Eric Picard, SVP van Product bij Fluency – Interviewreeks

Eric Picard, Senior Vice President van Product bij Fluency, is een ervaren product- en technologie-executive die decennialang digitale advertentieplatforms, geautomatiseerde markten, datasystemen en consumentgerichte producten heeft ontwikkeld. Voordat hij bij Fluency kwam, had hij senior leiderschapsrollen bij Microsoft, Pandora, MediaMath, Yieldmo en BARK, waar zijn verantwoordelijkheden varieerden van advertentietechnologie-strategie en programmatie tot productbeheer, datascience, engineering en grootschalige platformmodernisering. Picard is ook een serial ondernemer die Bluestreak, Rare Crowds, Questori en andere technologiebedrijven heeft opgericht, waarvan Bluestreak en Rare Crowds uiteindelijk zijn overgenomen. Zijn carrière heeft onder meer het helpen ontwerpen van een vroege real-time biedingsadvertentiebeurs, het lanceren van programmatieke audioadvertentieproducten, het ontwikkelen van geautomatiseerde inventariscuratietechnologie en het adviseren van bedrijven over kunstmatige intelligentie, productstrategie, bedrijfstransformatie en fusies en overnames.

Fluency ontwikkelt een Digitale Advertentiebesturingsysteem dat bedoeld is om agentschappen, merken en multilocatiebedrijven te helpen bij het beheren van betaalde mediacampagnes over zoekmachines, sociale media, programmatieke platforms, gesloten tuinen en het open web. Het platform centraliseert gegevens, creatieve middelen, voorraad, nalevingsvereisten, doelgroepen, campagnestrategie, rapportage en uitvoeringsworkflows, met behulp van automatisering en kunstmatige intelligentie om repetitief operationeel werk te verminderen en campagnes op grote schaal te coördineren. Fluency richt zich steeds meer op agente advertenties, waaronder beheerde AI-gestuurde workflows die campagnes kunnen uitvoeren en optimaliseren terwijl strategische en merkcontroles worden gehandhaafd. Het bedrijf zegt dat zijn technologie meer dan 250.000 campagnes per maand ondersteunt en ongeveer 3 miljard dollar aan jaarlijks advertentie-uitgaven beheert.

Uw carrière heeft verschillende fundamentele perioden in digitale advertenties omvat, van het oprichten van Bluestreak en het helpen van het vaststellen van vroege digitale advertentiestandaards tot het bijdragen aan de architectuur van een van de eerste real-time biedingsbeurzen. Hoe hebben die ervaringen uw aanpak beïnvloed voor het opbouwen van de volgende generatie agente advertentiesystemen bij Fluency?

Ik ben heel fortuinlijk geweest in mijn carrière om een gebied te hebben gevonden dat op een multifacetteerde manier interessant is met digitale advertenties. Ik kreeg de kans om deel uit te maken van het mechanisme dat de groei van het internet financierde. Ik heb de kans gehad om te helpen uitvinden of deel uit te maken van de uitvinding van enkele van de fundamentele mechanismen van hoe digitale advertenties functioneren. En de technische uitdagingen in deze ruimte zijn gelijk aan die in elke software. Dus het is altijd interessant.

Met Bluestreak kregen we de kans om enkele van de eerste advertentievormen te bouwen, waaronder enkele van de eerste video- en audioadvertenties. We waren de eerste die multitouch-attributie deden, de eerste die een tagbeheersysteem aanboden en de eerste die multitouch over alle digitale mediavormen aanboden. Dit leidde ertoe dat we werden uitgenodigd om de eerste indrukstandaard te co-schrijven met de Interactive Advertising Bureau (IAB) en de Media Rating Council (MRC).

Toen ik naar Microsoft ging, had het bedrijf besloten om te investeren in advertentietechnologie omdat ze zagen dat Google meer geld verdiende per kopie van Windows dan Microsoft, allemaal vanwege digitale advertenties. Ze boden me een rol aan die heel aantrekkelijk was, de kans om de wereldwijde strategie te schrijven voor hoe Microsoft het advertentietechnologiegebied moest betreden.

We besloten om groot te worden in advertentietechnologie, en ik was de verantwoordelijke om de build/buy/partner-strategie uit te voeren. Ik kreeg de kans om due diligence uit te voeren op meer dan 150 bedrijven, we kochten zeven bedrijven en we investeerden zwaar in het groeien van interne teams. Toen ik aankwam, hadden we ongeveer 200 ingenieurs die aan advertentietechnologie werkten, en we hadden ongeveer 750 miljoen dollar aan mediarevenue. Toen ik wegging, hadden we 1.500 ingenieurs die aan advertentietechnologie werkten, en meer dan 5 miljard dollar aan omzet. Vandaag de dag is de omzet uit zoekadvertenties ongeveer 15 miljard dollar, maar toen was het een ongelooflijk aantal.

Een van de bedrijven die ik bekeek en die we uiteindelijk kochten, was AdECN. Dit was Jeff Greens eerste bedrijf, voordat hij The Trade Desk oprichtte. We hadden gekeken naar het kopen van Right Media, wat de reden was dat ik Brian O’Kelley goed leerde kennen, maar we gaven het op. We voelden dat er een kans was voor een asynchrone wereldwijde veiling die meerdere externe bieders toeliet om verbinding te maken met de beurs. Dus we kochten het en hielpen hen een robuust ingenieurs-team op te bouwen om de visie uit te voeren.

Toen AdECN klaar was om de eerste real-time biedingsbeurs (RTB) te lanceren, was er een strijd over benaderingen, en het kwam nooit uit de bètafase.

Er waren twee resultaten van dit die het hele advertentie-ecosysteem veranderden. Ten eerste begon Brian O’Kelley AppNexus nadat hij bij Right Media wegging, en toen het duidelijk werd dat AdECN nooit van de grond zou komen, bepleitte ik de kans om samen te werken met AppNexus. Dit leidde uiteindelijk tot een grote investering in het bedrijf en een sterke partnership die uiteindelijk eindigde met hun overname door Microsoft. Het tweede belangrijke resultaat was dat Jeff Green Microsoft verliet, een paar van de ingenieurs die de RTB-beurs bij AdECN hadden gebouwd meenam en The Trade Desk oprichtte.

Toen je naar de eerste boog van mijn carrière kijkt, die van 1997 tot 2010 liep, heeft dat enkele langetermijnzaden geplant die nu interessante vruchten hebben voortgebracht. Ik ben naar verschillende rollen gegaan, waaronder mijn startup Rare Crowds, waar we Programmatic Curation hebben uitgevonden. Ik heb tijd doorgebracht bij bedrijven als Pandora, waar we een geweldige audioadvertentiebusiness hadden, waaronder de grootste audioadvertentiebeurs, en Yieldmo, waar we de eerste privacy-georiënteerde advertentiebeurs hebben gebouwd. Tijdens die periode kreeg ik de kans om deel uit te maken van de raad van bestuur van de IAB Techlab en werd ik uitgenodigd om deel uit te maken van het executive comité van de raad. En ik ben doorgegaan met het werken aan industrienormen al die jaren.

Vorig jaar zag Brian O’Kelley de kans om een industrienorm voor Agente Advertenties te bouwen, die AdCP wordt genoemd en wordt beheerd door AgenticAdvertising.org. Brian en ik praatten over waar er gaten waren in het werk dat werd gedaan, en ik bood aan om de eerste specificatie voor Governance en Compliance voor AdCP te schrijven.

Een paar maanden nadat ik het had geschreven, werd ik benaderd door Fluency. Toen ik eenmaal begon te leren wat ze hadden gebouwd, was ik onder de indruk. Ze hadden effectief alles opgelost wat ik in mijn specificatie had genoemd. Ze hadden al acht jaar agente advertenties gedaan, lang voordat LLM’s klaar waren om “agente” te worden.

Ik zag dat de deterministische aanpak die ze hadden genomen met hun agenten exact was wat nodig was om de behoeften van LLM-gestuurde agenten te vervullen, die inherent probabilistisch zijn. Dat betekent gewoon dat LLM’s goed zijn in “denken” en creatief zijn, maar ze zijn verschrikkelijk in het doen van hetzelfde, op dezelfde manier, elke keer. Elke aanpak heeft zijn eigen zwakheden, maar samen lossen ze het probleem van agente advertenties op.

Mijn visie was compatibel met die van het Fluency-leiderschapsteam en ik sloot me aan om het product hier te leiden. Nu gaan we volledig vooruit naar een wereld waarin agenten veilig kunnen transacteren op advertenties met mensen in de lus waar nodig, en LLM-gestuurde agenten deterministische leidraden krijgen om hun gedrag te beheren.

Ik voel me heel fortuinlijk om zo veel van de golven van grote veranderingen in digitale advertenties te hebben bereden, van de eerste indrukstandaard tot de uitvinding van real-time bieden, tot de uitvinding van Curation, tot de komst van Agente Advertenties. Het is een wilde rit geweest, en ik heb nog steeds plezier en ben opgewonden over de kansen in deze ruimte.

Real-time bieden gaf software de mogelijkheid om financiële beslissingen te nemen in milliseconden. Welke lessen uit de ontwikkeling van programmatieke advertenties moeten ontwikkelaars van vandaag overwegen bij het geven van AI-agenten grotere operationele autonomie?

In programmatieke advertenties gebruikten we Machine Learning, een vorm van AI, om beslissingsmotoren te bouwen die tientallen miljoenen beslissingen per seconde konden nemen. Dit vereist een ongelooflijke hoeveelheid rekenkracht, gegevensverwerking, enorme hoeveelheden infrastructuur en, voordat de komst van generatieve AI, zou ik betogen dat het een van de meest significante ontwikkelingen in alle software was.

Voor alle kracht zijn er ook enorme inefficiënties in het programmatieke model, en een enorm complex ecosysteem dat veel te veel elektriciteit (en dus te veel koolstof) per advertentie-impressie verbrandt. Maak me niet verkeerd, ik hou van de programmatieke ruimte, en ik ben onder de indruk van wat we hebben gecreëerd. Maar het voelt alsof we een machine hebben gebouwd die veel complexer is dan de opbrengst die we ervoor krijgen.

Hoewel dezelfde argumenten kunnen worden gemaakt voor Generatieve AI, zijn de plaatsen waar LLM-gestuurde agenten moeten leven in het ecosysteem de interfaces, niet het hart van elke enkele transactie. En door LLM’s zorgvuldig te combineren met deterministische agenten, kunnen we transacties veel efficiënter beheren en complexiteit aanzienlijk verminderen.

Er zijn twee belangrijke initiatieven in de industrie, gericht op het injecteren van LLM-gestuurde agenten in de workflow van transacties. De IAB TechLab heeft de Agentic Advertising Management Protocols (AAMP)-initiatief opgezet, dat mechanismen mogelijk maakt om LLM’s in de RTB-infrastructuur te proxyen door beslissingen van tevoren te nemen en ze te cachen in de real-time systemen van het ecosysteem. Het AdCP-project is gericht op wat ik “accountniveau”-integraties noem. Dat wil zeggen dat alle werk dat door mensen in de campagnebeheer- en creatieve workflows voor advertenties wordt gedaan, geautomatiseerd kan worden. Terwijl AAMP super waardevol en interessant is, is het het verbeteren van een complex modern systeem. AdCP gaat een probleem aan dat al vanaf het begin van de industrie bestaat, en een probleem dat Fluency al acht jaar aan het oplossen is. Dus we gaan diep in op AdCP, maar we zullen uiteindelijk ook in AAMP duiken.

Fluency heeft effectief het laatste mijlprobleem opgelost dat nooit in de advertentietechnologiesector is aangepakt: de enorme inefficiënties in het creëren en beheren van advertentiecampagnes op account-, campagne- en creatief niveau. En ik geloof echt dat het werk dat we doen net zo’n significante kans is voor advertenties als wat we hebben uitgevonden met RTB. Terwijl we LLM’s in de workflows integreren die Fluency al heeft geautomatiseerd, verhogen we de waarde van het hele systeem.

Fluency scheidt probabilistische AI-redenering van de deterministische systemen die campagneveranderingen uitvoeren. Waarom is het momenteel te riskant om een groot taalmodel direct advertentiebudgetten te laten beheren?

Ik denk dat dit een fundamenteel soort probleem is dat LLM’s waarschijnlijk altijd zullen hebben. Probabilistische motoren zijn ontworpen om verschillende antwoorden te geven op dezelfde vraag elke keer. Zelfs als ze ongelooflijk goed zijn in het denken, zijn ze verschrikkelijk in deterministische dingen. Laten we rekenen als voorbeeld gebruiken:

LLM’s kunnen letterlijk niet optellen, aftrekken, vermenigvuldigen of delen. Nu zou je dat misschien niet beseffen, omdat wanneer je een vraag stelt die rekenen vereist, ze je het juiste antwoord kunnen geven. Maar wat de meeste mensen niet weten, is dat ze dit doen door scripts te schrijven en die code uit te voeren om berekeningen uit te voeren. Dat is waar we het hier over hebben: het snijvlak van een probabilistisch LLM dat begrijpt dat het geen rekenen kan, dat zijn eigen deterministische stuk software bouwt om berekeningen uit te voeren om de gevraagde taak op te lossen.

Ook al kan het LLM nu “magisch” rekenen, zou ik nooit een LLM mijn financiën laten beheren en aandelenhandelbeslissingen voor me laten nemen. Ik zou nooit een LLM mijn belastingen laten doen en indienen zonder enige vorm van controle. Verdomme, ik zou niet eens een LLM een e-mail of blogpost laten schrijven zonder zorgvuldig te controleren of alles waar is.

Terwijl ze slimmer en beter worden in het uitvoeren, zullen ze misschien op een dag in staat zijn om deze dingen te doen. Maar mijn gok is dat ze dat zullen doen door hun eigen deterministische software te schrijven om de delen van het probleem aan te pakken die het nodig hebben.

Fluency is er vandaag – we hebben de deterministische leidingen om advertenties te beheren. We integreren LLM’s in dat platform, gebruiken ze voor de dingen waar ze goed in zijn. En we stellen ons platform open voor externe agenten zodat ze over onze leidingen kunnen uitvoeren. Uiteindelijk zie ik dit als het bouwen van de poort naar het advertentie-ecosysteem, waar een LLM-gestuurde agent kan transacteren op elk mediaplatform door in één plaats te integreren. Maar we zijn allemaal een beetje ver van die langetermijnuitkomst!

Hoe beoordeelt Fluency’s deterministische uitvoeringslaag de aanbevelingen van een AI-agent voordat ze een live-campagne mogen beïnvloeden, en welke soorten regels of beperkingen kunnen adverteerders instellen?

We bieden mechanismen voor mensen (of LLM’s) om deterministische instructies te maken die elke keer op dezelfde manier zullen worden uitgevoerd op advertentieplatforms. Dit is een groot probleem dat moet worden opgelost in elke industrie. Voor advertenties is het bedrijf dat dit probleem oplost Fluency. We maken het mogelijk om bedrijfsregels en heuristieken te maken voor elke actie die een van onze klanten zou kunnen uitvoeren op een advertentieplatform. Als het mogelijk is om IF/THEN-logica te maken voor een probleem, maakt ons platform het mogelijk om die te coderen in bedrijfsregels die elke keer op dezelfde manier worden gevolgd.

Dit is cruciaal om te begrijpen. Er zijn veel beslissingen die mensen elke keer op dezelfde manier nemen wanneer ze een specifieke situatie zien. Dit stelt ons in staat om dingen te doen zoals het coderen van budgetbeheersregels, het genereren van campagnes of creatives terwijl we naamtaxonomieën afdwingen, of het automatisch opschalen en afschalen van advertentiecampagnes en creatives op basis van triggers in externe datasets.

Bijvoorbeeld kan een autodealer een nieuwe zending auto’s krijgen. Fluency kan het inventarisbeheersysteem van de dealer lezen en automatisch campagnes en creatives genereren voor het exacte merk, model, zelfs de kleur en specifieke kenmerken van elke specifieke auto, binnen enkele minuten nadat de auto’s op de parkeerplaats staan. En wanneer de laatste auto is verkocht, kunnen we die campagnes automatisch uitschakelen.

Dit is behoorlijk significant, omdat de bedrijfsbeslissingen om al deze dingen te doen heel eenvoudig zijn wanneer ze een voor een worden genomen. Het is het “dood door duizend sneden”-probleem in het beheren van advertenties vandaag dat verdwijnt. Onze klanten vinden dat dit hun teams vrijmaakt van het de hele dag blussen van branden om het werk te doen dat ertoe doet om de naald voor hun klanten te verplaatsen.

Advertentiestrategie en creatieve ontwikkeling vereisen vaak experimenten en subjectieve oordelen. Hoe kunnen organisaties de flexibiliteit van generatieve AI behouden en tegelijkertijd ervoor zorgen dat campagne-uitvoering voorspelbaar en compliant blijft?

Alles wat we tot nu toe hebben besproken, heeft het kader opgebouwd om dit op een eenvoudige manier te beantwoorden. De dingen die kunnen worden gecodeerd in bedrijfsregels zijn correct ingesteld om die eenvoudige beslissingen uit te voeren die elke keer hetzelfde zijn. LLM’s kunnen helpen bij het analyseren en patroonherkennen, net als alle andere vormen van AI zoals Machine Learning, die een lange geschiedenis in advertentietechnologie heeft. Maar de echte truc is om de mechanismen op hun plaats te hebben om een mens te vragen om in te grijpen als het probleem niet zo duidelijk is. Onze klanten kunnen hun risicotolerantie voor dit instellen, dus als het probleem laagrisico is, kunnen ze besluiten om de machines de beslissing te laten nemen. Maar voor dingen die echt menselijke beslissingen vereisen, waarschuwen we ze en stellen we ze in staat om het stuur over te nemen.

Fluency’s platform werkt over zoek-, sociale en programmatieke advertentiekanaal heen. Welke technische uitdagingen ontstaan wanneer een AI-agent moet redeneren over platforms met verschillende gegevensstructuren, optimalisatiesystemen en beleidsvereisten?

Elk advertentieplatform heeft een unieke set van best practices en mogelijkheden. API’s zijn de vaste leidingen die we aansluiten om die platforms extern aan te sturen. API’s zijn heel goed gedocumenteerd, maar die documentatie is echt de set regels voor wat er op die platforms kan worden gedaan. Ze zijn niet de belichaming van best practices voor dat specifieke platform.

LLM’s kunnen veel informatie in context opnemen zodat de best practices voor het gebruik van elk platform beschikbaar kunnen worden gemaakt via hen. Omdat Fluency veel platforms voor veel agentschappen en adverteerders aanstuurt, kunnen we de best practices van elke klant (namens hen) coderen in instructies die een LLM kan volgen om gedifferentieerde best practices voor elke klant te bieden. Onze klanten hebben allemaal hun eigen “playbooks” voor hoe ze hun bedrijven runnen, en Fluency laat hen die playbook coderen in deterministische regels waar mogelijk, en op termijn zullen we ze inschakelen als instructiesets voor LLM-gestuurde agenten waar dat zinvol is.

We beginnen nu met onze klanten te werken aan deze volgende generatie ontwikkeling om deze complexere scenario’s in hun accounts op ons platform te coderen. Het is nog vroeg. Iedereen die zegt dat ze een deel van dit hebben opgelost met LLM’s, strekt de waarheid, omdat dingen zo vroeg zijn en de modellen zo snel evolueren dat niemand dit volledig heeft opgelost. Maar we zijn goed gepositioneerd om met onze klanten te werken om dit op te lossen.

Wat zou effectieve menselijke toezicht moeten zijn in een agente advertentieomgeving? Welke beslissingen kunnen veilig autonoom worden en welke moeten blijvend menselijke controle of goedkeuring vereisen?

Elke klant heeft een andere risicotolerantie, en de meesten van hen hebben nooit een systeem gehad dat dit kan uitdrukken. In Fluency wordt de oordeel dat een goede campagnebeheerder in zijn hoofd toepast, eenmaal gecodeerd en vervolgens identiek toegepast op elk account, elk platform, elke keer. De situaties die geen duidelijk antwoord hebben, worden automatisch doorgestuurd naar een persoon, met de context die ze nodig hebben om de beslissing te nemen.

Wat dit in de praktijk betekent, varieert veel. We voeren een groot aantal regels uit voor onze klanten vandaag, helpen hen bij het coderen van menselijke beslissingen die niet variëren, en duwen door naar een mens wanneer het antwoord niet duidelijk is.

Welke beslissingen veilig autonoom kunnen worden, hangt af van de klant, en ik denk dat een universeel antwoord niet veel waard is. Het platform moet de lijn afdwingen waar een klant die trekt, en hen toelaten om die te verplaatsen naarmate hun vertrouwen groeit.

Als agenten meer campagnebeslissingen nemen, hoe moeten platforms de redenering, gegevens en regels achter elke actie documenteren zodat adverteerders campagneprestaties kunnen auditen, fouten kunnen onderzoeken en compliance kunnen aantonen?

Een van de kernwaarden die Fluency biedt, is dat we SOC2-compliant zijn en volledig auditeerbaar zijn. Veranderingen worden over het hele systeem bijgehouden. Ik ben eerder CPTO van een beursgenoteerd bedrijf geweest en heb eerder verantwoordelijkheid gehad voor compliance, dus ik weet hoe complex dit kan zijn. Het is nog een reden waarom ik me bij Fluency aansloot, omdat elk aspect van wat we doen volledig auditeerbaar is. We onderhouden ook wijzigingslogboeken voor elke wijziging die in het systeem wordt aangebracht, gegenereerd tegen de gebruiker of agent die het heeft geïnitieerd.

Er is een tweede laag die ertoe doet. Omdat de bedrijfsregels in software zijn gecodeerd, is de regel zijn eigen specificatie. Er is geen verschuiving tussen de documentatie en het gedrag, wat de plek is waar audits meestal falen. En in een LLM-geactiveerde wereld kan die gecodeerde logica opnieuw worden weergegeven in gewone bedrijfstaal op aanvraag, zodat de persoon die de audit uitvoert niet hoeft te lezen om te begrijpen wat het systeem is geïnstrueerd om te doen.

Voor een agentschap of merk dat agente advertenties begint te adopteren, welke workflows vormen het beste startpunt, en welk bewijs zou de organisatie moeten vereisen voordat ze de autoriteit van een agent uitbreiden?

Vanuit het perspectief van Fluency is agente advertentie vertrouwd terrein. We doen dit al acht jaar. We hebben honderden agentschappen en merken die ons platform gebruiken om agente advertenties te doen, en in de multilocatie-ruimte, dat is over tienduizenden locaties.

We automatiseren de meeste dingen die mensen herhaaldelijk doen bij het opzetten en beheren van campagnes, over zoekmachines, sociale media en programmatieke platforms heen, dus er is geen workflow die een beter of slechter startpunt vormt. Het beste startpunt is welk kanaal onze klant het meest arbeidsintensief vindt.

LLM’s helpen ons ook om sneller onze klanten aan boord te krijgen, omdat, zoals je je kunt voorstellen, het coderen van een klantspecifieke bedrijfsregels net zo veel werk is als het uitvoeren van een CRM-implementatie, gemeten in maanden. We bouwen tools die LLM’s gebruiken om de regelsets te helpen bouwen en de automatiseringsscripts te schrijven. Dit zal het onboardingsproces veel sneller maken en de complexiteit voor onze klanten verminderen.

Advertentie is een vroeg testgebied voor autonome systemen die op grote schaal echt geld beheren. Welke lessen uit deze industrie kunnen worden toegepast op financiële diensten, gezondheidszorg, enterprise-inkoop of andere gereguleerde sectoren die AI-agenten adopteren?

Advertentie is het testgebied geweest voor autonome systemen die echt geld uitgeven op grote schaal. Programmatieke advertenties hebben de industrie geleerd hoe ze software kunnen laten beslissen om miljarden dollars per dag uit te geven zonder dat een mens elke transactie goedkeurt. De meeste huidige conversaties over agente AI gebeuren op een schaal die advertenties al lang geleden zijn ontstegen.

Fluency heeft meer dan 3 miljard dollar aan jaarlijkse uitgaven die via ons platform lopen, over honderden agentschappen en merken heen, en in de multilocatie-ruimte, dat bereikt tienduizenden locaties. De meeste conversaties over agente advertenties gaan nu over proefbudgetten en een handvol accounts.

Wat wordt overgedragen naar andere sectoren is de architectuur. Je scheidt de systemen die beslissen van de systemen die uitvoeren. De beslissingslaag kan probabilistisch zijn, omdat oordeel baat heeft bij flexibiliteit en creativiteit. De uitvoeringslaag moet deterministisch zijn, omdat geld verplaatsen geen plek is waar je variatie wilt. Elke actie wordt bijgehouden tegen de gebruiker of agent die het heeft geïnitieerd, wat een audittrail oplevert die voor een regulator standhoudt.

Die vereiste is identiek in financiële diensten, in medische claims, in enterprise-inkoop. Het ontwerp dat we voor advertenties hebben gebouwd, is het juiste: volledige auditeerbaarheid met wijzigingslogboeken voor elke wijziging is een vereiste. Ik ben vooral bezorgd over niet-menselijke oordeel in dingen als het goedkeuren van medische procedures en het goedkeuren van verzekeringsclaims. Ik denk niet dat LLM’s daar nog zijn, en ik heb persoonlijke voorbeelden in mijn eigen leven van geautomatiseerde systemen die heel slechte beslissingen nemen over het goedkeuren of afkeuren van verzekeringsclaims.

Mijn verwachting is dat het patroon dat advertenties vaststellen het patroon wordt dat die sectoren zullen aannemen. We hebben een voorsprong van twintig jaar op het probleem van machines die honderden miljoenen keren per seconde geld uitgeven. Fluency’s aanpak strekt zich uit van de transactie tot de workflow, en ik ben ervan overtuigd dat onze aanpak ook degene zal zijn die wint.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Fluency bezoeken.