Eric Picard, SVP för produkt på Fluency – Intervju-serie

Eric Picard, Senior Vice President för produkt på Fluency, är en erfaren produkt- och teknikchef som har tillbringat decennier med att utveckla digitala annonsplattformar, automatiserade marknader, datasystem och konsumentinriktade produkter. Innan han anslöt sig till Fluency, hade han ledande roller på Microsoft, Pandora, MediaMath, Yieldmo och BARK, där hans ansvarsområden sträckte sig från annons-teknik-strategi och programmatisk media till produktledning, data-vetenskap, ingenjörskap och storskalig plattformsmodernisering. Picard är också en serie-entreprenör som grundat Bluestreak, Rare Crowds, Questori och andra teknikföretag, varav Bluestreak och Rare Crowds slutligen förvärvades. Hans karriär har inkluderat att hjälpa till att utveckla en tidig realtidsbudgivning, lansera programmatiska ljudannonsprodukter, utveckla automatiserad inventeringskureringsteknik och ge råd till företag om artificiell intelligens, produktstrategi, företagsomvandling och fusioner och förvärv.

Fluency utvecklar ett digitalt annons-operativsystem som är utformat för att hjälpa byråer, varumärken och företag med flera platser att hantera betalda mediekampanjer över sökning, sociala medier, programmatiska plattformar, inhägnade trädgårdar och det öppna internet. Plattformen centraliserar data, kreativa tillgångar, lager, efterlevnadskrav, målgrupper, kampanjstrategi, rapportering och genomförande-arbetsflöden, med hjälp av automatisering och artificiell intelligens för att minska repetitivt operativt arbete och samordna kampanjer i stor skala. Fluency fokuserar alltmer på agenter som annonserar, inklusive styrda AI-drivna arbetsflöden som kan utföra och optimera kampanjer samtidigt som de upprätthåller definierade strategiska och varumärkeskontroller. Företaget hävdar att deras teknik stöder över 250 000 kampanjer varje månad och hanterar ungefär 3 miljarder dollar i årliga annonsutgifter.

Din karriär har omfattat flera grundläggande perioder i digital annonsering, från att grunda Bluestreak och bidra till att etablera tidiga digitala annonsstandarder till att bidra till utvecklingen av en av de första realtidsbudgivnings-exchangerna. Hur har dessa erfarenheter format din synsätt på att bygga nästa generations agenter för annonsering på Fluency?

Jag har varit mycket lyckosam i min karriär att ha hittat ett område som var intressant på ett mångfacetterat sätt med digital annonsering. Jag fick vara en del av mekanismen som finansierade tillväxten av internet. Jag har kunnat uppfinna eller vara en del av uppfinningen av några av de grundläggande mekanismerna för hur digital annonsering fungerar. Och de tekniska utmaningarna i detta område är lika stora som någon annan i mjukvara. Så det är alltid intressant.

Med Bluestreak fick vi bygga några av de första av nästan alla annonsformat, inklusive några av de första video- och ljudannonserna. Vi var de första som gjorde multi-touch-attribuering, de första som erbjöd ett tag-hanteringssystem och de första som erbjöd multi-touch över alla digitala medietyper. Detta ledde till att vi bjöds in att medförfatta den första standarden för intryck tillsammans med Interactive Advertising Bureau (IAB) och Media Rating Council (MRC).

När jag gick till Microsoft, hade företaget beslutat att investera i annons-teknik eftersom de såg att Google tjänade mer pengar per kopia av Windows än Microsoft gjorde, allt på grund av digital annonsering. De erbjöd mig en roll som var otroligt lukrativ, möjligheten att skriva den globala strategin för hur Microsoft skulle gå in i annons-teknik-området.

Vi beslutade att gå stort inom annons-teknik, och jag var den som skulle ta reda på bygg/köp/samarbets-strategin. Jag fick utföra due diligence på över 150 företag, vi köpte sju företag och vi investerade kraftigt i att växa interna team. När jag anlände, hade vi ungefär 200 ingenjörer som arbetade med annons-teknik, och vi hade ungefär 750 miljoner dollar i medieintäkter. När jag lämnade, hade vi 1 500 ingenjörer som arbetade med annons-teknik, och över 5 miljarder dollar i intäkter. Idag står sök-annons-intäkter för runt 15 miljarder dollar, men på den tiden var det en otrolig siffra.

Ett av de företag jag tittade på, och som vi till slut förvärvade, var AdECN. Det var Jeff Greens första företag, innan han grundade The Trade Desk. Vi hade tittat på att köpa Right Media, som är hur jag lärde känna Brian O’Kelley ganska väl, men vi valde att inte göra det. Vi kände att det fanns en möjlighet för en asynkron global auktion som tillät flera externa budgivare att ansluta till utbytet. Så vi förvärvade dem och hjälpte dem att bygga ett robustt ingenjörsteam för att utföra visionen.

När AdECN var redo att lansera den första realtidsbudgivnings-exchangen, var det en strid om tillvägagångssätt, och det slutade aldrig riktigt i betatestning.

Det fanns två resultat av detta som verkligen förändrade hela annons-teknik-ekosystemet. Först var att Brian O’Kelley startade AppNexus efter att han lämnat Right Media, och när det var uppenbart att AdECN aldrig skulle komma igång, förespråkade jag möjligheten att samarbeta med AppNexus. Detta ledde till en stor investering i företaget och ett starkt partnerskap som till slut slutade med att de förvärvades av Microsoft. Det andra stora resultatet var att Jeff Green lämnade Microsoft, tog med sig några av de ingenjörer som hade byggt realtidsbudgivnings-exchangen på AdECN och startade The Trade Desk.

När du tittar på den första delen av min karriär, som sträckte sig från 1997 till 2010, planterade den några långsiktiga frön som nu har blommat ut i intressanta resultat. Jag gick vidare till olika roller, inklusive mitt startup-företag Rare Crowds, där vi uppfunnit programmatisk kurering. Jag tillbringade tid på företag som Pandora, där vi hade en stor ljudannons-verksamhet, inklusive den största ljudannons-exchangen, och Yieldmo, där vi byggde den första integritetscentrerade annons-exchangen. Under den tiden hade jag möjligheten att vara en del av styrelsen för IAB Techlab och blev inbjuden att vara en del av styrelsens verkställande kommitté. Och jag har fortsatt att arbeta med industri-standarder alla dessa år.

Förra året såg Brian O’Kelley möjligheten att bygga en branschstandard för Agentic Advertising, som kallas AdCP, som hanteras av AgenticAdvertising.org. Brian och jag pratade om var det fanns luckor i arbetet som utfördes, och jag erbjöd mig att skriva den första specifikationen för styrning och efterlevnad för AdCP.

Några månader efter att jag skrev den, kontaktades jag av Fluency. När jag började lära mig vad de hade byggt, blev jag förbluffad. De hade i princip redan löst allt jag hade nämnt i min specifikation. De hade arbetat med agenter för annonsering i åtta år, långt innan LLM:er var redo att “gå agenter”.

Jag såg att den deterministiska approach de hade tagit med sina agenter var exakt vad som behövdes för att uppfylla behoven hos LLM-aktiverade agenter, som är inneboende probabilistiska. Allt detta betyder egentligen att medan LLM:er är bra på att “tänka” och vara kreativa, är de dåliga på att göra samma sak, samma sätt varje gång. Varje approach har svagheter på egen hand, men tillsammans löser de problemet med agenter för annonsering.

Min vision var förenlig med Fluencys ledningsgrupps vision, och jag gick med för att leda produktutvecklingen här. Nu springer vi med full fart mot en värld där agenter kan transaktionera säkert med människor i en loop där det behövs, och LLM-aktiverade agenter får deterministiska räcken för att styra sitt beteende.

Jag känner mig otroligt lyckosam att ha åkt med så många av de stora förändringarna i digital annonsering, allt från den första intrycksstandarden till uppfinningen av realtidsbudgivning, till uppfinningen av kurering, till framväxten av agenter för annonsering. Det har varit en vild resa, och jag har fortfarande kul och är entusiastisk över möjligheterna i detta område.

Realtidsbudgivning gav mjukvaran möjligheten att fatta ekonomiska beslut på millisekunder. Vilka lärdomar från utvecklingen av programmatisk annonsering bör dagens utvecklare överväga när de ger AI-agenter större operativ autonomi?

I programmatisk annonsering använde vi maskinlärning, som är en form av AI, för att bygga besluts-motorer som kunde fatta tiotals miljoner beslut per sekund. Detta kräver en otrolig mängd beräkningskraft, data-bearbetning, enorma mängder infrastruktur och innan framväxten av generativ AI, skulle jag hävda att det var en av de mest betydande utvecklingarna inom all mjukvara.

För all sin kraft, finns det också massiva ineffektiviteter i den programmatiska modellen, och ett enormt, komplext ekosystem som bränner för mycket el (och därmed skapar för mycket koldioxid) per annons-intryck. Jag menar inte att jag inte gillar det programmatiska utrymmet, och jag är imponerad av vad vi skapade. Men det känns som att vi har byggt en maskin som är mycket mer komplex än vad vi får ut av den.

Medan samma exakta argument kan göras för generativ AI, är de platser där LLM-aktiverade agenter behöver bo i ekosystemet på gränssnittsnivå, inte i hjärtat av varje enskild transaktion. Och genom att försiktigt blanda LLM:er med deterministiska agenter, kan vi mycket mer effektivt hantera transaktioner samtidigt som vi kraftigt minskar komplexiteten.

Det finns två stora initiativ i branschen, som syftar till att injicera LLM-aktiverade agenter i arbetsflödet för hur transaktioner sker. IAB TechLab har startat initiativet Agentic Advertising Management Protocols (AAMP), som möjliggör mekanismer för att proxiera LLM:er till realtidsbudgivnings-infrastrukturen genom att fatta beslut i förväg och cacha dem i realtids-systemen i ekosystemet. AdCP-projektet fokuserar på vad jag tycker om som “kontonivå-integrationer”. Det betyder att allt arbete som görs av människor i kampanj-hantering och kreativa arbetsflöden för annonsering kan automatiseras. Medan AAMP är mycket värdefullt och intressant, är det en förbättring av ett komplext modernt system. AdCP går efter ett problem som har funnits sedan branschens början, och ett problem som Fluency har löst i åtta år. Så vi gräver djupt i AdCP, men vi kommer att dyka in i AAMP också.

Fluency har i princip löst det sista mil-problemet som aldrig har lösts i annons-teknik-området: De massiva ineffektiviteterna i att skapa och hantera annons-kampanjer på kontonivå, kampanj-nivå och kreativ nivå. Och jag tror verkligen att det arbete vi gör är lika betydande en möjlighet för annonsering som det vi uppfunnit med realtidsbudgivning. När vi ansluter LLM:er till de arbetsflöden som Fluency redan har automatiserat, ökar vi värdet på hela systemet.

Fluency separerar probabilistisk AI-resonemang från de deterministiska systemen som utför kampanj-ändringar. Varför är det för närvarande för riskabelt att låta en stor språkmodell direkt styra annons-budgetar?

Jag tycker att detta är ett grundläggande problem som LLM:er troligen alltid kommer att ha. Probabilistiska motorer är utformade för att ge olika svar på samma fråga varje gång. Även när de är otroligt bra på att tänka, är de dåliga på deterministiska saker. Låt oss använda aritmetik som ett exempel:

LLM:er kan bokstavligen inte addera, subtrahera, multiplicera eller dividera. Nu kanske du inte inser detta, eftersom när du frågar Claude eller ChatGPT en fråga som kräver aritmetik, kan de ge dig rätt svar. Men vad de flesta människor inte vet är att de gör detta genom att skriva skript och köra den koden för att hantera beräkningar. Det är vad vi pratar om här: Intersektionen av en probabilistisk LLM som förstår att den inte kan göra aritmetik, bygger sin egen deterministiska mjukvara som gör beräkningar för att lösa den begärda uppgiften.

Även om LLM:en nu “magiskt” kan göra aritmetik, skulle jag aldrig låta en LLM hantera mina finanser och fatta aktiehandelsbeslut åt mig. Jag skulle aldrig låta en LLM göra mina skatter och lämna in dem utan någon form av granskning. För helvete, jag skulle inte ens låta en LLM skriva ett e-postmeddelande eller en blogg-post utan att noggrant redigera det för att säkerställa att allt är sant.

Så länge de blir smartare och bättre på att utföra, kan de mycket väl kunna göra dessa saker i en avlägsen framtid. Men min gissning är att de kommer att göra det genom att skriva sin egen deterministiska mjukvara för att hantera de delar av problemet som kräver det.

Fluency är där idag – vi har de deterministiska rören för att hantera annonsering. Vi integrerar LLM:er i den här plattformen, använder dem för de saker de är bra på. Och vi exponerar vår plattform för externa agenter så att de kan utföra över våra rör. Till slut ser jag detta som att bygga grinden till annons-ekosystemet, där en LLM-aktiverad agent kan transaktionera på valfri mediaplattform genom att integrera på en plats. Men vi är alla ganska långt ifrån den långsiktiga utgången!

Hur utvärderar Fluencys deterministiska exekveringslager en AI-agents rekommendationer innan de tillåts påverka en live-kampanj, och vilka typer av regler eller begränsningar kan annonsörer etablera?

Vi tillhandahåller mekanismer för människor (eller LLM:er) att skapa deterministiska instruktioner som kommer att utföras på samma sätt varje gång på annons-plattformar. Detta är ett stort problem som behöver lösas i varje bransch. För annonsering är företaget som löser detta Fluency. Vi möjliggör skapandet av affärsregler och heuristik för alla åtgärder som en av våra kunder kan vidta på en annons-plattform. Om det är möjligt att skapa IF/THEN-logik för ett problem, kan vår plattform möjliggöra att det kodas in i affärsregler som följs på samma sätt varje gång.

Detta är kritiskt att förstå. Det finns många beslut som människor fattar på samma sätt varje gång de ser en specifik situation. Detta möjliggör för oss att göra saker som att koda in budget-hanteringsregler, eller generera kampanjer eller kreativa medel medan vi upprätthåller namntaxonomier, eller automatiskt starta och stoppa annons-kampanjer och kreativa medel baserat på utlösare i externa dataset.

Till exempel kan en bilförsäljare få en ny leverans av bilar. Fluency kan läsa inventeringshanteringssystemet som försäljaren använder, och automatiskt generera kampanjer och kreativa medel för exakt bilmärke, modell, till och med färg och specifika attribut för varje enskild bil, inom några minuter efter att bilarna är på plats. Och när den sista bilen säljs, automatiskt stänga av dessa kampanjer.

Allt detta är ganska betydande, eftersom de affärsbeslut som fattas för att göra allt detta är mycket enkla när de tas en i taget. Det är “döden genom tusen skär” -problemet i hantering av annonsering idag som försvinner. Våra kunder upptäcker att detta frigör deras team från att släcka bränder hela dagen till att göra det arbete som betyder något för att flytta nålen för deras kunder.

Annons-strategi och kreativ utveckling kräver ofta experiment och subjektiv bedömning. Hur kan organisationer bevara flexibiliteten hos generativ AI samtidigt som de säkerställer att kampanj-exekvering förblir förutsägbar och efterlevande?

Allt vi har pratat om tidigare har byggt ramen för att besvara detta på ett enkelt sätt. De saker som kan kodas in i affärsregler är korrekt inställda för att utföras. LLM:er kan hjälpa till att analysera och mönster-mata, liksom alla andra former av AI som maskinlärning, som har en lång historia i annons-teknik. Men den riktiga knepen är att ha mekanismer på plats för att nå ut och be en människa att ingripa om problemet inte har ett tydligt svar. Våra kunder kan justera sin risktolerans för detta, så om frågan är låg risk, kan de besluta att låta maskinerna fatta beslutet. Men för saker som verkligen behöver mänskliga beslut, varnar vi dem och möjliggör att de kan ta rodret.

Fluencys plattform opererar över sökning, sociala medier och programmatiska annons-kanaler. Vilka tekniska utmaningar uppstår när en AI-agent måste resonera över plattformar som har olika data-strukturer, optimerings-system och policy-krav?

Varje annons-plattform har en unik uppsättning bästa praxis och funktioner. API:er är de fasta rören vi ansluter till för att driva dessa plattformar externt. API:er är mycket väl dokumenterade, men den dokumentationen är verkligen uppsättningen regler för vad som kan göras på dessa plattformar. De är inte kroppen av bästa praxis för hur man använder den specifika plattformen.

LLM:er kan ta in mycket information i kontext så att bästa praxis för hur man använder varje plattform kan göras tillgängliga genom dem. Eftersom Fluency opererar många plattformar för många byråer och annonsörer, kan vi koda in varje kunds bästa praxis (på deras vägnar) i de instruktioner som en LLM kan följa för att driva differentierad bästa praxis för varje kund. Våra kunder har alla sina egna “playbooks” för hur de driver sina företag, och Fluency låter dem koda in dessa i deterministiska regler där det är möjligt, och över tid kommer vi att möjliggöra dem som instruktionsuppsättningar för LLM-aktiverade agenter där det är meningsfullt.

Vi börjar arbeta med våra kunder nu på denna nästa generations utveckling för att koda in dessa mer komplexa scenarier i deras konton på vår plattform. Det är mycket tidigt. Alla som säger att de har löst någon del av detta med LLM:er sträcker sanningen, eftersom saker är så tidiga, och modellerna utvecklas så snabbt att det inte har lösts fullständigt av någon. Men vi är mycket väl positionerade för att arbeta med våra kunder för att lösa detta.

Vad bör effektiv mänsklig tillsyn se ut som i en agenter-annonserings-miljö? Vilka beslut kan säkert bli autonoma, och vilka bör fortsätta att kräva mänsklig granskning eller godkännande?

Varje kund har en annan risktolerans, och de flesta av dem har aldrig haft ett system som kunde uttrycka det. I Fluency är den bedömning som en bra kampanjledare tillämpar i sitt huvud kodad en gång och sedan tillämpad identiskt över alla konton, alla plattformar, alla gånger. De situationer som inte har ett tydligt svar dirigeras till en person automatiskt, med den kontext de behöver för att fatta beslutet.

Vad det ser ut som i praktiken varierar mycket. Vi kör en stor mängd olika regler för våra kunder idag, och hjälper dem att koda in mänskliga beslut som inte varierar, och trycker på en person när svaret inte är tydligt.

Vilka beslut som kan säkert bli autonoma beror på kunden, och jag tror inte att ett universellt svar är värt mycket. Plattformen måste upprätthålla linjen varhelst en kund ritar den, och låta dem flytta den när deras förtroende växer.

När agenter fattar fler kampanj-beslut, hur bör plattformar dokumentera resonemanget, data och reglerna bakom varje åtgärd så att annonsörer kan granska prestation, undersöka misstag och visa efterlevnad?

En av de kärnvärden som Fluency erbjuder är att vi är SOC2-kompatibla och fullständigt granskningsbara. Förändringar loggas över hela systemet. Jag har varit CPTO för ett börsnoterat företag och har varit ansvarig för efterlevnad tidigare, så jag vet hur komplext det kan vara. Det är en annan anledning till att jag var entusiastisk över att gå med i Fluency, eftersom varje aspekt av vad vi gör är fullständigt granskningsbar. Vi underhåller också ändringsloggar för varje ändring som görs i systemet, loggat mot vilken användare som gjorde det.

Det finns ett andra lager som betyder något. Eftersom affärsreglerna är kodade i mjukvara, är regeln sin egen specifikation. Det finns ingen glidning mellan dokumentationen och beteendet, vilket är där granskningar vanligtvis bryter samman. Och i en LLM-aktiverad värld kan den kodade logiken återges till vanligt affärsspråk på begäran, så att personen som utför granskningen inte behöver läsa kod för att förstå vad systemet instruerades att göra.

För en byrå eller varumärke som börjar anta agenter för annonsering, vilka arbetsflöden utgör den bästa startpunkten, och vilka bevis bör organisationen kräva innan de utökar en agents auktoritet?

Från Fluencys synvinkel är agenter för annonsering välbekant mark. Vi har arbetat med agenter för annonsering i åtta år. Vi har hundratals byråer och varumärken som använder vår plattform för att göra agenter för annonsering idag, och i det multi-lokala utrymmet, är det över många tiotals tusen platser.

Vi automatiserar den stora majoriteten av vad människor gör repetitivt när de ställer in och hanterar kampanjer, över sökning, sociala medier och programmatiska plattformar, så det finns inget arbetsflöde som utgör en bättre eller sämre startpunkt. Den bästa startpunkten är vilken kanal vår kund hittar mest arbetsintensiv.

LLM:er hjälper oss också att påskynda ombord-ställningen av våra kunder, eftersom när du kan föreställa dig, koda in en kunds affärsregler är lika med att utföra en CRM-implementering, mätt i månader. Vi bygger verktyg som använder LLM:er för att hjälpa till att bygga regeluppsättningar och skriva automatiserings-skript. Detta kommer att göra ombord-ställnings-processen mycket snabbare och kommer att minska komplexiteten för våra kunder.

Annons-utrymmet är en tidig testbädd för autonoma system som hanterar riktiga pengar i stor skala. Vilka lärdomar från denna bransch kan appliceras på finansiella tjänster, hälsovård, företags-upphandling eller andra reglerade sektorer som antar AI-agenter?

Annons-utrymmet har varit testbädden för autonoma system som spenderar riktiga pengar i 20 år. Programmatisk annonsering lärde branschen hur man låter mjukvara engagera sig i miljarder dollar om dagen utan att en människa godkänner enskilda transaktioner. De flesta av de nuvarande agenter-annonserings-samtalen handlar om pilot-budgetar och ett fåtal konton.

Fluency har över 3 miljarder dollar i årlig utgift som körs genom vår plattform, över hundratals byråer och varumärken, och i det multi-lokala utrymmet, når det tiotusentals platser. De flesta agenter-annonserings-samtalen just nu handlar om pilot-budgetar och ett fåtal konton.

Vad som överförs till andra sektorer är arkitekturen. Du separerar systemen som fattar beslut från systemen som utför. Besluts-lagret kan vara probabilistiskt, eftersom bedömning drar nytta av flexibilitet och kreativitet. Exekverings-lagret måste vara deterministiskt, eftersom pengar som flyttas inte är en plats där du vill ha variation. Varje åtgärd loggas mot den användare eller agent som initierade den, vilket ger en gransknings-spår som håller i en regulator.

Detta krav är identiskt i finansiella tjänster, i hälsovårds-anspråk, i företags-upphandling. Designen vi byggde för annonsering är rätt: Fullständig granskningsbarhet med ändringsloggar för varje ändring är en grundförutsättning. Jag är särskilt orolig för icke-mänsklig bedömning i saker som godkännande av medicinska förfaranden och godkännande av försäkrings-anspråk. Jag tror inte att LLM:er är där än, och jag har personliga exempel i mitt eget liv på automatiserade system som fattar mycket dåliga beslut om att godkänna eller avvisa försäkrings-anspråk.

Min förväntning är att mönstret som annonsering etablerar blir mönstret som dessa sektorer antar. Vi har haft en 20-årig försprång på problemet med maskiner som spenderar pengar hundratals miljoner gånger per sekund. Fluencys tillvägagångssätt sträcker sig från transaktionen till arbetsflödet, och jag är säker på att vår tillvägagångssätt kommer att vara den som vinner.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Fluency.