Vijay Kumar, grunnlegger og CEO av Mile – Intervju-serie

Vijay Kumar, grunnlegger og CEO av Mile, har fokusert sin karriere på å hjelpe digitale utgivere å trekke ut større verdi fra programmatisk annonsering gjennom avansert maskinlæring og data-drevet optimalisering. Siden han grunnla Mile i 2013, har han ledet selskapets strategi og produktvisjon rundt å forbedre åpne-kurs-prestasjoner, utvikle systemer som dynamisk håndterer prising, optimaliserer auksjonsmekanikker og forbedrer signal kvalitet for å drive målbare inntektsøkninger samtidig som operasjonell kompleksitet reduseres for utgivere.

Mile er et New York-basert ad-tech-selskap som opererer som en AI-drevet avkastnings-optimaliseringslag på “siste mile” av monetering – hvor auksjonsdynamikk ultimate bestemmer utgivers inntekt. Plattformen integrerer med eksisterende programmatisk infrastruktur for å levere dynamisk prisgulv, trafikkformning, budberikelse og sanntidsanalyser, som muliggjør at utgivere maksimerer fyllingsrater og CPM-er gjennom intelligent automatisering. Ved å fokusere på presis optimalisering i stedet for å legge til mer annonseringskompleksitet, hjelper Mile utgivere å fange mer av verdien som allerede er til stede i deres lager.

DU startet Mile i 2013, lenge før AI ble et buzzord i ad-tech. Hva så du først og fremst i utgivers monetering og åpne-kurs-dynamikk som overbeviste deg om at systemet var fundamentalt feil og verdt å bygge om?

Da Mile startet, skalerte den åpne kurssiden raskt, men utgiver-siden intelligensen holdt ikke pace. De fleste beslutninger på selg-siden var statiske – manuelle gulv, grove regler, sjeldne endringer – mens kjøperatferd ble mer og mer dynamisk og strategisk.

Hva som sto ut tidlig var at auksjoner ikke var ineffektive på grunn av mangel på etterspørsel, men fordi utgivere manglet en virkelig kontrolllag. Prisopdagelse var effektivt outsourcet til kjøpere og mellomledd, mens utgivere reagerte etter faktum.

Systemet var ikke “feil” i en dramatisk forstand – det var ubalansert. Da auksjoner ble mer komplekse, trengte utgivere adaptiv, data-drevet beslutning på deres side av auksjonen. Denne gapet var det som gjorde problemet verdt å bygge om fra grunnen av.

I dag opererer Mile som en AI-optimaliseringslag på toppen av eksisterende utgiver-staker. Hvordan ville du beskrive det grunnleggende problemet plattformen løser for utgivere nå?

Det grunnleggende problemet er koordinering.

Utgivere kjører allerede sofistikerte staker – Prebid, Amazon, AdX, flere SSP-er – men hver komponent opererer uavhengig. Det finnes ingen naturlig system som ser på auksjoner og spør: hvordan bør denne lageren bli priset og rute nå, gitt faktisk markedsværemåte?

Mile fungerer som en intelligenslag over staken. Vi erstatter ikke Prebid eller eksisterende etterspørsel. Vi hjelper utgivere å ta bedre, sanntids priser og kvalifiseringsbeslutninger ved hjelp av auksjonsresultater som tilbakemelding.

I praksis betyr det å beskytte verdi når konkurranse eksisterer og å unngå unødvendig begrensning når det ikke gjør – alt uten å destabilisere levering.

Miles AI trener på hver utgivers egen auksjonsdata før aktivasjon. Hvorfor er stedsspesifikk trening så viktig i live programmatisk miljø?

Fordi programmatisk markeder er høyt lokale.

To utgivere med lignende publikum kan ha svært forskjellig etterspørselselastisitet, budgiver-overlapp, latens-profiler og inntekts-sensitivitet. Generiske modeller trent på pullete data tenderer til å lære gjennomsnitt som ikke faktisk eksisterer i produksjon.

Ved å trene på en utgivers egen auksjonshistorikk, lærer Mile hvordan deres etterspørsel reagerer på pris, konkurranse og segmentering. Dette tillater systemet å operere konservativt der det er nødvendig og assertivt der signalstyrken berettiger det.

Stedsspesifikk trening er ikke et “nice-to-have” – det er hva som gjør AI brukbar i live-auksjoner uten å introdusere risiko.

Mile bruker maskinlæring til å kontinuerlig justere minimumsannonspriser i sanntid, uten å skade fyllingsrater. Hvorfor er denne type adaptive prising så vanskelig å få rett i programmatisk annonsering?

Fordi prisingfeil er asymmetriske.

Hvis du underpriser lager, er kostnaden skjult. Hvis du overpriser det, er straffen umiddelbar – tapt fylling, tapt inntekt og ødelagt tillit. Dette gjør at de fleste prissystemer enten er for aggressive eller permanent forsiktige.

På toppen av det er auksjoner ikke-stasjonære. Kjøperstrategier endrer seg gjennom dagen, over geografiske områder og i respons til bredere markedsvilkår. Statiske regler bryter raskt.

Adaptive prising fungerer bare hvis systemet forstår usikkerhet, tester trygt og vet når ikke å handle. Dette er mindre om å maksimere CPM-er og mer om å opprettholde stabilitet samtidig som man fanger oppsider når forholdene tillater.

Tillit er kritisk når AI påvirker prisingbeslutninger. Hvordan tenker du om transparens og kontroll for utgivere som bruker Mile?

AI bør assistere utgivere, ikke overstyre dem.

Hos Mile definerer utgivere grensene – prisgulv, lageromfang, rullete tempo og ytelseskriterier. Systemet opererer innenfor disse retningslinjene og gir tydelig visning av hva som endrer seg og hvordan det påvirker resultater.

Vi unngår bevisst uklar automatisering. Utgivere kan segmentere, pause eller rulle tilbake når som helst, og de kan se hvordan prisingbeslutninger korrelerer med vin-rater, CPM-er og inntekt.

Tillit kommer fra observasjon og kontroll, ikke fra å be utgivere om å “tillite modellen”.

DU sitter på skjæringspunktet av AI og utgiver-side ad-tech gjennom ditt arbeid med Prebid og IAB Tech Lab. Hvordan former disse perspektivene hvordan du bygger og styre Miles teknologi?

Arbeid tett med Prebid og IAB Tech Lab understreker viktigheten av økosystem-nivå tenkning.

Kort-siktig optimalisering som forvrer auksjoner eller utnytter kant-tilfeller tenderer til å backfire. Lang-siktig verdi kommer fra å styrke åpne, transparente systemer hvor utgivere beholder kontroll.

Dette perspektivet former både arkitektur og styring hos Mile. Vi integrerer renlig i eksisterende rammer, respekterer auksjonsmekanikker og unngår logikk som ville skape skjulte fordeler eller undergrave tillit i den åpne kurssiden.

Vårt mål er å gjøre utgiver-side beslutning smartere uten å svekke systemet det avhenger av.

Mange AI-drevne moneteringsverktøy lover oppsving, men feiler i produksjon. Fra din erfaring, hva skiller systemer som leverer varige resultater fra de som ikke gjør?

Forskjellen er om systemet er bygget for produksjonsrealitet.

Mange verktøy optimaliserer mot et statisk mål og antar at forholdene vil holde. I live-markeder, gjør de det ikke. Etterspørsel tilpasser seg, strategier skifter og gårsdagens signal blir støy.

Systemer som varer behandler produksjon som en kontinuerlig læringsmiljø. De måler kontinuerlig, tilpasser forsiktig og degraderer elegant når tillit er lav.

Likelynt viktig er å holde tilbake. De beste systemene griper ikke inn overalt – de handler selektivt, bare når signalstyrken er sterk nok til å berettige endring.

Ettersom privatendringer, signal-tap og markedsvolatilitet fortsetter å forme programmatisk annonsering, hvor gir AI størst gevinst for utgivere i dag?

Den største gevinsten er i å forstå markedsværemåte, ikke bruker-identitet.

Selv om adressebarhet avtar, genererer auksjoner fortsatt rike signaler – bud-tetthet, pris-spredning, respons-mønster, konkurranse-overlapp. Disse signalene er vanskelige for mennesker å tolke i skala, men godt egnet for maskinlæring.

AI lar utgivere optimalisere basert på hvordan etterspørsel faktisk oppfører seg, i stedet for å stole på identitets-proksyer som er økende skjøre.

Mile arbeider med premium-utgivere over flere Tier-1-markeder. Hva forskjeller ser du i etterspørselsdynamikk eller optimaliseringsstrategier over regioner?

Grundleggende er konsistente, men risikoprofilene forskjeller.

Nord-Amerika tenderer til å ha dypere, mer volatile auksjoner, som belønner adaptive systemer som kan flytte raskt uten å overreagere.

Europiske markeder er ofte mer begrensede og stabile, og legger en premie på presisjon og konservatisme.

I APAC, fragmentering og latens-variabilitet gjør nedside-beskyttelse og leverings-stabilitet like viktig som avkastnings-optimalisering.

Over regioner, er den felles lærdom at rigid logikk feiler – og adaptive, utgiver-spesifikke systemer fungerer bedre.

For utgivere som vurderer AI-optimaliseringslag nå, hva bør de forstå om hva Mile tilbyr og når det leverer størst effekt?

Mile er ikke en erstatning for din stak, og det er ikke en kortvei.

Det leverer størst effekt når utgivere allerede har etterspørsel, men mangler evnen til å prise og koordinere det intelligent i sanntid. Dette er vanligvis når manuelle regler og statiske gulv begynner å plateaus.

Utgivere bør tenke på Mile som en intelligenslag som kompenserer over tid – lærer markedet, opererer innenfor deres begrensninger og forbedrer beslutningskvalitet når forholdene utvikler seg.

Hvis du søker etter raske hakker, er det feil verktøy. Hvis du bygger for lang-siktig motstandskraft og kontroll, der er Mile best.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Mile.