สัมภาษณ์
Eric Picard รองประธานอาวุโสฝ่ายผลิตภัณฑ์ของ Fluency – ซีรีส์สัมภาษณ์

ประเด็นสำคัญเอเจนต์ที่กำหนดผลลัพธ์ได้แน่นอนของ Fluency มีมาก่อน LLM…
ดูเพิ่มเติม
- เอเจนต์ที่กำหนดผลลัพธ์ได้แน่นอนของ Fluency มีมาก่อน LLM และปัจจุบันทำหน้าที่เป็นแนวป้องกันสำหรับ AI แบบความน่าจะเป็นในงานโฆษณา
- การผสมผสานกฎที่กำหนดผลลัพธ์ได้แน่นอนเข้ากับการให้เหตุผลของ LLM ช่วยลดความซับซ้อนและความไม่มีประสิทธิภาพในเวิร์กโฟลว์การจัดการแคมเปญ
- มาตรฐาน AdCP มีเป้าหมายเพื่อทำให้งานแคมเปญระดับบัญชีเป็นอัตโนมัติ โดยยังคงให้มนุษย์มีส่วนร่วมในการตัดสินใจที่มีความเสี่ยง
Eric Picard รองประธานอาวุโสฝ่ายผลิตภัณฑ์ของ Fluency เป็นผู้บริหารด้านผลิตภัณฑ์และเทคโนโลยีที่มีประสบการณ์หลายทศวรรษในการพัฒนาแพลตฟอร์มโฆษณาดิจิทัล ตลาดอัตโนมัติ ระบบข้อมูล และผลิตภัณฑ์สำหรับผู้บริโภค ก่อนร่วมงานกับ Fluency เขาดำรงตำแหน่งผู้นำระดับสูงที่ Microsoft (MSFT ), Pandora, MediaMath, Yieldmo และ BARK โดยรับผิดชอบตั้งแต่กลยุทธ์เทคโนโลยีโฆษณาและสื่อแบบโปรแกรมเมติก ไปจนถึงการจัดการผลิตภัณฑ์ วิทยาศาสตร์ข้อมูล วิศวกรรม และการปรับปรุงแพลตฟอร์มขนาดใหญ่ Picard ยังเป็นผู้ประกอบการต่อเนื่อง ผู้ก่อตั้ง Bluestreak, Rare Crowds, Questori และธุรกิจเทคโนโลยีอื่น ๆ โดย Bluestreak และ Rare Crowds ถูกซื้อกิจการในเวลาต่อมา เส้นทางอาชีพของเขารวมถึงการร่วมออกแบบตลาดซื้อขายโฆษณาแบบประมูลเรียลไทม์ในยุคแรก เปิดตัวผลิตภัณฑ์โฆษณาเสียงแบบโปรแกรมเมติก พัฒนาเทคโนโลยีคัดสรรพื้นที่โฆษณาอัตโนมัติ และให้คำปรึกษาบริษัทต่าง ๆ เกี่ยวกับปัญญาประดิษฐ์ กลยุทธ์ผลิตภัณฑ์ การเปลี่ยนแปลงองค์กร ตลอดจนการควบรวมและซื้อกิจการ
Fluency พัฒนาระบบปฏิบัติการโฆษณาดิจิทัลเพื่อช่วยเอเจนซี แบรนด์ และธุรกิจหลายสาขาบริหารแคมเปญสื่อแบบชำระเงินทั้งการค้นหา โซเชียล แพลตฟอร์มโปรแกรมเมติก ระบบปิด และเว็บเปิด แพลตฟอร์มรวมข้อมูล ชิ้นงานสร้างสรรค์ พื้นที่โฆษณา ข้อกำหนดด้านการปฏิบัติตามกฎ กลุ่มเป้าหมาย กลยุทธ์แคมเปญ การรายงาน และกระบวนการดำเนินงานไว้ด้วยกัน พร้อมใช้ระบบอัตโนมัติและ AI เพื่อลดงานซ้ำและประสานแคมเปญในวงกว้าง Fluency ให้ความสำคัญมากขึ้นกับ agentic advertising หรือโฆษณาที่ดำเนินงานด้วยเอเจนต์ ซึ่งรวมถึงกระบวนการที่ขับเคลื่อนด้วย AI ภายใต้การกำกับดูแล สามารถดำเนินงานและเพิ่มประสิทธิภาพแคมเปญโดยยังคงข้อควบคุมด้านกลยุทธ์และแบรนด์ที่กำหนดไว้ บริษัทระบุว่าเทคโนโลยีของตนรองรับมากกว่า 250,000 แคมเปญต่อเดือน และบริหารงบโฆษณาประมาณ 3 พันล้านดอลลาร์ต่อปี
เส้นทางอาชีพของคุณครอบคลุมช่วงสำคัญหลายยุคของโฆษณาดิจิทัล ตั้งแต่การก่อตั้ง Bluestreak และช่วยวางมาตรฐานโฆษณาดิจิทัลยุคแรก ไปจนถึงการมีส่วนร่วมในสถาปัตยกรรมตลาดประมูลเรียลไทม์แห่งแรก ๆ ประสบการณ์เหล่านั้นหล่อหลอมแนวทางของคุณในการสร้างระบบ agentic advertising รุ่นต่อไปที่ Fluency อย่างไร?
ผมโชคดีมากที่พบว่าโฆษณาดิจิทัลเป็นพื้นที่ซึ่งน่าสนใจในหลายมิติ ผมได้เป็นส่วนหนึ่งของกลไกที่สนับสนุนเงินทุนให้กับการเติบโตของอินเทอร์เน็ต ได้คิดค้นหรือร่วมคิดค้นกลไกพื้นฐานบางอย่างของการทำงานโฆษณาดิจิทัล และความท้าทายทางเทคนิคในพื้นที่นี้ก็ทัดเทียมกับความท้าทายใด ๆ ในซอฟต์แวร์ จึงเป็นเรื่องน่าสนใจอยู่เสมอ
ที่ Bluestreak เราได้สร้างสิ่งแรก ๆ ของแทบทุกรูปแบบโฆษณา รวมถึงโฆษณาวิดีโอและเสียงในยุคแรก เราเป็นรายแรกที่ทำ multi-touch attribution รายแรกที่นำเสนอระบบจัดการแท็ก และรายแรกที่เสนอการวัดหลายจุดสัมผัสครอบคลุมสื่อดิจิทัลทุกประเภท ผลงานนี้ทำให้ผมได้รับเชิญให้ร่วมเขียนมาตรฐานการนับ impression ฉบับแรกกับ Interactive Advertising Bureau (IAB) และ Media Rating Council (MRC)
เมื่อผมไป Microsoft บริษัทตัดสินใจลงทุนในเทคโนโลยีโฆษณา เพราะเห็นว่า Google ทำเงินต่อ Windows หนึ่งชุดได้มากกว่า Microsoft ทั้งหมดมาจากโฆษณาดิจิทัล พวกเขาเสนอบทบาทที่น่าดึงดูดอย่างยิ่ง คือโอกาสเขียนกลยุทธ์ระดับโลกว่า Microsoft ควรเข้าสู่เทคโนโลยีโฆษณาอย่างไร
เราตัดสินใจลงทุนครั้งใหญ่ใน ad-tech และผมรับผิดชอบวางกลยุทธ์ว่าจะสร้าง ซื้อ หรือร่วมมือ ผมตรวจสอบสถานะบริษัทมากกว่า 150 แห่ง เราซื้อ 7 บริษัท และลงทุนอย่างมากในการขยายทีมภายใน ตอนผมเริ่มงาน เรามีวิศวกร ad-tech ราว 200 คนและรายได้สื่อประมาณ 750 ล้านดอลลาร์ ตอนผมออก เรามีวิศวกร 1,500 คนและรายได้มากกว่า 5 พันล้านดอลลาร์ ปัจจุบันรายได้จากโฆษณาค้นหาประมาณ 15 พันล้านดอลลาร์ แต่ในเวลานั้น 5 พันล้านดอลลาร์เป็นตัวเลขมหาศาล
หนึ่งในบริษัทที่ผมศึกษาและเราซื้อในท้ายที่สุดคือ AdECN ซึ่งเป็นบริษัทแรกของ Jeff Green ก่อนที่เขาจะก่อตั้ง The Trade Desk (TTD ) เราเคยพิจารณาซื้อ Right Media ซึ่งทำให้ผมรู้จัก Brian O’Kelley เป็นอย่างดี แต่เราไม่ซื้อ เราเห็นโอกาสของการประมูลแบบอะซิงโครนัสทั่วโลกที่เปิดให้ผู้เสนอราคาภายนอกหลายรายเชื่อมต่อกับตลาด จึงซื้อ AdECN และช่วยสร้างทีมวิศวกรรมที่แข็งแกร่งเพื่อทำวิสัยทัศน์นั้นให้เกิดขึ้น
เมื่อ AdECN พร้อมเปิดตลาดประมูลเรียลไทม์ (RTB) แห่งแรก เกิดความขัดแย้งเรื่องแนวทาง และสุดท้ายระบบแทบไม่เคยพ้นการทดสอบเบตา
ผลลัพธ์สองประการจากเหตุการณ์นี้เปลี่ยนระบบนิเวศ ad-tech ทั้งหมด ประการแรก Brian O’Kelley ก่อตั้ง AppNexus หลังออกจาก Right Media และเมื่อชัดเจนว่า AdECN จะไม่สามารถเปิดใช้งานจริง ผมผลักดันโอกาสในการเป็นพันธมิตรกับ AppNexus ซึ่งนำไปสู่การลงทุนครั้งใหญ่และความร่วมมือที่แน่นแฟ้น ก่อนจบลงด้วยการที่ Microsoft ซื้อบริษัท ประการที่สอง Jeff Green ออกจาก Microsoft พาวิศวกรบางส่วนที่สร้างตลาด RTB ที่ AdECN ไปด้วย และก่อตั้ง The Trade Desk
ช่วงแรกของอาชีพผมตั้งแต่ปี 1997 ถึง 2010 จึงหว่านเมล็ดพันธุ์ระยะยาวที่กำลังออกผลน่าสนใจ ผมไปทำหลายบทบาท รวมถึงสตาร์ทอัพ Rare Crowds ที่เราคิดค้น Programmatic Curation ผมทำงานที่ Pandora ซึ่งมีธุรกิจโฆษณาเสียงชั้นยอดรวมถึงตลาดโฆษณาเสียงที่ใหญ่ที่สุด และที่ Yieldmo ซึ่งเราสร้างตลาดโฆษณาที่เน้นความเป็นส่วนตัวแห่งแรก ในช่วงนั้นผมได้เป็นกรรมการของ IAB Tech Lab และได้รับเชิญให้อยู่ในคณะกรรมการบริหาร ผมทำงานด้านมาตรฐานอุตสาหกรรมต่อเนื่องมาตลอด
ปีที่แล้ว Brian O’Kelley เห็นโอกาสสร้างมาตรฐานอุตสาหกรรมสำหรับ agentic advertising ที่เรียกว่า AdCP และบริหารโดย AgenticAdvertising.org เราพูดคุยกันว่างานที่กำลังทำมีช่องว่างตรงไหน และผมอาสาเขียนข้อกำหนดด้าน Governance and Compliance ฉบับแรกสำหรับ AdCP
สองสามเดือนหลังเขียนข้อกำหนด Fluency ติดต่อผม เมื่อเริ่มเรียนรู้สิ่งที่พวกเขาสร้าง ผมประทับใจมาก เพราะพวกเขาแก้ปัญหาแทบทุกข้อที่ผมระบุไว้แล้ว พวกเขาทำ agentic advertising มาแปดปี ตั้งแต่ก่อน LLM จะพร้อมทำงานแบบเอเจนต์
ผมเห็นว่าแนวทางเชิงกำหนดแน่นอนที่ Fluency ใช้กับเอเจนต์คือสิ่งที่จำเป็นสำหรับเอเจนต์ที่ขับเคลื่อนด้วย LLM ซึ่งโดยธรรมชาติเป็นแบบความน่าจะเป็น กล่าวง่าย ๆ คือ LLM เก่งในการ “คิด” และสร้างสรรค์ แต่ทำสิ่งเดิมให้เหมือนเดิมทุกครั้งได้แย่ แต่ละแนวทางมีจุดอ่อนเมื่อใช้ลำพัง ทว่าเมื่อนำมารวมกันจะแก้ปัญหา agentic advertising ได้
วิสัยทัศน์ของผมสอดคล้องกับทีมผู้นำ Fluency จึงเข้ามานำฝ่ายผลิตภัณฑ์ ตอนนี้เรากำลังเดินหน้าเต็มกำลังสู่โลกที่เอเจนต์ทำธุรกรรมโฆษณาได้อย่างปลอดภัย มีมนุษย์อยู่ในวงจรเมื่อจำเป็น และมีราวกั้นเชิงกำหนดแน่นอนควบคุมพฤติกรรมของเอเจนต์ LLM
ผมรู้สึกโชคดีมากที่ได้ผ่านคลื่นการเปลี่ยนแปลงใหญ่ของโฆษณาดิจิทัลหลายระลอก ตั้งแต่มาตรฐาน impression ฉบับแรก การคิดค้น RTB การคิดค้น Curation จนถึงยุค agentic advertising เป็นการเดินทางที่เข้มข้น และผมยังสนุกและตื่นเต้นกับโอกาสในพื้นที่นี้
การประมูลเรียลไทม์ทำให้ซอฟต์แวร์ตัดสินใจทางการเงินในหน่วยมิลลิวินาทีได้ นักพัฒนาปัจจุบันควรเรียนรู้อะไรจากวิวัฒนาการของโฆษณาแบบโปรแกรมเมติก เมื่อต้องให้อิสระในการปฏิบัติงานแก่เอเจนต์ AI มากขึ้น?
ในโฆษณาแบบโปรแกรมเมติก เราใช้แมชชีนเลิร์นนิงซึ่งเป็น AI รูปแบบหนึ่ง เพื่อสร้างเครื่องมือตัดสินใจที่ทำได้หลายสิบล้านครั้งต่อวินาที งานนี้ต้องใช้พลังประมวลผล การจัดการข้อมูล และโครงสร้างพื้นฐานมหาศาล ก่อนยุค generative AI ผมมองว่านี่เป็นหนึ่งในพัฒนาการที่ลึกซึ้งที่สุดของวงการคอมพิวเตอร์
แม้จะทรงพลัง โมเดลโปรแกรมเมติกก็มีความไร้ประสิทธิภาพมหาศาล และระบบนิเวศขนาดใหญ่ที่ซับซ้อนเผาผลาญไฟฟ้ามากเกินไป จึงปล่อยคาร์บอนมากเกินไปต่อ impression อย่าเข้าใจผิด ผมรักวงการนี้และทึ่งกับสิ่งที่เราสร้าง แต่เหมือนว่าเราสร้างเครื่องจักรที่ซับซ้อนเกินกว่าผลตอบแทนจากความซับซ้อนนั้นมาก
ข้อโต้แย้งเดียวกันใช้กับ generative AI ได้ ตำแหน่งที่เอเจนต์ LLM ควรอยู่ในระบบนิเวศคือจุดเชื่อมต่อ ไม่ใช่ใจกลางทุกธุรกรรม เมื่อผสม LLM กับเอเจนต์เชิงกำหนดแน่นอนอย่างรอบคอบ เราจะจัดการธุรกรรมได้มีประสิทธิภาพมากขึ้นและลดความซับซ้อนได้อย่างมาก
อุตสาหกรรมมีสองโครงการใหญ่ที่พยายามนำเอเจนต์ LLM เข้าไปในกระบวนการธุรกรรม IAB Tech Lab เปิดโครงการ Agentic Advertising Management Protocols (AAMP) ซึ่งทำให้ LLM เป็นตัวแทนเข้าสู่โครงสร้าง RTB โดยตัดสินใจล่วงหน้าและแคชผลไว้ในระบบเรียลไทม์ ส่วน AdCP มุ่งเน้นการเชื่อมต่อระดับบัญชี กล่าวคือทำให้งานมนุษย์ในกระบวนการจัดการแคมเปญและสร้างชิ้นงานโฆษณาเป็นอัตโนมัติ AAMP มีคุณค่าและน่าสนใจมาก แต่เป็นการปรับปรุงระบบสมัยใหม่ที่ซับซ้อน ส่วน AdCP แก้ปัญหาที่มีตั้งแต่เริ่มอุตสาหกรรมและ Fluency แก้มานานแปดปี เราจึงลงลึกใน AdCP ก่อน และท้ายที่สุดจะเข้าสู่ AAMP ด้วย
Fluency แก้ปัญหา “ระยะสุดท้าย” ที่ ad-tech ไม่เคยจัดการอย่างแท้จริง นั่นคือความไร้ประสิทธิภาพมหาศาลในการสร้างและบริหารแคมเปญระดับบัญชี แคมเปญ และชิ้นงาน ผมเชื่อจริง ๆ ว่างานนี้เป็นโอกาสที่ลึกซึ้งต่อโฆษณาไม่แพ้สิ่งที่เราคิดค้นกับ RTB เมื่อเชื่อม LLM เข้ากับกระบวนการที่ Fluency ทำเป็นอัตโนมัติอยู่แล้ว เราก็เพิ่มคุณค่าให้ทั้งระบบ
Fluency แยกการให้เหตุผลแบบความน่าจะเป็นของ AI ออกจากระบบเชิงกำหนดแน่นอนที่ดำเนินการเปลี่ยนแปลงแคมเปญ เหตุใดการให้ LLM ควบคุมงบโฆษณาโดยตรงจึงยังเสี่ยงเกินไป?
ผมคิดว่านี่เป็นปัญหาพื้นฐานที่ LLM น่าจะมีอยู่เสมอ เครื่องยนต์แบบความน่าจะเป็นถูกออกแบบมาให้ตอบคำถามเดียวกันต่างกันในแต่ละครั้ง แม้จะคิดเก่งอย่างยิ่ง แต่ก็ทำงานที่ต้องแน่นอนได้ไม่ดี ลองใช้เลขคณิตเป็นตัวอย่าง
LLM ไม่สามารถบวก ลบ คูณ หรือหารได้จริง คุณอาจไม่ทราบเพราะเมื่อถาม Claude หรือ ChatGPT ด้วยโจทย์ที่ต้องคำนวณ มันให้คำตอบที่ถูกได้ แต่คนส่วนใหญ่ไม่รู้ว่าระบบทำเช่นนั้นด้วยการเขียนสคริปต์และรันโค้ดเพื่อคำนวณ นี่คือจุดตัดที่เราพูดถึง: LLM แบบความน่าจะเป็นรู้ว่าตนคำนวณไม่ได้ จึงสร้างซอฟต์แวร์เชิงกำหนดแน่นอนของตัวเองเพื่อคำนวณและแก้งานที่ขอ
แม้ LLM จะทำเลขได้อย่าง “มหัศจรรย์” แล้ว ผมก็จะไม่ให้มันบริหารการเงินหรือตัดสินใจซื้อขายหุ้นแทนผม จะไม่ให้ทำและยื่นภาษีโดยไม่มีการตรวจทาน และแม้แต่อีเมลหรือบทความบล็อก ผมก็ไม่ยอมให้ LLM เขียนโดยไม่แก้ไขอย่างระมัดระวังเพื่อให้แน่ใจว่าทุกอย่างเป็นความจริง
เมื่อฉลาดและลงมือทำเก่งขึ้น วันหนึ่งในอนาคตอันไกลมันอาจทำสิ่งเหล่านี้ได้ แต่ผมเดาว่ามันจะทำด้วยการเขียนซอฟต์แวร์เชิงกำหนดแน่นอนของตัวเอง เพื่อจัดการส่วนที่ต้องการความแน่นอน
Fluency มีสิ่งนั้นแล้ววันนี้ เรามีท่อเชิงกำหนดแน่นอนสำหรับจัดการโฆษณา กำลังรวม LLM เข้ากับแพลตฟอร์มและใช้กับงานที่มันถนัด อีกทั้งเปิดแพลตฟอร์มให้เอเจนต์ภายนอกดำเนินงานผ่านท่อของเรา สุดท้ายผมมองว่านี่คือการสร้างประตูสู่ระบบนิเวศโฆษณา ซึ่งเอเจนต์ LLM เชื่อมต่อเพียงจุดเดียวแล้วทำธุรกรรมบนแพลตฟอร์มสื่อใดก็ได้ แต่เรายังห่างจากผลลัพธ์ระยะยาวนั้นพอสมควร
ชั้นดำเนินการเชิงกำหนดแน่นอนของ Fluency ประเมินคำแนะนำจากเอเจนต์ AI อย่างไรก่อนอนุญาตให้กระทบแคมเปญจริง และผู้โฆษณากำหนดกฎหรือข้อจำกัดประเภทใดได้?
เรามีกลไกให้มนุษย์หรือ LLM สร้างคำสั่งเชิงกำหนดแน่นอนที่จะทำงานแบบเดียวกันทุกครั้งบนแพลตฟอร์มโฆษณา นี่เป็นปัญหาใหญ่ที่ทุกอุตสาหกรรมต้องแก้ และในโฆษณา Fluency คือบริษัทที่แก้ปัญหานี้ เราช่วยสร้างกฎธุรกิจและฮิวริสติกสำหรับทุกการกระทำที่ลูกค้าอาจทำบนแพลตฟอร์ม หากปัญหาเขียนเป็นตรรกะ IF/THEN ได้ แพลตฟอร์มก็เข้ารหัสเป็นกฎธุรกิจที่ปฏิบัติเหมือนเดิมทุกครั้งได้
เรื่องนี้สำคัญมาก เพราะมีการตัดสินใจจำนวนมากที่มนุษย์ทำเหมือนเดิมทุกครั้งเมื่อพบสถานการณ์หนึ่ง เราจึงเข้ารหัสกฎบริหารงบประมาณ สร้างแคมเปญหรือชิ้นงานพร้อมบังคับใช้ระบบการตั้งชื่อ หรือเปิดและปิดแคมเปญกับชิ้นงานอัตโนมัติตามตัวกระตุ้นจากชุดข้อมูลภายนอกได้
ตัวอย่างเช่น ตัวแทนจำหน่ายรถยนต์ได้รับรถล็อตใหม่ Fluency อ่านระบบบริหารสินค้าคงคลัง แล้วสร้างแคมเปญและชิ้นงานสำหรับยี่ห้อ รุ่น สี และคุณสมบัติเฉพาะของรถแต่ละคันโดยอัตโนมัติภายในไม่กี่นาทีหลังรถมาถึง และเมื่อรถคันสุดท้ายขายแล้วก็ปิดแคมเปญเหล่านั้นอัตโนมัติ
ทั้งหมดนี้มีผลลึกซึ้ง เพราะเมื่อตัดสินใจทีละเรื่อง การตัดสินใจทางธุรกิจเหล่านี้ล้วนง่าย สิ่งที่หายไปคือปัญหา “ตายด้วยบาดแผลเล็กนับพัน” ของการบริหารโฆษณาปัจจุบัน ลูกค้าพบว่าทีมไม่ต้องคอยดับไฟทั้งวัน และมีเวลาไปทำงานที่สร้างผลลัพธ์ให้ลูกค้าจริง ๆ
กลยุทธ์โฆษณาและการพัฒนาชิ้นงานมักต้องอาศัยการทดลองและดุลยพินิจ องค์กรจะรักษาความยืดหยุ่นของ generative AI พร้อมทำให้การดำเนินแคมเปญคาดการณ์ได้และเป็นไปตามข้อกำหนดอย่างไร?
ทุกอย่างที่พูดมาสร้างกรอบคำตอบง่าย ๆ แล้ว สิ่งที่เข้ารหัสเป็นกฎธุรกิจได้ก็ตั้งค่าให้ตัดสินใจง่าย ๆ แบบเดิมทุกครั้ง LLM ช่วยวิเคราะห์และจับรูปแบบได้ เช่นเดียวกับ AI รูปแบบอื่นอย่างแมชชีนเลิร์นนิงที่มีประวัติยาวนานใน ad-tech แต่เคล็ดลับจริงคือมีกลไกเรียกมนุษย์ให้เข้ามาแทรกแซงเมื่อปัญหาไม่มีคำตอบชัด ลูกค้าปรับระดับความเสี่ยงที่ยอมรับได้ หากความเสี่ยงต่ำอาจให้เครื่องตัดสินใจ แต่เรื่องที่ต้องใช้มนุษย์จริง ๆ เราจะแจ้งเตือนและให้พวกเขากลับมาจับพวงมาลัย
แพลตฟอร์ม Fluency ทำงานทั้งช่องทางค้นหา โซเชียล และโปรแกรมเมติก ความท้าทายทางเทคนิคใดเกิดขึ้นเมื่อเอเจนต์ AI ต้องให้เหตุผลข้ามแพลตฟอร์มที่มีโครงสร้างข้อมูล ระบบเพิ่มประสิทธิภาพ และข้อกำหนดนโยบายต่างกัน?
แพลตฟอร์มโฆษณาแต่ละแห่งมีแนวปฏิบัติที่ดีที่สุดและความสามารถเฉพาะ API คือท่อคงที่ที่เราเชื่อมต่อเพื่อขับแพลตฟอร์มจากภายนอก เอกสาร API ละเอียดมาก แต่จริง ๆ เป็นเพียงกฎว่าสิ่งใด “ทำได้” ไม่ได้รวบรวมแนวปฏิบัติที่ดีที่สุดของแพลตฟอร์มนั้น
LLM ใส่ข้อมูลจำนวนมากไว้ในบริบทได้ จึงทำให้แนวปฏิบัติที่ดีที่สุดสำหรับแต่ละแพลตฟอร์มพร้อมใช้งานผ่านตัวมัน เนื่องจาก Fluency ดำเนินงานหลายแพลตฟอร์มให้เอเจนซีและผู้โฆษณาหลายราย เราสามารถเข้ารหัสแนวปฏิบัติที่ดีที่สุดของลูกค้าแต่ละรายเป็นคำสั่งให้ LLM ทำตาม เพื่อขับแนวปฏิบัติที่แตกต่างเฉพาะลูกค้า ทุกคนมี “คู่มือปฏิบัติงาน” ของตน และ Fluency ให้เข้ารหัสเป็นกฎเชิงกำหนดแน่นอนเมื่อทำได้ ต่อไปจะเปิดให้เป็นชุดคำสั่งสำหรับเอเจนต์ LLM เมื่อเหมาะสม
ตอนนี้เราเริ่มทำงานกับลูกค้าในงานพัฒนารุ่นถัดไป เพื่อเข้ารหัสสถานการณ์ที่ซับซ้อนยิ่งขึ้นลงในบัญชีบนแพลตฟอร์ม นี่ยังเป็นช่วงเริ่มต้น ใครที่บอกว่าแก้ส่วนใดของเรื่องนี้ด้วย LLM สำเร็จแล้วกำลังกล่าวเกินจริง เพราะทุกอย่างยังใหม่และโมเดลเปลี่ยนเร็วมากจนยังไม่มีใครแก้ได้สมบูรณ์ แต่เราอยู่ในตำแหน่งที่ดีมากที่จะร่วมแก้กับลูกค้า
การกำกับดูแลโดยมนุษย์ที่มีประสิทธิภาพในสภาพแวดล้อม agentic advertising ควรเป็นอย่างไร การตัดสินใจใดทำอัตโนมัติได้อย่างปลอดภัย และเรื่องใดควรต้องให้มนุษย์ตรวจทานหรืออนุมัติต่อไป?
ลูกค้าแต่ละรายยอมรับความเสี่ยงต่างกัน และส่วนใหญ่ไม่เคยมีระบบที่แสดงระดับนั้นได้ ที่ Fluency ดุลยพินิจซึ่งผู้จัดการแคมเปญที่ดีใช้ในใจจะถูกเข้ารหัสครั้งเดียว แล้วใช้เหมือนกันทุกบัญชี ทุกแพลตฟอร์ม ทุกครั้ง สถานการณ์ที่ไม่มีคำตอบชัดจะถูกส่งให้คนโดยอัตโนมัติพร้อมบริบทที่จำเป็นต่อการตัดสินใจ
การใช้งานจริงจึงแตกต่างกันมาก ปัจจุบันเรารันกฎจำนวนมหาศาลให้ลูกค้า ช่วยเข้ารหัสการตัดสินใจของมนุษย์ที่ไม่เปลี่ยนแปลง และส่งต่อให้มนุษย์เมื่อคำตอบไม่ชัด
การตัดสินใจใดทำอัตโนมัติได้อย่างปลอดภัยขึ้นอยู่กับลูกค้า คำตอบสากลแทบไม่มีค่า แพลตฟอร์มต้องบังคับใช้เส้นแบ่งตรงที่ลูกค้าเลือก และให้ขยับเส้นนั้นได้เมื่อความมั่นใจเพิ่มขึ้น
เมื่อเอเจนต์ตัดสินใจเกี่ยวกับแคมเปญมากขึ้น แพลตฟอร์มควรบันทึกเหตุผล ข้อมูล และกฎเบื้องหลังแต่ละการกระทำอย่างไร เพื่อให้ผู้โฆษณาตรวจสอบประสิทธิภาพ สืบสวนข้อผิดพลาด และแสดงการปฏิบัติตามข้อกำหนดได้?
คุณค่าหลักประการหนึ่งของ Fluency คือเราปฏิบัติตาม SOC 2 และตรวจสอบย้อนหลังได้เต็มรูปแบบ การเปลี่ยนแปลงถูกบันทึกทั่วทั้งระบบ ผมเคยเป็น CPTO ของบริษัทจดทะเบียนและรับผิดชอบการปฏิบัติตามข้อกำหนด จึงรู้ว่าซับซ้อนเพียงใด นี่เป็นอีกเหตุผลที่ผมตื่นเต้นกับ Fluency เพราะทุกแง่มุมตรวจสอบได้ เรายังเก็บ change log ของทุกการแก้ไขพร้อมผู้ใช้ที่ดำเนินการ
ยังมีชั้นที่สองซึ่งสำคัญ เมื่อกฎธุรกิจถูกเข้ารหัสในซอฟต์แวร์ กฎก็คือข้อกำหนดของตัวเอง เอกสารกับพฤติกรรมจึงไม่คลาดเคลื่อน ซึ่งเป็นจุดที่การตรวจสอบมักล้มเหลว และในโลกที่มี LLM ตรรกะที่เข้ารหัสนี้สามารถแปลงกลับเป็นภาษาธุรกิจธรรมดาได้ตามต้องการ ผู้ตรวจสอบจึงไม่ต้องอ่านโค้ดเพื่อเข้าใจว่าระบบได้รับคำสั่งให้ทำอะไร
สำหรับเอเจนซีหรือแบรนด์ที่เริ่มนำ agentic advertising มาใช้ กระบวนการใดเป็นจุดเริ่มต้นที่ดีที่สุด และองค์กรควรเรียกร้องหลักฐานอะไร ก่อนขยายอำนาจของเอเจนต์?
จากมุมมอง Fluency พื้นที่นี้มีผู้เดินทางมาไกลแล้ว เราทำ agentic advertising มาแปดปี มีเอเจนซีและแบรนด์หลายร้อยรายใช้แพลตฟอร์มทำงานลักษณะนี้อยู่วันนี้ และในธุรกิจหลายสาขาครอบคลุมสถานที่หลายหมื่นแห่ง
เราทำงานซ้ำส่วนใหญ่ที่มนุษย์ใช้ตั้งค่าและบริหารแคมเปญเป็นอัตโนมัติ ทั้งค้นหา โซเชียล และโปรแกรมเมติก จึงไม่มีกระบวนการใดเป็นจุดเริ่มต้นที่ดีกว่าหรือแย่กว่า จุดเริ่มที่ดีที่สุดคือช่องทางที่ลูกค้าเห็นว่าใช้แรงงานมากที่สุด
LLM ยังช่วยเร่งการเริ่มใช้งานของลูกค้า เพราะการเข้ารหัสกฎธุรกิจของลูกค้าคล้ายการติดตั้ง CRM และวัดเวลาเป็นเดือน เรากำลังสร้างเครื่องมือที่ใช้ LLM ช่วยสร้างชุดกฎและเขียนสคริปต์อัตโนมัติ ซึ่งจะทำให้กระบวนการเริ่มใช้งานเร็วขึ้นและลดความซับซ้อนสำหรับลูกค้า
โฆษณาเป็นสนามทดสอบแรกของระบบอัตโนมัติที่บริหารเงินจริงในวงกว้าง บทเรียนใดจากอุตสาหกรรมนี้ประยุกต์ใช้กับบริการการเงิน การดูแลสุขภาพ การจัดซื้อขององค์กร หรือภาคกำกับดูแลอื่นที่นำเอเจนต์ AI มาใช้ได้?
โฆษณาเป็นสนามพิสูจน์ของระบบอัตโนมัติที่ใช้เงินจริงมานาน 20 ปี โปรแกรมเมติกสอนอุตสาหกรรมให้ซอฟต์แวร์ผูกมัดเงินหลายพันล้านดอลลาร์ต่อวันโดยไม่มีมนุษย์อนุมัติธุรกรรมแต่ละรายการ การสนทนาเรื่อง agentic AI ส่วนใหญ่ในปัจจุบันยังอยู่ในระดับที่โฆษณาก้าวข้ามไปนานแล้ว
Fluency มีงบมากกว่า 3 พันล้านดอลลาร์ต่อปีไหลผ่านแพลตฟอร์ม ครอบคลุมเอเจนซีและแบรนด์หลายร้อยราย และในธุรกิจหลายสาขาไปถึงสถานที่หลายหมื่นแห่ง ขณะที่บทสนทนา agentic advertising ส่วนใหญ่ตอนนี้ยังพูดถึงงบทดลองและบัญชีเพียงไม่กี่บัญชี
สิ่งที่ถ่ายทอดไปภาคอื่นคือสถาปัตยกรรม คุณแยกระบบที่ตัดสินใจออกจากระบบที่ดำเนินการ ชั้นตัดสินใจเป็นแบบความน่าจะเป็นได้ เพราะดุลยพินิจได้ประโยชน์จากความยืดหยุ่นและความคิดสร้างสรรค์ ชั้นดำเนินการต้องเป็นเชิงกำหนดแน่นอน เพราะการเคลื่อนย้ายเงินไม่ใช่พื้นที่ที่ต้องการความแปรปรวน ทุกการกระทำถูกบันทึกเทียบกับผู้ใช้หรือเอเจนต์ที่เริ่มต้น จึงมีร่องรอยตรวจสอบที่ยืนต่อหน้าหน่วยงานกำกับได้
ข้อกำหนดนี้เหมือนกันในบริการการเงิน การเคลมสุขภาพ และการจัดซื้อองค์กร เพียงแต่ความเสี่ยงสูงกว่าและเครื่องมือโดยทั่วไปแย่กว่า แบบที่เราสร้างให้โฆษณาคือสิ่งที่ถูกต้อง: การตรวจสอบได้เต็มรูปแบบพร้อมบันทึกทุกการแก้ไขเป็นข้อกำหนดพื้นฐาน ผมกังวลเป็นพิเศษกับดุลยพินิจของสิ่งที่ไม่ใช่มนุษย์ในการอนุมัติหัตถการทางการแพทย์และเคลมประกัน ผมไม่คิดว่า LLM พร้อมแล้ว และมีตัวอย่างส่วนตัวที่ระบบอัตโนมัติตัดสินใจแย่มากในการอนุมัติหรือปฏิเสธเคลม
ผมคาดว่ารูปแบบที่โฆษณาวางไว้จะกลายเป็นรูปแบบที่ภาคเหล่านั้นรับไปใช้ เรานำหน้ามา 20 ปีในการแก้ปัญหาเครื่องจักรใช้เงินหลายร้อยล้านครั้งต่อวินาที แนวทางของ Fluency ขยายจากธุรกรรมสู่กระบวนการทำงาน และผมมั่นใจว่าแนวทางนี้จะเป็นผู้ชนะเช่นกัน
ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการทราบข้อมูลเพิ่มเติมสามารถเยี่ยมชม Fluency












