Эрик Пикард, СVP по Продукту в Fluency – Интервью

Эрик Пикард, Старший Вице-Президент по Продукту в Fluency, является опытным руководителем продукта и технологий, который провел десятилетия, разрабатывая цифровые рекламные платформы, автоматизированные рынки, системы данных и потребительские продукты. До того, как присоединиться к Fluency, он занимал руководящие должности в Microsoft, Pandora, MediaMath, Yieldmo и BARK, где его обязанности варьировались от стратегии рекламной технологии и программной медиа до управления продуктом, науки о данных, инженерии и модернизации крупномасштабных платформ. Пикард также является серийным предпринимателем, который основал Bluestreak, Rare Crowds, Questori и другие технологические предприятия, с Bluestreak и Rare Crowds, которые в конечном итоге были приобретены. Его карьера включала помощь в архитектуре раннего реального времени биржи рекламы, запуск программных аудиорекламных продуктов, разработку автоматизированной технологии курирования инвентаря и консультирование компаний по искусственному интеллекту, стратегии продукта, корпоративной трансформации и слияниям и поглощениям.

Fluency разрабатывает Цифровую Рекламную Операционную Систему, предназначенную для помощи агентствам, брендам и многоуровневым бизнесам в управлении оплачиваемыми медиакампаниями через поиск, социальные, программные платформы, вalled gardens и открытый веб. Платформа централизует данные, творческие активы, инвентарь, требования к соблюдению правил, аудиторию, стратегию кампании, отчетность и рабочие процессы выполнения, используя автоматизацию и искусственный интеллект для снижения повторяющихся операционных работ и координации кампаний в масштабе. Fluency все больше фокусируется на агентской рекламе, включая управляемые AI-работы, которые могут выполнять и оптимизировать кампании, сохраняя при этом определенные стратегические и бренд-контроли. Компания утверждает, что ее технология поддерживает более 250 000 кампаний каждый месяц и управляет примерно 3 миллиардами долларов в годовых рекламных расходах.

Ваша карьера охватила несколько фундаментальных периодов в цифровой рекламе, от основания Bluestreak и помощи в установлении ранних цифровых рекламных стандартов до вклада в архитектуру одной из первых реальных бирж. Как эти опыт сформировали ваш подход к построению следующего поколения агентских рекламных систем в Fluency?

Я был очень удачлив в своей карьере, чтобы найти пространство, которое было интересным в многогранном виде с цифровой рекламой. Я смог стать частью механизма, который финансировал рост Интернета. Я смог участвовать в изобретении некоторых фундаментальных механизмов, которыми функционирует цифровая реклама. И технические проблемы в этой области сопоставимы с любой в программном обеспечении. Итак, это всегда интересно.

С Bluestreak мы смогли построить некоторые из первых форматов рекламы, включая некоторые из первых видео- и аудиорекламных роликов. Мы были первыми, кто сделал многоэтажную атрибуцию, первыми, кто предложил систему управления тегами, и первыми, кто предложил многоэтажную атрибуцию во всех типах цифровых медиа. Это привело к приглашению стать соавтором первого стандарта впечатлений, работая с Интерактивной Рекламной Бюро (IAB) и Медиа Рейтинг Советом (MRC). 

Когда я перешел в Microsoft, компания решила инвестировать в рекламную технологию, потому что они увидели, что Google зарабатывает больше денег на каждой копии Windows, чем Microsoft, все из-за цифровой рекламы. Они предложили мне роль, которая была невероятно привлекательной, возможность написать глобальную стратегию того, как Microsoft должна войти в рекламную технологическую сферу.

Мы решили пойти большим в ад-тех, и я был на точке, чтобы выяснить стратегию построения/покупки/партнерства. Я смог провести проверку на более чем 150 компаниях, мы купили семь компаний и инвестировали сильно в рост внутренних команд. Когда я прибыл, у нас было около 200 инженеров, работающих над ад-тех, и у нас было около 750 миллионов долларов в медиа-доходе. К моменту, когда я ушел, у нас было 1 500 инженеров, работающих над ад-тех, и более 5 миллиардов долларов в доходе. Сегодня доход от поисковой рекламы составляет около 15 миллиардов долларов, но в то время это была невероятная цифра.

Одна из компаний, которую я рассмотрел, и которую мы в конечном итоге приобрели, была AdECN. Это была первая компания ДжEFF Грина, до того, как он основал The Trade Desk.  Мы рассмотрели возможность покупки Right Media, что позволило мне хорошо узнать Брайана О’Келли, но мы отказались от них.  Мы чувствовали, что есть возможность для асинхронного глобального аукциона, который позволил бы нескольким внешним участникам подключиться к обмену.  Итак, мы приобрели их и помогли им построить прочную инженерную команду для выполнения видения. 

Когда AdECN была готова запустить первую реальную биржу (RTB), была битва над подходами, и она基本но никогда не вышла из бета-тестирования. 

Были два результата этого, которые действительно изменили всю экосистему ад-тех. Первый был то, что Брайан О’Келли начал AppNexus после того, как он покинул Right Media, и когда стало ясно, что AdECN никогда не сможет взлететь, я выступил за возможность партнерства с AppNexus. Это в конечном итоге привело к большому инвестиционному вкладу в компанию и сильному партнерству, которое в конечном итоге завершилось их приобретением Microsoft. Вторым основным результатом было то, что ДжEFF Грин покинул Microsoft, взял несколько инженеров, которые построили RTB-обмен на AdECN, и начал The Trade Desk. 

Когда вы посмотрите на эту первую часть моей карьеры, которая охватила период с 1997 по 2010 год, она заложила некоторые долгосрочные семена, которые теперь дали интересные плоды. Я ушел на различные роли, включая мою стартапу Rare Crowds, где мы изобрели Программную Курирование. Я провел время в компаниях, таких как Pandora, где у нас был отличный аудиорекламный бизнес, включая крупнейший аудиорекламный обмен, и Yieldmo, где мы построили первую рекламную биржу, ориентированную на конфиденциальность. В это время у меня была возможность стать частью совета директоров IAB Techlab и быть приглашенным в исполнительный комитет совета. И я продолжал работать над отраслевыми стандартами все эти годы.

В прошлом году Брайан О’Келли увидел возможность построить отраслевой стандарт для Агентской Рекламы, который называется AdCP, управляемый AgenticAdvertising.org. Брайан и я поговорили о том, где были пробелы в работе, и я предложил написать первую спецификацию для Управления и Соблюдения для AdCP. 

Через несколько месяцев после того, как я написал это, меня связался Fluency. Когда я начал узнавать, что они построили, я был поражен. По сути, они уже решили все, что я указал в своей спецификации. Они занимались агентской рекламой в течение восьми лет, задолго до того, как LLM были готовы стать “агентскими”. 

Я увидел, что детерминированный подход, который они приняли с своими агентами, был именно тем, что было необходимо для выполнения потребностей LLM-агентов, которые являются внутренне вероятностными. Все, что это действительно значит, это то, что хотя LLM хороши в “думании” и творчестве, они ужасны в выполнении одного и того же действия одинаково каждый раз. Каждый подход сам по себе имеет слабости, но вместе они решают проблему агентской рекламы. 

Мое видение было совместимо с видением команды руководства Fluency, и я присоединился, чтобы возглавить Продукт здесь. Теперь мы бежим на полную скорость к миру, где агенты могут безопасно транзакционировать на рекламу с людьми в цикле, где это необходимо, и LLM-агенты получают детерминированные ограничения для управления их поведением. 

Я чувствую себя невероятно удачливым, что смог прокатиться на многих волнах крупных изменений в цифровой рекламе, от основания Bluestreak и помощи в установлении ранних цифровых рекламных стандартов до вклада в архитектуру одной из первых реальных бирж. Это была дикая поездка, и я все еще получаю удовольствие и взволнован возможностями в этой области. 

Реальное время биржи дало программному обеспечению возможность принимать финансовые решения за миллисекунды. Какие уроки из разработки программной рекламы следует учитывать разработчикам сегодня, когда они предоставляют AI-агентам большую операционную автономию?

В программной рекламе мы использовали Обучение с помощью Машин, которое является формой AI, для построения двигателей принятия решений, которые могут принимать десятки миллионов решений в секунду. Это требует невероятного количества вычислительной мощности, обработки данных, огромного количества инфраструктуры и до появления генеративного AI я бы сказал, что это было одним из самых глубоких разработок во всем программном обеспечении. 

Для всей своей мощности есть также огромные неэффективности в программной модели, и огромная, сложная экосистема, которая сжигает слишком много электричества (и, следовательно, создает слишком много углерода) на каждый рекламный показ. Не поймите меня неправильно, я люблю программную сферу, и я в восторге от того, что мы создали. Но кажется, что мы построили машину, гораздо более сложную, чем выигрыш, который мы получаем от всей этой сложности.

Хотя те же самые аргументы можно сделать для Генеративного AI, места, где LLM-агенты должны жить в экосистеме, находятся на интерфейсах, а не в сердце каждой транзакции. И, тщательно смешивая LLM с детерминированными агентами, мы можем гораздо более эффективно управлять транзакциями, значительно снижая сложность. 

Есть две основные инициативы в отрасли, направленные на введение LLM-агентов в рабочий процесс транзакций. IAB TechLab запустил инициативу Протоколов Управления Агентской Рекламой (AAMP), которая позволяет механизмам прокси LLM в инфраструктуру RTB, принимая решения заранее и кэшируя их в реальных системах экосистемы. Проект AdCP фокусируется на том, что я думаю как “уровень учетной записи” интеграций. То есть вся работа, сделанная людьми в управлении кампаниями и творческими рабочих процессами для рекламы, может быть автоматизирована. Хотя AAMP очень ценен и интересен, это улучшение сложной современной системы. AdCP идет после проблемы, которая существовала с самого начала отрасли, и которую Fluency решала в течение восьми лет. Итак, мы глубоко зарываемся в AdCP, но в конечном итоге мы также будем заниматься AAMP.

Fluency по сути решила последнюю проблему, которая никогда не решалась в ад-тех пространстве: огромные неэффективности в создании и управлении рекламными кампаниями на уровне учетной записи, кампании и творчества. И я действительно верю, что работа, которую мы делаем, является такой же глубокой возможностью для рекламы, как и то, что мы изобрели с RTB. Когда мы подключаем LLM к рабочим процессам, которые Fluency уже автоматизировала, мы увеличиваем ценность всей системы.

Fluency отделяет вероятностное рассуждение AI от детерминированных систем, которые выполняют изменения кампании. Почему сейчас слишком рискованно разрешить большой языковой модель直接 контролировать рекламные бюджеты?

Я думаю, что это фундаментальная проблема, которую LLM, вероятно, всегда будут иметь. Вероятностные двигатели предназначены для предоставления разных ответов на один и тот же вопрос каждый раз. Даже когда они невероятно хороши в “думании”, они ужасны в детерминированных вещах. Давайте используем арифметику как пример:

LLM буквально не могут добавить, вычесть, умножить или разделить. Теперь вы можете не осознавать это, потому что когда вы задаете вопрос LLM, требующий арифметики, они могут дать вам правильный ответ. Но то, чего не знают большинство людей, это то, что они делают это, написав скрипты и выполнив этот код для обработки расчетов. Это то, о чем мы говорим здесь: Пересечение вероятностного LLM, который понимает, что он не может делать арифметику, построив свою собственную детерминированную часть программного обеспечения, которая делает расчеты, чтобы решить задачу. 

Даже хотя LLM может теперь “магически” делать арифметику, я никогда не позволил бы LLM управлять моими финансами и принимать решения о покупке акций для меня. Я никогда не позволил бы LLM делать мой налог и подавать его без какого-либо обзора. Черт, я даже не позволил бы LLM написать электронное письмо или пост в блоге без тщательного редактирования, чтобы убедиться, что все верно.

Как они становятся умнее и лучше в выполнении, они могут хорошо сделать эти вещи в какой-то момент в далеком будущем. Но моя догадка заключается в том, что они будут делать это, написав свою собственную детерминированную программу для обработки частей проблемы, которые требуют этого. 

Fluency есть сегодня – у нас есть детерминированные трубы для управления рекламой. Мы интегрируем LLM в эту платформу, используя их для вещей, в которых они хороши. И мы открываем нашу платформу для внешних агентов, чтобы они могли выполнять действия над нашими трубами. В конечном итоге я вижу это как построение шлюза в рекламную экосистему, где LLM-агент может транзакционировать на любой медиа-платформе, интегрируясь в одном месте. Но мы все еще немного далеки от этого долгосрочного результата!

Как детерминированный слой выполнения Fluency оценивает рекомендации AI-агента перед тем, как разрешить им повлиять на живую кампанию, и какие правила или ограничения могут установить рекламодатели?

Мы предоставляем механизмы для людей (или LLM) для создания детерминированных инструкций, которые будут выполняться одинаково каждый раз на рекламных платформах. Это большая проблема, которая должна быть решена в каждой отрасли. Для рекламы компания, решающая эту проблему, – это Fluency. Мы позволяем создавать бизнес-правила и эвристику для любого действия, которое один из наших клиентов может выполнить на рекламной платформе. Если возможно создать логические правила для проблемы, наша платформа позволяет закодировать это в бизнес-правила, которые следуются одинаково каждый раз. 

Это крайне важно понять. Есть много решений, которые люди принимают одинаково каждый раз, когда они видят конкретную ситуацию. Это позволяет нам делать вещи, такие как кодирование правил управления бюджетом, или генерирование кампаний или творческих работ, соблюдая именование таксономии, или автоматическое создание и выключение рекламных кампаний и творческих работ на основе триггеров в внешних наборах данных. 

Например, автосалон может получить новую партию автомобилей. Fluency может прочитать систему управления запасами, которую использует автосалон, и автоматически сгенерировать кампании и творческие работы для точной марки, модели, даже цвета и конкретных атрибутов каждого конкретного автомобиля, в течение нескольких минут после того, как автомобили окажутся на парковке. И когда последний автомобиль продается, автоматически выключить эти кампании. 

Все это довольно глубоко, потому что бизнес-решения для выполнения всех этих действий очень просты, когда они берутся отдельно. Это проблема “смерти от тысячи порезов” в управлении рекламой сегодня, которая исчезает. Наши клиенты обнаруживают, что это освобождает их команды от тушения пожаров весь день, чтобы делать работу, которая имеет значение для движения их клиентов.

Рекламная стратегия и творческое развитие часто требуют экспериментов и субъективных суждений. Как организации могут сохранить гибкость генеративного AI, обеспечивая при этом, что выполнение кампании остается предсказуемым и соответствующим?

Все, о чем мы говорили до сих пор, уже построило основу для ответа на это простым способом. Вещи, которые можно закодировать в бизнес-правила, установлены правильно для выполнения тех простых решений, которые одинаковы каждый раз. LLM могут помочь анализировать и сопоставлять закономерности, как и все другие формы AI, такие как Обучение с помощью Машин, которое имеет долгую историю в ад-тех. Но настоящий трюк заключается в том, чтобы иметь механизмы для обращения к человеку, если проблема не имеет четкого ответа. Наши клиенты могут настроить свою толерантность к риску на этом, поэтому если проблема имеет низкий риск, они могут решить позволить машинам принимать решение. Но для вещей, которые действительно требуют человеческих решений, мы предупреждаем их и позволяем им взять руль. 

Платформа Fluency работает на поиске, социальных и программных рекламных каналах. Какие технические проблемы возникают, когда AI-агент должен рассуждать через платформы, имеющие разные структуры данных, системы оптимизации и требования к политике?

Каждая рекламная платформа имеет уникальный набор лучших практик и возможностей. API – это фиксированные трубы, к которым мы подключаемся, чтобы управлять этими платформами внешне. API хорошо документированы, но эта документация является фактически набором правил для того, что можно сделать на этих платформах. Они не являются воплощением лучших практик для использования конкретной платформы.

LLM могут ингестировать много информации в контекст, чтобы лучшие практики для использования каждой платформы были доступны через них. Поскольку Fluency работает на многих платформах для многих агентств и рекламодателей, мы можем закодировать лучшие практики каждого из наших клиентов (от их имени) в инструкции, которые LLM может выполнить, чтобы обеспечить дифференцированные лучшие практики для каждого клиента. Наши клиенты все имеют свои собственные “плейбуки” для того, как они управляют своими бизнесами, и Fluency позволяет им закодировать их в детерминированные правила, где это возможно, и со временем мы позволим им как набор инструкций для LLM-агентов, где это имеет смысл. 

Мы начинаем работать с нашими клиентами сейчас над этим следующим поколением разработки, чтобы закодировать эти более сложные сценарии в их учетные записи на нашей платформе. Это очень ранние дни. Ктоever говорит вам, что они решили какую-либо часть этого, используя LLM, растягивает правду, потому что вещи так ранни, и модели развиваются так быстро, что никто еще не решил это полностью. Но мы очень хорошо позиционированы, чтобы работать с нашими клиентами, чтобы решить это.

Что должно выглядеть как эффективный человеческий надзор в агентской рекламной среде? Какие решения могут безопасно стать автономными, а какие должны продолжать требовать человеческого обзора или одобрения?

Каждый клиент имеет разную толерантность к риску, и большинство из них никогда не имели системы, которая могла бы выразить это. В Fluency суждение, которое хороший менеджер кампании применяет в своей голове, закодировано один раз, а затем применяется идентично во всех учетных записях, на всех платформах, каждый раз. Ситуации, которые не имеют четкого ответа, автоматически маршрутизируются к человеку, с контекстом, который им нужен, чтобы принять решение.

Что это выглядит в практике, варьируется сильно. Мы запускаем огромное количество разных правил для наших клиентов сегодня, помогая им закодировать человеческие решения, которые не меняются, и толкаем к человеку, когда ответ не ясен.

Какие решения могут безопасно стать автономными, зависят от клиента, и я не думаю, что универсальный ответ стоит чего-либо. Платформа должна обеспечить линию, где бы клиент ее не провел, и позволить им переместить ее, когда их уверенность растет. 

Когда агенты принимают больше решений о кампаниях, как платформы должны документировать рассуждения, данные и правила за каждым действием, чтобы рекламодатели могли проверить производительность, расследовать ошибки и продемонстрировать соответствие?

Одно из основных ценностных предложений, которое предлагает Fluency, заключается в том, что мы соответствуем SOC2, и полностью аудитируемы. Изменения регистрируются на протяжении всей системы. Я был техническим директором публичной компании, и был на крючке за соответствие раньше, поэтому я знаю, насколько это сложно. Это еще одна причина, по которой я был взволнован, присоединившись к Fluency, потому что каждый аспект того, что мы делаем, полностью аудитируем. Мы также поддерживаем журналы изменений для каждого изменения, сделанного в системе, зарегистрированного против пользователя, который сделал его. 

Есть второй слой, который имеет значение. Поскольку бизнес-правила закодированы в программном обеспечении, правило является своей собственной спецификацией. Нет расхождения между документацией и поведением, которое является местом, где аудиты обычно разваливаются. И в мире, управляемом LLM, закодированная логика может быть отображена обратно в простой бизнес-язык по требованию, поэтому человек, который проводит аудит, не должен читать код, чтобы понять, что система была инструктирована делать.

Для агентства или бренда, начинающего использовать агентскую рекламу, какие рабочие процессы предоставляют лучшую отправную точку, и какое доказательство должно требовать организация перед расширением полномочий агента?

С точки зрения Fluency, агентская реклама – это хорошо пройденная территория. Мы занимаемся агентской рекламой в течение восьми лет. У нас есть сотни агентств и брендов, использующих нашу платформу для агентской рекламы сегодня, и в многоуровневом пространстве это происходит на многих десятках тысяч мест. 

Мы автоматизируем большинство того, что люди делают повторно при настройке и управлении кампаниями, на поиске, социальных и программных платформах, поэтому нет рабочего процесса, который сделал бы лучшую или худшую отправную точку. Лучшая отправная точка – это тот канал, который наш клиент находит наиболее трудоемким. 

LLM помогают нам ускорить процесс настройки наших клиентов, потому что, как вы можете себе представить, кодирование бизнес-правил клиента похоже на выполнение реализации CRM, измеряемой месяцами. Мы строим инструменты, которые используют LLM для помощи в построении наборов правил и написании сценариев автоматизации. Это сделает процесс настройки намного быстрее и уменьшит сложность для наших клиентов.

Реклама – это ранняя испытательная площадка для автономных систем, управляющих реальными деньгами в масштабе. Какие уроки из этой отрасли могут применяться к финансовым услугам, здравоохранению, корпоративным закупкам или другим регулируемым секторам, принимающим AI-агентов?

Реклама была испытательной площадкой для автономных систем, тратящих реальные деньги, в течение 20 лет. Программная реклама научила отрасль, как позволить программному обеспечению тратить миллиарды долларов в день без человеческого одобрения отдельных транзакций. Большинство текущих разговоров об агентской AI происходит в масштабе, который реклама оставила позади давно.

Fluency имеет более 3 миллиардов долларов годовых расходов, проходящих через нашу платформу, на сотни агентств и брендов, и в многоуровневом пространстве это достигает десятков тысяч мест. Большинство разговоров об агентской рекламе сейчас о пилотных бюджетах и нескольких учетных записях.

Что передается в другие сектора, – это архитектура. Вы отделяете системы, которые принимают решения, от систем, которые выполняют. Слой принятия решений может быть вероятностным, потому что суждение пользуется гибкостью и творчеством. Слой выполнения должен быть детерминированным, потому что движение денег – это не место, где вы хотите варьироваться. Каждое действие регистрируется против пользователя или агента, который инициировал его, что дает вам аудиторский след, который выдерживает регулирующий контроль.

Эта потребность идентична в финансовых услугах, в медицинских претензиях, в корпоративных закупках. Дизайн, который мы построили для рекламы, – это правильный: полная аудитность с журналами изменений на каждом изменении является основным требованием. Я особенно обеспокоен нечеловеческим суждением в таких вещах, как утверждение медицинских процедур и утверждение страховых претензий. Я не думаю, что LLM готовы к этому, и у меня есть личные примеры в моей собственной жизни автоматизированных систем, принимающих очень плохие решения об утверждении или отклонении страховых претензий. 

Мое ожидание заключается в том, что шаблон, который устанавливает реклама, станет шаблоном, который эти сектора примут. Мы имели 20-летнюю головную боль с проблемой машин, тратящих деньги сотни миллионов раз в секунду. Подход Fluency распространяется от транзакции к рабочему процессу, и я уверен, что наш подход будет аналогичным, который выиграет. Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Fluency.