Eric Picard, SVP for produkt i Fluency – Intervju-serie

Eric Picard, Senior Vice President for produkt i Fluency, er en erfaren produkt- og teknologisjef som har tilbragt årevis med å utvikle digitale annonseplattformer, automatiserte markedsplasser, datasystemer og kundeorienterte produkter. Før han kom til Fluency, hadde han ledende roller i Microsoft, Pandora, MediaMath, Yieldmo og BARK, hvor hans ansvar omfattet annonseteknologi-strategi og programmatisk medie, produktledelse, datavitenskap, ingeniørarbeid og stor skala plattformmodernisering. Picard er også en seriell gründer som har startet Bluestreak, Rare Crowds, Questori og andre teknologiselskaper, hvor Bluestreak og Rare Crowds til slutt ble kjøpt opp. Hans karriere har inkludert å hjelpe med å utforme en tidlig realtids budsatt annonsebørs, lansere programmatisk lydannonseprodukter, utvikle automatisert lagerkureringsteknologi og rådgive selskaper om kunstig intelligens, produktstrategi, bedriftsomforming og fusjoner og oppkjøp.

Fluency utvikler et digitalt annonseoperasjonssystem som er designet for å hjelpe byråer, merker og flerlokale bedrifter med å håndtere betalte mediekampanjer på tvers av søk, sosiale medier, programmatisk plattformer, walled gardens og det åpne nettet. Plattformen sentraliserer data, kreative aktiver, lager, krav til overholdelse, målgrupper, kampanjestrategi, rapportering og gjennomføringsarbeidsflyt ved å bruke automatisering og kunstig intelligens for å redusere gjentakende operasjonelt arbeid og koordinere kampanjer i stor skala. Fluency fokuserer stadig mer på agensbasert annonsering, inkludert styrt AI-drevne arbeidsflyt som kan utføre og optimere kampanjer samtidig som de opprettholder definerte strategiske og merkekontroller. Selskapet hevder at deres teknologi støtter over 250 000 kampanjer hver måned og håndterer omtrent 3 milliarder dollar i årlig annonseutgift.

Karrieren din har omfattet flere grunnleggende perioder i digital annonsering, fra å starte Bluestreak og hjelpe med å etablere tidlige digitale annonsestandarder til å bidra til arkitekturen til en av de første realtids budsatt annonsebørsene. Hvordan har disse erfaringene formet din tilnærming til å bygge neste generasjons agensbasert annonseringssystemer i Fluency?

Jeg har vært veldig heldig i min karriere til å finne et område som var interessant på en måte som digital annonsering. Jeg fikk være en del av mekanismen som finansierer veksten av Internett. Jeg har fått være med å oppfinne eller være en del av oppfinnelsen av noen av de grunnleggende mekanismene for hvordan digital annonsering fungerer. Og de tekniske utfordringene i dette området rivaliserer noen i programvare. Så det er alltid interessant.

Med Bluestreak fikk vi bygge noen av de første av nesten hver annonseformat, inkludert noen av de første video- og lydannonser. Vi var de første som gjorde multi-touch attribuering, de første som tilbød et tag-håndteringssystem og de første som tilbød multi-touch på alle digitale medietyper. Dette ledet til at vi ble invitert til å med-forfattere den første inntrykksstandarden sammen med Interactive Advertising Bureau (IAB) og Media Rating Council (MRC). 

Når jeg gikk til Microsoft, hadde selskapet bestemt seg for å investere i annonseteknologi fordi de så at Google tjente mer penger per kopi av Windows enn Microsoft gjorde, alt på grunn av digital annonsering. De tilbød meg en rolle som var usedvanlig lukrativ, muligheten til å skrive den globale strategien for hvordan Microsoft skulle gå inn i annonseteknologiområdet.

Vi bestemte oss for å gå stor inn i ad-tech, og jeg var på pekepinnen for å finne ut bygge/kjøpe/samarbeidsstrategien. Jeg fikk utføre due diligence på over 150 selskaper, vi kjøpte syv selskaper og vi investerte tungt i å vokse interne team. Når jeg ankom, hadde vi omtrent 200 ingeniører som arbeidet med ad-tech, og vi hadde omtrent 750 millioner dollar i medieinntekter. Da jeg forlot, hadde vi 1 500 ingeniører som arbeidet med ad-tech, og over 5 milliarder dollar i inntekter. I dag utgjør søkeannonseinntekter omtrent 15 milliarder dollar, men på den tiden var det et usedvanlig høyt tall.

Et av selskapene jeg så på, og vi til slutt kjøpte, var AdECN. Dette var Jeff Greens første selskap, før han startet The Trade Desk.  Vi hadde sett på å kjøpe Right Media, som er hvordan jeg kom til å kjenne Brian O’Kelley ganske godt, men vi passerte på dem.  Vi følte at det var en mulighet for en asynkron global auksjon som tillot flere eksterne budgivere å koble til børsen.  Så vi kjøpte dem, og hjalp dem med å bygge en robust ingeniørteam for å utføre visjonen. 

Når AdECN var klar til å lansere den første realtids budsatt annonsebørsen, var det en kamp over tilnærmingene, og det var i realiteten aldri ute av beta-testing. 

Det var to resultater av dette som virkelig endret hele ad-tech-økosystemet. Først var at Brian O’Kelley startet AppNexus etter at han forlot Right Media, og når det var klart at AdECN aldri ville komme ut av beta, var jeg en talsperson for muligheten til å samarbeide med AppNexus. Dette ledet til en stor investering i selskapet og et sterkt samarbeid som til slutt endte med at de ble kjøpt opp av Microsoft. Det andre store resultatet var at Jeff Green forlot Microsoft, tok noen av ingeniørene som hadde bygget RTB-børsen i AdECN, og startet The Trade Desk. 

Når du ser på den første delen av min karriere, som tok oss fra 1997 til 2010, plantet det noen langvarige frø som nå har spiret noen interessante frukter. Jeg gikk videre til forskjellige roller, inkludert mitt startup Rare Crowds, hvor vi oppfant Programmatisk kurering. Jeg tilbrakte tid i selskaper som Pandora, hvor vi hadde en stor lydannonseforretning, inkludert den største lydannonsebørsen, og Yieldmo, hvor vi bygde den første privatlivssentriske annonsebørsen. I denne tiden fikk jeg muligheten til å være en del av styret i IAB Techlab og ble invitert til å være i styrets eksekutivkomité. Og jeg har fortsatt å arbeide med bransjens standarder alle disse årene.

I fjor så Brian O’Kelley muligheten til å bygge en industristandard for Agensbasert annonsering, som kalles AdCP, som håndteres av AgenticAdvertising.org. Brian og jeg snakket om hvor det var hull i arbeidet som ble gjort, og jeg tilbød å skrive den første spesifikasjonen for Styring og overholdelse for AdCP. 

Et par måneder etter at jeg skrev det, ble jeg kontaktet av Fluency. Når jeg begynte å lære hva de hadde bygget, ble jeg slått av. De hadde i realiteten allerede løst alt jeg hadde kalt ut i min spesifikasjon. De hadde vært agensbasert annonsering i åtte år, lenge før LLM-er var klare til å gå “agens”. 

Jeg så at den deterministiske tilnærmingen de hadde tatt med sine agenter var akkurat det som trengtes for å oppfylle behovene til LLM-drevne agenter, som er innebygget probabilistiske. Alt dette betyr egentlig bare at mens LLM-er er gode til å “tenke” og være kreative, er de dårlige til å gjøre det samme, på samme måte hver gang. Hver enkelt tilnærming alene har svakheter, men sammen løser de problemet med agensbasert annonsering. 

Min visjon var kompatibel med Fluencys ledelseslags visjon, og jeg gikk med på å lede Produkt her. Nå kjører vi fullt ut mot en verden hvor agenter kan trygt transaksjoner på annonsering med mennesker i løkken der det er nødvendig, og LLM-drevne agenter får deterministiske retningslinjer for å håndtere deres atferd. 

Jeg føler meg utrolig heldig til å ha ridt mange av bølgene av store endringer i digital annonsering, hele veien fra den første inntrykksstandarden til oppfinnelsen av RTB, til oppfinnelsen av kurering, til introduksjonen av Agensbasert annonsering. Det har vært en vill tur, og jeg har fortsatt gøy og er spennende på mulighetene i dette området. 

Realtids budsatt annonsering ga programvaren mulighet til å ta økonomiske beslutninger på millisekunder. Hva lærdommer fra utviklingen av programmatisk annonsering bør dagens utviklere vurdere når de gir AI-agenter større operasjonell autonomi?

I programmatisk annonsering brukte vi Maskinlæring, som er en form for AI, til å bygge beslutningsmotorer som kunne ta titall millioner beslutninger per sekund. Dette krever en usedvanlig stor mengde datamaskinkraft, datahandsaming, enorme mengder infrastruktur og før oppfinnelsen av generativ AI, ville jeg argumentere for at det var en av de mest betydelige utviklingene i all programvare. 

For all dens kraft er det også massive ineffektiviteter i det programmatisk modellen, og et enormt, komplekst økosystem som brenner for mye strøm (og derfor skaper for mye karbon) per annonseinntrykk. Ikke gå glipp av det, jeg elsker det programmatisk området, og jeg er i ånden av hva vi skapte. Men det føles som om vi har bygget en maskin mye mer kompleks enn gevinsten vi får for all den kompleksiteten.

Selv om de samme eksakte argumentene kan gjøres for Generativ AI, er stedene LLM-drevne agenter må bo i økosystemet på grenseflatene, ikke i hjertet av hver enkelt transaksjon. Og ved å blande LLM-er med deterministiske agenter på en forsiktig måte, kan vi mye mer effektivt håndtere transaksjoner samtidig som vi reduserer kompleksiteten. 

Det er to store initiativer i industrien, som sikter på å injisere LLM-drevne agenter i arbeidsflyten for transaksjoner. IAB TechLab har startet Agensbasert annonseringsledelsesprotokoller (AAMP)-initiativet, som muliggjør mekanismer for å proxy LLM-er inn i RTB-infrastrukturen ved å ta beslutninger på forhånd og cache dem i sanntidsystemene i økosystemet. AdCP-prosjektet fokuserer på hva jeg tenker på som “konto-nivå”-integreringer. Det betyr at all arbeid gjort av mennesker i kampanjeledelse og kreative arbeidsflyter for annonsering kan automatiseres. Mens AAMP er veldig verdifullt og interessant, er det forbedring av et komplekst moderne system. AdCP går etter et problem som har eksistert siden begynnelsen av industrien, og et problem som Fluency har løst i åtte år. Så vi dykker dypt inn i AdCP, men vi kommer til å dykke inn i AAMP også.

Fluency har i realiteten løst det siste miles problemet som aldri ble løst i ad-tech-området: De massive ineffektivitetene i å opprette og håndtere annonsekampanjer på konto-, kampanje- og kreativt nivå. Og jeg tror virkelig at arbeidet vi gjør er like betydelig en mulighet for annonsering som det vi oppfant med RTB. Når vi kobler LLM-er inn i arbeidsflytene som Fluency allerede har automatisert, øker vi verdien av hele systemet.

Fluency skiller probabilistisk AI-resonnering fra de deterministiske systemene som utfører kampanjeendringer. Hvorfor er det for tiden for risikabelt å la en stor språkmodell direkte kontrollere annonsebudsjett?

Jeg tror dette er et grunnleggende problem som LLM-er sannsynligvis alltid vil ha. Probabilistiske motorer er designet for å gi forskjellige svar på samme spørsmål hver gang. Selv når de er usedvanlig gode til å tenke, er de dårlige til deterministiske ting. La oss bruke aritmetikk som et eksempel:

LLM-er kan bokstavelig talt ikke addere, subtrahere, multiplisere eller dividere. Nå, du kanskje ikke realiserer dette, fordi når du ber Claude eller ChatGPT et spørsmål som krever aritmetikk, kan de gi deg det riktige svaret. Men hva de fleste mennesker ikke vet er at de gjør dette ved å skrive skript og kjøre den kode som håndterer beregninger. Det er hva vi snakker om her: Skjæringspunktet mellom en probabilistisk LLM som forstår at den ikke kan gjøre aritmetikk, bygge sin egen deterministiske del av programvaren som gjør beregninger for å løse oppgaven som er forespurt. 

Selv om LLM-en nå kan “magisk” gjøre aritmetikk, ville jeg aldri la en LLM håndtere mine finanser og gjøre aksjehandlerbeslutninger for meg. Jeg ville aldri la en LLM gjøre mine skatter og sende dem inn uten noen form for gjennomgang. For helvede, jeg ville ikke engang la en LLM skrive en e-post eller blogginnlegg uten å nøye gjennomgå og redigere det for å sikre at alt er sant.

Fluency er der i dag – vi har de deterministiske rørene for å håndtere annonsering. Vi integrerer LLM-er i plattformen vår, og bruker dem til det de er gode til. Og vi eksponerer vår plattform til eksterne agenter så de kan utføre over våre rør. Til slutt ser jeg på det som bygging av en portal inn i annonseøkosystemet, hvor en LLM-drevet agent kan transaksjoner på noen som helst mediaplattform ved å integrere på ett sted. Men vi er alle en del langt ifra den lange utfallet!

Hvordan vurderer Fluencys deterministiske eksekusjonslag en AI-agents anbefalinger før de lar dem påvirke en live-kampanje, og hva slags regler eller begrensninger kan annonserere etablere?

Vi tilbyr mekanismer for mennesker (eller LLM-er) til å opprette deterministiske instruksjoner som vil utføres på samme måte hver gang på annonseplattformer. Dette er et stort problem som må løses i hver enkelt industri. For annonsering er selskapet som løser dette Fluency. Vi muliggjør opprettelse av forretningsregler og heuristikk for enhver handling som en av våre kunder kan utføre på en annonseplattform. Hvis det er mulig å opprette IF/THEN-logikk for et problem, kan vår plattform kode det inn i forretningsregler som følges på samme måte hver gang. 

Dette er kritisk viktig å forstå. Det finnes mange beslutninger mennesker tar på samme måte hver gang de ser en bestemt situasjon. Dette lar oss gjøre ting som å kode inn budsjettstyringsregler, eller generere kampanjer eller kreative elementer samtidig som vi håndhever navntaksonomier, eller automatisk spinner opp og ned annonsekampanjer og kreative elementer basert på utløsere i eksterne datasamlinger. 

For eksempel kan en bilforhandler få en ny forsendelse av biler. Fluency kan lese lagerstyringssystemet forhandlaren bruker, og automatisk generere kampanjer og kreative elementer for den eksakte merke, modell, selv farge og bestemte attributter for hver enkelt bil, innen minutter etter at bilene er på lager. Og når den siste bilen er solgt, automatisk skru av disse kampanjene. 

Alt dette er ganske betydelig, fordi forretningsbeslutningene om å gjøre alle disse tingene er veldig enkle når de tas en og en. Det er “døden av tusen små sår”-problemet i å håndtere annonsering i dag som forsvinner. Våre kunder finner at dette frigjør deres team fra å slukke branner hele dagen til å gjøre arbeidet som teller for å flytte nålen for deres kunder.

Annonsestrategi og kreativ utvikling krever ofte eksperimentering og subjektiv vurdering. Hvordan kan organisasjoner bevare fleksibiliteten til generativ AI samtidig som de sikrer at kampanjeutførelse forblir forutsigbar og overholdt?

Alt vi har snakket om allerede har bygget rammen for å svare på dette på en enkel måte. Tingene som kan kodes inn i forretningsregler er satt opp ordentlig for å utføre disse enkle beslutningene som er de samme hver gang. LLM-er kan hjelpe med å analysere og mønstermatche, som kan alle andre former for AI som Maskinlæring, som har en lang historie i ad-tech. Men den virkelige trikken er å ha mekanismer på plass for å nå ut og be en menneskelig å gripe inn hvis problemet ikke har et klart svar. Våre kunder kan justere sin risikotoleranse for dette, så hvis problemet er lavt risiko, kan de bestemme å la maskinene ta beslutningen. Men for ting som virkelig trenger menneskelige beslutninger, varsler vi dem og muliggjør at de kan ta rattet. 

Fluencys plattform opererer på tvers av søk, sosiale medier og programmatisk annonsering. Hva slags tekniske utfordringer oppstår når en AI-agent må resonnere på tvers av plattformer som har forskjellige datastrukturer, optimeringssystemer og politiske krav?

Hver annonseplattform har en unik samling av beste praksis og muligheter. API-er er de faste rørene vi kobler til for å drive disse plattformene eksternt. API-er er veldig godt dokumentert, men den dokumentasjonen er virkelig settet med regler for hva som kan gjøres på disse plattformene. De er ikke inkarnasjonen av beste praksis for hvordan man bruker hver enkelt plattform.

LLM-er kan ta inn mye informasjon i kontekst så beste praksis for hvordan man bruker hver plattform kan gjøres tilgjengelig gjennom dem. Siden Fluency opererer mange plattformer for mange byråer og annonserere, kan vi kode hver enkelt av våre kunders beste praksis (på deres vegne) inn i instruksjonene som en LLM kan følge for å drive differensiert beste praksis for hver kunde. Våre kunder har alle sine egne “playbooks” for hvordan de opererer sine forretninger, og Fluency lar dem kode disse i deterministiske regler hvor det er mulig, og over tid vil vi muliggjøre dem som instruksjonssett for LLM-drevne agenter hvor det har mening. 

Vi begynner nå å arbeide med våre kunder på denne neste generasjons utvikling for å kode disse mer komplekse scenariene inn i deres kontoer på vår plattform. Det er svært tidlige dager. Hvem som helst som sier at de har løst noen del av dette med LLM-er strekker sannheten, fordi ting er så tidlige, og modellene utvikler seg så raskt at det ikke er fullstendig løst av noen. Men vi er svært godt posisjonert for å arbeide med våre kunder for å løse dette.

Hva bør effektiv menneskelig tilsyn se ut som i en agensbasert annonseøkonomi? Hvilke beslutninger kan trygt bli autonome, og hvilke bør fortsatt kreve menneskelig gjennomgang eller godkjenning?

Hver kunde har en annen risikotoleranse, og de fleste av dem har aldri hatt et system som kunne uttrykke det. I Fluency, er dømmingen en god kampanjeleder anvender i hodet kodes inn en gang og så anvendes likt på hver enkelt konto, hver plattform, hver gang. Situasjonene som ikke har et klart svar ruter automatisk til en person, med konteksten de trenger for å ta beslutningen.

Hva det ser ut som i praksis varierer mye. Vi kjører en stor mengde forskjellige regler for våre kunder i dag, og hjelper dem med å kode inn menneskelige beslutninger som ikke varierer, og skyver til en menneskelig når svaret ikke er klart.

Hvilke beslutninger som kan trygt bli autonome, avhenger av kunden, og jeg tror ikke en universell beslutning er verdt mye. Plattformen må håndheve linjen hvor som helst en kunde tegner den, og la dem flytte den når tilliten vokser. 

Når agenter tar flere kampanjeavgjørelser, hvordan bør plattformer dokumentere grunnene, dataene og reglene bak hver handling slik at annonserere kan granske ytelse, undersøke feil og demonstrere overholdelse?

En av de grunnleggende verdiene Fluency tilbyr er at vi er SOC2-samstemmende, og fullstendig granskbare. Endringer er logget over hele systemet. Jeg har vært CPTO i et børsnotert selskap, og har vært på hook for overholdelse før, så jeg vet hvor komplekst det kan være. Det er en annen grunn til at jeg var spennende på å gå med i Fluency, fordi hver enkelt del av hva vi gjør er fullstendig granskbare. Vi opprettholder også endringslogger for hver enkelt endring som gjøres i systemet, logget mot hvilken bruker som gjorde det. 

Det er et annet lag som teller. Fordi forretningsreglene er kodet i programvare, er regelen sin egen spesifikasjon. Det er ingen avvik mellom dokumentasjonen og atferden, som er der granskninger vanligvis går galt. Og i en LLM-aktivert verden kan den kodete logikken rendres tilbake til vanlig forretningspråk på forespørsel, så personen som gjør granskningen ikke trenger å lese kode for å forstå hva systemet ble instruert til å gjøre.

For et byrå eller merke som begynner å adoptere agensbasert annonsering, hvilke arbeidsflyter gir den beste startpunktet, og hva slags bevis bør organisasjonen kreve før de utvider en agents autoritet?

Fra Fluencys synspunkt er agensbasert annonsering godt kjent terreng. Vi har vært agensbasert annonsering i åtte år. Vi har hundrevis av byråer og merker som bruker vår plattform til å gjøre agensbasert annonsering i dag, og i det flerlokale området er det på tvers av mange titusener av lokasjoner. 

Vi automatiserer majoriteten av hva mennesker gjør repetitivt i å sette opp og håndtere kampanjer, på tvers av søk, sosiale medier og programmatisk, så det er ingen arbeidsflyt som gir et bedre eller dårligere startpunkt. Det beste startpunktet er hvilken som helst kanal vår kunde finner mest arbeidskrevende. 

LLM-er hjelper oss også med å akselerere påmeldingen av våre kunder, fordi å kode inn en kundes forretningsregler er å sammenligne med å utføre en CRM-implementering, målt i måneder. Vi bygger verktøy som bruker LLM-er til å hjelpe med å bygge regelsettene og skrive automatiserings-skriptene. Dette vil gjøre påmeldingsprosessen mye raskere, og vil redusere kompleksiteten for våre kunder.

Annonsering er et tidlig testområde for autonome systemer som håndterer virkelig penger i stor skala. Hvilke lærdommer fra denne industrien kunne være anvendbare på finansielle tjenester, helsevesen, bedriftsinnkjøp eller andre regulerte sektorer som adopterer AI-agenter?

Annonsering har vært testområdet for autonome systemer som håndterer virkelig penger i 20 år. Programmatisk lærte industrien hvordan man lar programvare gjøre milliarder av dollar om dagen uten at noen menneske godkjenner enkelttransaksjoner. De fleste av de nåværende agensbaserte AI-samtalene skjer på en skala annonsering forlot for lenge siden.

Fluency har over 3 milliarder dollar i årlig utgift som kjører gjennom vår plattform, på tvers av hundrevis av byråer og merker, og i det flerlokale området når det til titusener av lokasjoner. De fleste agensbaserte annonse-samtalene nå er om pilotbudsjett og et håndfull kontoer.

Hva som overføres til andre sektorer er arkitekturen. Du skiller systemene som bestemmer fra systemene som utfører. Beslutningslaget kan være probabilistisk, fordi dømmingen har nytte av fleksibilitet og kreativitet. Utføringslaget må være deterministisk, fordi penger i bevegelse ikke er et sted du ønsker variasjon. Hver handling blir logget mot brukeren eller agenten som initierte det, hvilket gir en granskningslogg som holder i front av en regulator.

Denne kravet er identisk i finansielle tjenester, i helsekrav, i bedriftsinnkjøp. Designen vi bygget for annonsering er den riktige: Full gransking med endringslogger på hver modifikasjon er en minimumsstandard. Jeg er spesielt bekymret for ikke-menneskelig dømming i ting som godkjenning av medisinske prosedyrer og godkjenning av forsikringskrav. Jeg tror ikke LLM-er er der enda, og jeg har personlige eksempler i mitt eget liv på automatiske systemer som tar veldig dårlige beslutninger om å godkjenne eller avvise forsikringskrav. 

Min forventning er at mønsteret annonsering etablerer blir mønsteret disse sektorene adopterer. Vi har hatt en 20-års forsprang på problemet med maskiner som håndterer penger hundre millioner ganger per sekund. Fluencys tilnærming strekker seg fra transaksjonen til arbeidsflyten, og jeg er trygg på at vår tilnærming vil være den som vinner.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Fluency.