちらの方式にも単独では弱点がありますが、組み合わせればエージェント型広告の問題を解決できます。

私の構想はFluency経営陣の構想と一致しており、製品部門を率いるために入社しました。今は、必要な場面で人間をループに残しながらエージェントが安全に広告取引を実行し、大規模言語モデル搭載エージェントには行動を管理する決定論的なガードレールが与えられる世界へ、全速力で進んでいます。

最初のインプレッション標準からRTBの発明、キュレーションの発明、エージェント型広告の登場まで、デジタル広告を変えた数多くの大波に乗れたことは本当に幸運でした。目まぐるしい旅でしたが、今も楽しんでおり、この分野の機会に興奮しています。

リアルタイム入札によって、ソフトウェアはミリ秒単位で財務上の意思決定を行えるようになりました。AIエージェントにより大きな運用上の自律性を与える際、現在の開発者はプログラマティック広告の発展からどのような教訓を学ぶべきでしょうか。

プログラマティック広告では、AIの一種である機械学習を使い、1秒に数千万件の意思決定を行える決定エンジンを作りました。それには途方もない計算能力とデータ処理、巨大なインフラが必要です。生成AIが登場する前には、コンピューティング全体で最も重要な進歩の一つだったと私は考えています。

しかし、その力と同時に、プログラマティックモデルには大きな非効率もあります。広告インプレッション一件当たりに必要以上の電力を使い、過剰な炭素を排出する巨大で複雑なエコシステムができました。誤解しないでください。私はプログラマティック分野を愛しており、私たちが生み出したものに感嘆しています。ただ、得られる利益に比べて、はるかに複雑な機械を作ってしまったとも感じます。

生成AIにもまったく同じ議論が当てはまります。大規模言語モデル搭載エージェントを置くべきなのは、すべての取引の中核ではなく、インターフェースです。大規模言語モデルと決定論的エージェントを適切に組み合わせれば、複雑さを大幅に減らしながら取引をはるかに効率よく管理できます。

業界には、大規模言語モデル搭載エージェントを取引実行ワークフローに組み込むことを目指す二つの大きな取り組みがあります。IAB Tech LabはAgentic Advertising Management Protocols(AAMP)を立ち上げました。大規模言語モデルに事前に意思決定させ、その結果をエコシステムのリアルタイムシステムでキャッシュすることで、RTBインフラにプロキシ接続する仕組みです。AdCPは、私がアカウントレベルの統合と呼ぶものに焦点を当てています。広告キャンペーンの管理とクリエイティブのワークフローで人間が行うあらゆる作業を自動化する構想です。AAMPは非常に価値があり興味深い一方、すでに高度で複雑なシステムを改善しようとしています。AdCPは業界の黎明期から存在し、Fluencyが8年間解決してきた問題に向き合っています。そのため私たちはAdCPに深く集中していますが、いずれAAMPにも取り組むでしょう。

Fluencyは、広告技術でこれまで十分に対処されなかった最後の一段、すなわちアカウント、キャンペーン、クリエイティブの各レベルで広告キャンペーンを構築・管理する際の大きな非効率を実質的に解決しました。私たちの仕事は、RTBの発明と同じくらい大きな機会だと心から信じています。Fluencyがすでに自動化したワークフローへ大規模言語モデルを接続するほど、システム全体の価値が高まります。

Fluencyは、確率的なAI推論と、キャンペーン変更を実行する決定論的システムを分離しています。大規模言語モデルに広告予算を直接管理させることが、現時点ではなぜ危険すぎるのでしょうか。

これはおそらく大規模言語モデルに常につきまとう根本問題だと考えています。確率的エンジンは、同じ質問に毎回違う答えを返すよう設計されています。思考には非常に優れていても、決定論的な仕事は苦手です。算術を例にしましょう。

大規模言語モデルは、厳密には加算、減算、乗算、除算ができません。ClaudeやChatGPTに計算が必要な質問をすると正しい答えが返るため気づきにくいのですが、実際には計算用のスクリプトを書き、そのコードを実行しています。ここで話しているのもまさにその仕組みです。算術ができないことを認識した確率的な大規模言語モデルが、求められた課題を解くために、計算を担う独自の決定論的ソフトウェアを作るのです。

仮に大規模言語モデルが魔法のように算術をできるようになっても、私の財務を管理し、私に代わって株式を売買する判断は任せません。税務申告書を作成し、誰の確認もなく提出させることもしません。モデルが書いたメールやブログ記事でさえ、すべて正しいと確認するために慎重に編集せず、そのまま使うことはありません。

より賢くなり、実装能力を身につければ、遠い将来にはこうした仕事もできるかもしれません。ただし、その方法はおそらく、問題の必要な部分を処理する決定論的ソフトウェアを自ら書く形になるでしょう。

Fluencyは今、その地点にいます。広告を管理する決定論的な接続基盤があり、大規模言語モデルをプラットフォームへ統合して、得意な仕事に使っています。外部エージェントにもプラットフォームを開放し、私たちの接続基盤を通じて取引できるようにしています。私はこれを、大規模言語モデル搭載エージェントが一カ所で統合し、どのメディアプラットフォームでも取引できる広告エコシステムのゲートウェイを作ることだと捉えています。ただし、その長期的な到達点までには、私たち全員がまだ少し距離を残しています。

Fluencyの決定論的実行層は、AIエージェントの提案が実際のキャンペーンに影響する前に、どのように評価しますか。また、広告主はどのようなルールや制約を設定できますか。

人間または大規模言語モデルが、広告プラットフォーム上で毎回同じように実行される決定論的な指示を作れる仕組みを提供しています。これはあらゆる業界で解決すべき大きな問題であり、広告分野でそれを解決しているのがFluencyです。広告プラットフォーム上で顧客が実行できるあらゆる行動について、ビジネスルールやヒューリスティックを作成できます。問題をIF/THENロジックで表せるなら、プラットフォーム上で毎回同じように守られるビジネスルールとしてコード化できます。

この点を理解することが重要です。人間が特定の状況に直面するたび、毎回同じように下す判断は非常に多くあります。そのため、予算管理ルールをコード化し、命名分類を徹底しながらキャンペーンやクリエイティブを生成し、外部データセットのトリガーに応じて広告キャンペーンとクリエイティブを自動で有効・無効にできます。

例えば自動車販売店に新車が入庫するとします。Fluencyは在庫管理システムを読み、車両が敷地に到着して数分以内に、各車両のメーカー、モデル、色、特定の装備に合わせたキャンペーンとクリエイティブを自動生成できます。最後の一台が売れた時点で、そのキャンペーンを自動停止することもできます。

一つひとつを見れば、ここでのビジネス判断は非常に単純です。しかし、それらが膨大に積み重なる「千の小さな傷で死ぬ」ような広告運用の問題を、この仕組みはなくします。顧客企業では、チームが一日中火消しに追われる状態から解放され、顧客に本当の効果をもたらす仕事へ集中できるようになっています。

広告戦略とクリエイティブ開発には、実験や主観的判断が必要です。生成AIの柔軟性を保ちながら、キャンペーン実行の予測可能性とコンプライアンスを確保するにはどうすればよいでしょうか。

ここまで話してきたことが、この問いへの簡潔な回答の枠組みになります。ビジネスルールとしてコード化できる事項は、毎回同じ簡単な判断を正しく実行するよう設定します。大規模言語モデルは分析とパターン認識を支援でき、広告技術に長い歴史を持つ機械学習など、他のAIも役立ちます。重要なのは、答えがそれほど明確でないときに、人間へ連絡して介入を求める仕組みを持つことです。顧客はリスク許容度を設定できます。リスクが低い問題は機械に決めさせ、本当に人間の判断が必要な問題では通知して、人間が制御を引き継げるようにします。

Fluencyのプラットフォームは検索、ソーシャル、プログラマティック広告チャネルにまたがっています。データ構造、最適化システム、ポリシー要件が異なるプラットフォーム間でAIエージェントが推論する際、どのような技術的課題が生じますか。

広告プラットフォームにはそれぞれ独自のベストプラクティスと機能があります。APIは、外部から各プラットフォームを操作するために接続する固定配管です。APIは十分に文書化されていますが、その文書は実際には、そのプラットフォームで何ができるかを示すルール一式です。各プラットフォーム固有のベストプラクティスを体現するものではありません。

大規模言語モデルは大量の情報をコンテキストへ取り込み、各プラットフォームを使うためのベストプラクティスを参照可能にできます。Fluencyは多数の代理店と広告主のために多くのプラットフォームを運用しているので、顧客それぞれのベストプラクティスを、大規模言語モデルが顧客固有の方法を実行するための指示としてコード化できます。顧客には自社事業を運営する独自のプレイブックがあります。Fluencyは可能な部分を決定論的ルールへ変換できるようにし、今後、適切な部分を大規模言語モデル搭載エージェント向けの指示セットとして提供します。

現在、こうしたより複雑なシナリオをプラットフォーム上のアカウントへコード化する次世代の開発を、顧客と始めています。まだ非常に初期の段階です。大規模言語モデルでこの問題のどの部分も解決済みだと言う人がいれば、それは現実を誇張しています。この分野はあまりに新しく、モデルの進化も非常に速いため、問題全体を解決した人はいません。しかしFluencyは顧客と一緒に解決するうえで、非常に良い位置にいます。

エージェント型広告環境で有効な人間の監督とは、どのようなものでしょうか。安全に自動化できる判断と、人間の確認や承認を残すべき判断をどう分けますか。

リスク許容度は顧客ごとに異なり、多くの顧客は以前、それを明示できるシステムを使ったことがありません。Fluencyでは、優れたキャンペーンマネージャーが頭の中で適用する判断を一度コード化し、その後はすべてのアカウント、すべてのプラットフォームで毎回同じように適用します。明確な答えがない状況は、判断に必要なコンテキストとともに自動的に人間へ送られます。

実際の運用方法は大きく異なります。現在も顧客ごとに多様なルールを実行し、変わらない人間の判断をコード化するのを支援し、答えが明確でなければ人間へエスカレーションしています。

安全に自動化できる判断は顧客次第であり、普遍的な答えには大きな価値がないと考えています。境界線は顧客が引いた場所にプラットフォームが適用し、信頼が高まるにつれて顧客自身がその線を動かせるようにすべきです。

エージェントがより多くのキャンペーン判断を担うようになるなか、広告主が成果を監査し、ミスを調査し、コンプライアンスを証明できるよう、各行動の根拠、データ、ルールをプラットフォームはどのように記録すべきでしょうか。

Fluencyの中核的な価値の一つは、SOC 2に準拠し、完全に監査可能であることです。変更はシステム全体で記録されます。私は上場企業の製品・技術責任者を務め、以前はコンプライアンスも担当したため、その複雑さを理解しています。Fluencyへの参加に魅力を感じたもう一つの理由は、私たちが行うすべてが、あらゆる面で監査可能だったことです。システムで行われた各変更について、変更を行ったユーザーにひも付く変更ログも保持します。

もう一つ重要な層があります。ビジネスルールはソフトウェアとしてコード化されるため、ルール自体が仕様書になります。文書と実際の挙動の間にずれが生じません。監査が失敗しがちなのは、まさにこの部分です。大規模言語モデルを使う世界では、このコード化されたロジックを必要に応じて平易なビジネス用語へ翻訳できます。監査担当者は、システムに何をするよう指示されていたかを理解するためにコードを読む必要がありません。

エージェント型広告を導入し始める代理店やブランドにとって、どのワークフローが最適な出発点になりますか。また、エージェントの権限を広げる前に、組織はどのような証拠を求めるべきでしょうか。

Fluencyにとって、エージェント型広告はよく理解している分野です。8年間取り組んでおり、現在は数百の代理店とブランドがエージェント型広告のためにプラットフォームを利用しています。多拠点企業では、利用範囲は数万の拠点に及びます。

検索、ソーシャル、プログラマティックの各チャネルでキャンペーンを作成・管理するときに人間が繰り返す作業の大半を自動化しているため、出発点として明確に優れている、または劣っている特定のワークフローはありません。最良の出発点は、顧客が最も労力を要すると感じているチャネルです。

大規模言語モデルは顧客のオンボーディングを加速する助けにもなります。顧客のビジネスルールをコード化する作業は、数カ月単位で進むCRM導入に似ています。大規模言語モデルを使ってルールセットの作成と自動化スクリプトの記述を支援するツールを開発しています。これによりオンボーディングは大幅に速くなり、顧客にとっての複雑さも減ります。

広告は、実際のお金を大規模に扱う自律システムの初期の実験場です。この業界の教訓は、金融サービス、医療、企業調達など、AIエージェントを採用する規制業界にどう応用できますか。

広告は20年間、実際のお金を使う自律システムの実証の場でした。プログラマティック広告は、個々の取引を人間が承認しなくても、ソフトウェアに一日数十億ドルをコミットさせる方法を業界に教えました。現在のエージェント型AIをめぐる議論の多くは、広告業界がずっと前に通過した規模で行われています。

数百の代理店とブランドを通じ、年間30億ドルを超える支出がFluencyのプラットフォームを通過します。多拠点分野では数万拠点に及びます。現在、エージェント型広告についての議論の多くは、試験予算と少数のアカウントを対象にしています。

他の業界へ持ち込めるのはアーキテクチャです。意思決定するシステムと、それを実行するシステムを分けます。意思決定層は確率的でも構いません。推論は柔軟性と創造性の恩恵を受けるからです。実行層は決定論的でなければなりません。お金を動かすときに変動性は望ましくありません。すべての行動を、それを始動したユーザーまたはエージェントに関連付けて記録すれば、規制当局の審査にも耐えられる監査証跡になります。

この要件は金融サービス、医療保険請求、企業調達でも同じです。リスクはより高い一方、使われているツールはたいていさらに劣っています。広告向けに構築した設計こそ正しい設計です。変更ごとのログを伴う完全な監査可能性が最低条件です。医療処置や保険請求の承認といった場面で人間以外の推論を使うことには、私は特に懸念を抱いています。大規模言語モデルはまだ準備ができていません。自動システムが保険請求の承認・却下について非常に悪い判断をした例を、私自身の生活でも経験しています。

広告が作ったモデルが、これらの業界にも採用されると予想しています。機械に毎秒数億回お金を使わせる問題について、私たちには20年分の先行経験があります。Fluencyのアプローチは取引からワークフローへ広がるものであり、同じように私たちの方式が勝つと確信しています。

素晴らしいインタビューにご協力いただき、ありがとうございました。詳しく知りたい方はFluencyをご覧ください。

アントワーヌは、先見の明を持つリーダーであり、Unite.AIの創業パートナーです。AIとロボティクスの未来を形作り、その発展を促すことに揺るぎない情熱を注いでいます。複数の企業を立ち上げてきた起業家として、AIは電気と同じほど社会を大きく変えると考えており、革新的な技術や汎用人工知能(AGI)の可能性について熱く語ることがよくあります。

未来を展望するフューチャリストとして、こうした革新が世界をどのように形作るかを探究しています。また、未来を再定義し、業界全体を変革する最先端技術への投資に焦点を当てたプラットフォーム、Securities.ioの創設者でもあります。