์ธํฐ๋ทฐ
๋ง์ผ์ ์ฐฝ๋ฆฝ์ ๋ฐ CEO์ธ ๋น์ ์ด ์ฟ ๋ง๋ฅด – ์ธํฐ๋ทฐ ์๋ฆฌ์ฆ
비제이 쿠마르, 마일의 창립자 및 CEO는, 프로그램 방식의 광고에서 더 많은 가치를 추출하기 위해 기계 학습과 데이터 기반 최적화를 통해 디지털 출판사를 지원하는 것을 자신의 경력에 초점을 맞추었습니다. 2013년 마일을 설립한 이후, 그는 개방형 교환 성능 개선, 동적 가격 관리, 입찰 메커니즘 최적화, 신호 품질 향상 등을 통해 측정 가능한 수익 증가를 달성하고 출판사의 운영 복잡성을 줄이는 회사 전략과 제품 비전을 이끌어 왔습니다.
마일은 뉴욕에 기반을 둔 아드테크 회사로, 수익화의 “마지막 마일”에서 작동하는 인공지능 기반 수익 최적화 계층입니다. 여기서 입찰 동태는 출판사 수익을 결정합니다. 마일의 플랫폼은 기존의 프로그램 방식 인프라와 통합되어 동적 가격 플로어, 트래픽 셰이핑, 입찰 부여, 실시간 분석을 제공하여 출판사가 지능형 자동화를 통해 채움 비율과 CPM을 최대화할 수 있도록 합니다. 마일은 광고 스택의 복잡성을 추가하는 대신 정밀한 최적화를 중점으로 두어 출판사가 자신의 재고에서 이미 존재하는 가치를 더 많이 획득하도록 도와줍니다.
2013년에 마일을 설립하셨는데, 당시 아드테크에서 인공지능이 인기 있는 용어가 아니었을 때였습니다. 출판사 수익화와 개방형 교환 동태를 직접적으로 관찰하면서 시스템이 근본적으로 고장났고 재건할 가치가 있다고 생각한 이유는 무엇입니까?
마일이 시작될 때, 개방형 교환은 빠르게 확장하고 있었지만, 출판사 측의 지능은 따라가지 못했습니다. 대부분의 결정은 정적이었고 – 수동적인 가격 플로어, 粗한 규칙, 빈번하지 않은 변경 – 반면에 구매자 행동은 점점 더 동적이고 전략적으로 변했습니다.
초기에는 입찰이 수요 부족으로 인해 비효율적이지 않았지만, 출판사가 실제 제어 계층을欠如하고 있음을 알 수 있었습니다. 가격 발견은 사실상 구매자와 중간자에게 외주되었고, 출판사는事後에 반응했습니다.
시스템은 극적으로 “고장”난 것은 아니었습니다. 그것은 불균형했습니다. 입찰이 더 복잡해짐에 따라, 출판사 측에는 동적이고 데이터 기반의 의사결정이 필요했습니다. 그것이 문제를 재건해야 할 가치가 있는 간격이었습니다.
오늘날 마일은 기존의 출판사 스택 위에서 작동하는 인공지능 최적화 계층입니다. 현재 출판사에게 마일 플랫폼이 해결하는 핵심 문제는 무엇입니까?
핵심 문제는 조정입니다.
출판사들은 이미 복잡한 스택을 실행하고 있습니다 – 프리비드, 아마존, 애드엑스, 여러 개의 SSP – 그러나 각 구성 요소는 독립적으로 작동합니다. 입찰을 넘어서서 “이 재고를 현재 실제 시장 행동을 고려하여 어떻게 가격을 매기고 라우팅해야 하는가?”라는 질문을 하는 네이티브 시스템이 없습니다.
마일은 스택 위에 지능 계층으로 작동합니다. 우리는 프리비드나 기존 수요를 대체하지 않습니다. 우리는 출판사들이 실제 입찰 결과를 피드백으로 사용하여 더 나은 실시간 가격 및 자격 결정에 도움을 줍니다.
실제로는, 경쟁이 존재할 때 가치를 보호하고 경쟁이不存在할 때 불필요한 제한을 피하는 것을 의미합니다. 그리고 모두가 배달을 불안정하게 하지 않습니다.
마일의 인공지능은 각 출판사의 자체 입찰 데이터를 활성화 전에 훈련합니다. 라이브 프로그램 방식 환경에서 사이트별 훈련이 इतन 중요하게 여겨지는 이유는 무엇입니까?
프로그램 방식 시장은 매우 지역적이기 때문입니다.
유사한 오디언스를 가진 두 출판사라도 매우 다른 수요 탄력성, 입찰자 중복, 지연 프로파일, 수익 감도 등을 가질 수 있습니다. 공유 데이터에 훈련된 일반 모델은 실제로 존재하지 않는 평균을 학습합니다.
출판사의 자체 입찰 기록에 훈련함으로써 마일은 그들의 수요가 가격, 경쟁, 세분화에 어떻게 반응하는지 학습합니다. 그렇게 하면 시스템은 필요한 곳에서 보수적으로 작동하고, 신호 강도가 충분히 강할 때는 적극적으로 작동할 수 있습니다.
사이트별 훈련은 좋을 뿐만 아니라, 라이브 입찰에서 인공지능을 사용할 수 있도록 하는 것입니다.
마일은 기계 학습을 사용하여 실시간으로 최소 광고 가격을 계속해서 조정하여 수요 신호에 반응하면서 채움 비율을 손상하지 않습니다. 프로그램 방식 광고에서 이러한 적응형 가격 설정을 올바르게 하기 어렵게 만드는 이유는 무엇입니까?
가격 오류는 비대칭적이기 때문입니다.
재고를 저렴하게 가격을 매기면 비용은 숨겨져 있습니다. 만약에 비싸게 가격을 매기면, 즉시 패널티가 있습니다 – 채움 비율 손실, 수익 손실, 그리고 깨진 신뢰. 그래서 대부분의 가격 시스템은過度하게 공격적이거나 영구적으로 주의적입니다.
그 위에, 입찰은 비정상적입니다. 구매자 전략은 하루 종일, 지리적으로, 그리고 더 넓은 시장 상황에 따라 변경됩니다. 정적 규칙은 빠르게 깨집니다.
적응형 가격 설정은 시스템이 불확실성을 이해하고, 안전하게 테스트하고, 언제 행동하지 않아야 하는지 알고 있을 때만 작동합니다. 그것은 CPM을 최대화하는 것보다 안정성을 유지하면서 조건이 허용할 때 업사이드를 포착하는 것에 관한 것입니다.
인공지능이 가격 결정에 영향을 미칠 때 출판사에게 투명성과 제어가 중요합니다. 마일에서 출판사에게 투명성과 제어를 어떻게 생각하시나요?
인공지능은 출판사를 대신하여 작동해야 합니다.
마일에서, 출판사들이 경계를 정의합니다 – 가격 범위, 재고 범위, 롤아웃 속도, 성능 임계값. 시스템은 그 경계 안에서 작동하고, 무엇이 변경되고 어떻게 결과에 영향을 미치는지에 대한 명확한 가시성을 제공합니다.
우리는 불투명한 자동화를故意적으로 피합니다. 출판사들은 세그먼트화, 일시 중지 또는 롤백을 언제든지 수행할 수 있으며, 가격 결정이 승리 비율, CPM, 수익과 어떻게 상관관계가 있는지 볼 수 있습니다.
신뢰는 가시성과 제어에서 비롯됩니다. 모델을 “신뢰”하도록 출판사를 요청하는 것이 아닙니다.
프리비드와 IAB 테크 랩과 함께하는您的工作은 마일의 기술을 구축하고 관리하는 방식에 어떻게 영향을 미치나요?
프리비드와 IAB 테크 랩과密接하게 협력함으로써, 생태계 수준의 사고의 중요성을 강조합니다.
단기 최적화는 입찰을歪曲하거나 엣지 케이스를 악용하는 경향이 있습니다. 장기적인 가치는 개방적이고 투명한 시스템을 강화함으로써 나옵니다. 출판사가 제어를 유지하는 시스템에서입니다.
그 관점은 마일의 아키텍처와 治理를 형성합니다. 우리는 기존 프레임워크에 깔끔하게 통합하고, 입찰 메커니즘을尊重하며, 시스템을 약화시키거나 개방형 교환에 대한 신뢰를 훼손하는 논리를 피합니다.
우리의 목표는 출판사 측의 의사결정을 더智能적으로 만드는 것입니다. 그러나 그것이 의존하는 시스템을 약화시키지 않습니다.
많은 인공지능 기반 수익화 도구는 성과를 약속하지만 실제로 실패합니다. 귀하의 경험에 따르면, 지속적인 결과를 제공하는 시스템과 그렇지 않은 시스템을 구분하는 것은 무엇입니까?
차이점은 시스템이 실제 생산 현실에 구축되었는지 여부입니다.
많은 도구는 정적 목표를 최적화하고 조건이 유지될 것이라고 가정합니다. 라이브 시장에서, 그렇지 않습니다. 수요가 적응하고, 전략이 변경되고, 어제의 신호는 오늘의 노이즈가 됩니다.
지속하는 시스템은 생산을 연속적인 학습 환경으로 취급합니다. 그것들은 끊임없이 측정하고, 주의 깊게 적응하며, 확신이 낮을 때는 우아하게 퇴화합니다.
同じ하게 중요하게, 시스템은 모든 곳에서 개입하지 않습니다. 그것은 선택적으로 작동하며, 신호가 충분히 강할 때만 변경을 정당화합니다.
프라이버시 변경, 신호 손실, 시장 변동성이 프로그램 방식 광고를 계속해서 재편성함에 따라, 현재 출판사에게 인공지능이 가장 많은 레버리지를 제공하는 곳은 어디입니까?
가장 큰 레버리지는 시장 행동을 이해하는 것입니다. 사용자 정체성을 이해하는 것이 아닙니다.
주소 지정 가능성이 감소함에도 불구하고, 입찰은 여전히 풍부한 신호를 생성합니다 – 입찰 밀도, 가격 분산, 응답 패턴, 경쟁 중복. 이러한 신호는 인간이 대규모로 해석하기 어렵지만 기계 학습에 적합합니다.
인공지능을 사용하면 출판사들이 실제로 어떻게 행동하는지에 따라 수요를 최적화할 수 있습니다. 사용자 정체성 프록시에 의존하는 대신에, 점점 더 취약해지는 것입니다.
마일은 여러 티어 1 시장에서 프리미엄 출판사와 협력합니다. 지역별로 수요 동태나 최적화 전략에 차이가 있는지 보십니다.
기본적으로는 일관성이 있지만, 위험 프로파일은 다릅니다.
북미는 일반적으로 더 깊고, 더 변동성이 큰 입찰을 가지고 있으며, 빠르게 움직일 수 있지만過度하게 반응하지 않는 적응형 시스템을 보상합니다.
유럽 시장은 일반적으로 더 제한적이고 안정적이며, 정밀도와 보수성을 더 중시합니다.
아시아 태평양 지역에서는, 분할과 지연의 가변성으로 인해 하방 보호와 배달 안정성이 수익 최적화만큼 중요합니다.
지역을 넘어서, 공통된 교훈은剛性 논리가 실패하고, 출판사별 적응형 시스템이 더 잘 작동한다는 것입니다.
현재 마일의 최적화 계층을 평가하는 출판사에게, 마일이 제공하는 것과 언제 가장 큰 영향을 미치는지 이해해야 할 내용은 무엇입니까?
마일은 스택의 대체물이 아니며,捷徑이 아닙니다.
마일은 가장 큰 영향을 미칠 때, 이미 수요가 있지만, 실시간으로 지능적으로 가격을 매기고 조정할 수 없는 출판사에게 제공됩니다. 그것은 일반적으로 수동 규칙과 정적 가격 플로어가 성과를 내기 시작할 때입니다.
출판사들은 마일을 지능형 계층으로 생각해야 합니다. 그것은 시간이 지남에 따라 출판사의 시장, 제약 조건 내에서 작동하며, 조건이 발전함에 따라 의사결정의 질을 개선합니다.
만약 빠른 해법을 찾고 있다면, 그것은 잘못된 도구입니다. 만약 장기적인 회복력과 제어를 구축하고 있다면, 그것이 마일이 가장 잘 맞는 곳입니다.
이번 인터뷰 감사합니다. 더 많은 정보를 원하는 독자는 마일을 방문하십시오.
