เอริก พิคาร์ด, SVP of Product at Fluency – Interview Series

เอริก พิคาร์ด, Senior Vice President of Product at Fluency, เป็นนักบริหารผลิตภัณฑ์และเทคโนโลยีที่มีประสบการณ์ ซึ่งใช้เวลาสองทศวรรษในการพัฒนาแพลตฟอร์มโฆษณาดิจิทัล ตลาดอัตโนมัติ ระบบข้อมูล และผลิตภัณฑ์ที่มุ่งเน้นลูกค้า ก่อนที่จะเข้าร่วม Fluency เขาได้รับตำแหน่งผู้นำระดับสูงใน Microsoft, Pandora, MediaMath, Yieldmo และ BARK โดยมีหน้าที่ตั้งแต่กลยุทธ์เทคโนโลยีโฆษณา และสื่อโปรแกรมเมติก ไปจนถึงการบริหารผลิตภัณฑ์ วิทยาศาสตร์ข้อมูล วิศวกรรม และการปรับปรุงแพลตฟอร์มขนาดใหญ่ พิคาร์ดยังเป็นนักธุรกิจซึ่งก่อตั้ง Bluestreak, Rare Crowds, Questori และการผจญภัยทางเทคโนโลยีอื่นๆ โดยที่ Bluestreak และ Rare Crowds ถูกซื้อกิจการในเวลาต่อมา ในอาชีพของเขา เขาได้ช่วยออกแบบการแลกเปลี่ยนโฆษณาแบบเรียลไทม์ เปิดตัวผลิตภัณฑ์โฆษณาออดิโอแบบโปรแกรมเมติก พัฒนาเทคโนโลยีการคัดเลือกสินค้าอัตโนมัติ และให้คำปรึกษากับบริษัทต่างๆ ในเรื่องปัญญาประดิษฐ์ กลยุทธ์ผลิตภัณฑ์ การเปลี่ยนแปลงองค์กร และการซื้อขายกิจการ

Fluency พัฒนา Digital Advertising Operating System ที่ช่วยให้เอเจนซี่ แบรนด์ และธุรกิจหลายแห่งจัดการแคมเปญโฆษณาแบบชำระเงินบนเครื่องมือค้นหา สื่อสังคมออนไลน์ แพลตฟอร์มโปรแกรมเมติก สวนปิด และเว็บที่เปิดกว้าง แพลตฟอร์มนี้รวมข้อมูล สินทรัพย์สร้างสรรค์ สินค้าคงคลัง ข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ ผู้ชม กลยุทธ์แคมเปญ การรายงาน และการทำงานของแคมเปญ โดยใช้การทำงานอัตโนมัติและปัญญาประดิษฐ์ในการลดงานที่ซ้ำซ้อนและประสานงานแคมเปญในระดับใหญ่ Fluency มุ่งเน้นไปที่โฆษณาแบบเอเจนซี่ รวมถึงการทำงานแบบอัตโนมัติที่ขับเคลื่อนด้วย AI ที่สามารถดำเนินการและเพิ่มประสิทธิภาพแคมเปญได้โดยยังคงควบคุมเชิงกลยุทธ์และแบรนด์ที่กำหนดไว้ บริษัทระบุว่าเทคโนโลยีของตนสนับสนุนแคมเปญมากกว่า 250,000 แคมเปญต่อเดือน และจัดการกับการใช้จ่ายโฆษณาเกิน 3 พันล้านดอลลาร์ต่อปี

คุณมีอาชีพที่ครอบคลุมหลายช่วงเวลาหลักของโฆษณาดิจิทัล ตั้งแต่การก่อตั้ง Bluestreak และช่วยสร้างมาตรฐานโฆษณาดิจิทัลในระยะแรก ไปจนถึงการมีส่วนร่วมในการออกแบบการแลกเปลี่ยนโฆษณาแบบเรียลไทม์แรกๆ คุณได้พัฒนามาเป็นอย่างไร และประสบการณ์เหล่านั้นได้กำหนดแนวทางของคุณในการสร้างระบบโฆษณาแบบเอเจนซี่รุ่นต่อไปที่ Fluency อย่างไร?

ฉันรู้สึกตื่นเต้นที่ได้พบกับพื้นที่ที่น่าสนใจในหลายด้านของโฆษณาดิจิทัล ฉันได้เป็นส่วนหนึ่งของกลไกที่ให้ทุนสนับสนุนการเติบโตของอินเทอร์เน็ต ฉันได้สามารถคิดค้นหรือเป็นส่วนหนึ่งในการคิดค้นกลไกพื้นฐานบางอย่างของการทำงานของโฆษณาดิจิทัล และความท้าทายด้านเทคนิคในพื้นที่นี้เทียบเท่ากับความท้าทายใดๆ ในซอฟต์แวร์ ดังนั้นมันจึงน่าสนใจเสมอ

ด้วย Bluestreak เราได้สร้างรูปแบบโฆษณาหลายรูปแบบ รวมถึงโฆษณาวิดีโอและออดิโอเป็นครั้งแรก เราเป็นคนแรกที่ทำการกำหนดคุณลักษณะหลายจุดและระบบจัดการแท็ก และเราได้รับเชิญให้ร่วมเขียนมาตรฐานการแสดงผลแรกโดยทำงานร่วมกับ Interactive Advertising Bureau (IAB) และ Media Rating Council (MRC)

เมื่อฉันไปที่ Microsoft บริษัทได้ตัดสินใจลงทุนในเทคโนโลยีโฆษณา เนื่องจากเห็นว่า Google มีรายได้มากกว่า Microsoft จากโฆษณาดิจิทัล พวกเขาให้โอกาสฉันเขียนกลยุทธ์ระดับโลกสำหรับการเข้าสู่พื้นที่เทคโนโลยีโฆษณาของ Microsoft

เราตัดสินใจเข้าสู่ธุรกิจโฆษณาแบบใหญ่ และฉันต้องรับผิดชอบในการกำหนดกลยุทธ์การสร้าง การซื้อ และการร่วมทุน ฉันทำการตรวจสอบความเหมาะสมของบริษัทมากกว่า 150 แห่ง และเราซื้อ 7 บริษัท และลงทุนอย่างมากในการเติบโตของทีมภายใน เมื่อฉันมาถึง เรามีประมาณ 200 วิศวกรทำงานในด้านโฆษณา และมีรายได้จากสื่อประมาณ 750 ล้านดอลลาร์ เมื่อฉันออกไป เรามีวิศวกรมากกว่า 1,500 คนทำงานในด้านโฆษณา และมีรายได้มากกว่า 5 พันล้านดอลลาร์ ในปัจจุบัน รายได้จากโฆษณาค้นหามีมากกว่า 15 พันล้านดอลลาร์ แต่ในขณะนั้นมันเป็นตัวเลขที่น่าประทับใจ

หนึ่งในบริษัทที่ฉันตรวจสอบและเราซื้อคือ AdECN ซึ่งเป็นบริษัทแรกของ Jeff Green ก่อนที่เขาจะก่อตั้ง The Trade Desk เราได้พิจารณาซื้อ Right Media แต่เราผ่านไป และเรารู้สึกว่ามีโอกาสสำหรับการประมูลแบบอสมมาตรทั่วโลกที่อนุญาตให้มีผู้ประมูลภายนอกหลายรายเชื่อมต่อกับตลาด

เมื่อ AdECN พร้อมที่จะเปิดตัวการประมูลแบบเรียลไทม์ (RTB) แห่งแรก มีการต่อสู้เกี่ยวกับแนวทาง และโดยพื้นฐานแล้วไม่เคยออกจากการทดสอบเบต้า

มีสองผลลัพธ์ที่เปลี่ยนแปลงระบบโฆษณาดิจิทัลทั้งหมด ประการแรก Brian O’Kelley ก่อตั้ง AppNexus หลังจากออกจาก Right Media และเมื่อชัดเจนว่า AdECN จะไม่ประสบความสำเร็จ ฉันสนับสนุนโอกาสในการร่วมมือกับ AppNexus ซึ่งนำไปสู่การลงทุนขนาดใหญ่ในบริษัทและความร่วมมือที่แข็งแกร่งซึ่งสิ้นสุดลงด้วยการเข้าซื้อกิจการโดย Microsoft

ผลลัพธ์ที่สองที่สำคัญคือ Jeff Green ออกจาก Microsoft รวบรวมวิศวกรบางคนจากทีมที่สร้างการแลกเปลี่ยน RTB ที่ AdECN และก่อตั้ง The Trade Desk

เมื่อดูส่วนแรกของอาชีพฉัน ซึ่งครอบคลุมตั้งแต่ปี 1997 ถึง 2010 มันปลูกเมล็ดพันธุ์ระยะยาวที่ตอนนี้เริ่มออกดอก ฉันไปสู่บทบาทต่างๆ รวมถึงการก่อตั้ง Rare Crowds ซึ่งเราได้คิดค้นการคัดเลือกโปรแกรมเมติก

ปีที่แล้ว Brian O’Kelley เห็นโอกาสในการสร้างมาตรฐานอุตสาหกรรมสำหรับการโฆษณาแบบเอเจนซี่ ซึ่งเรียกว่า AdCP และจัดการโดย AgenticAdvertising.org

ฉันเขียนข้อกำหนดแรกสำหรับการกำกับดูแลและการปฏิบัติตามกฎระเบียบสำหรับ AdCP หลังจากนั้นสองเดือน ฉันได้รับการติดต่อจาก Fluency และเมื่อเริ่มเรียนรู้เกี่ยวกับสิ่งที่พวกเขาได้สร้าง ฉันรู้สึกประทับใจอย่างมาก

ฉันเห็นว่าแนวทางเชิงนิรนัยที่พวกเขานำมาใช้กับตัวแทนของพวกเขาเป็นสิ่งที่จำเป็นสำหรับการตอบสนองความต้องการของตัวแทน LLM ที่ขับเคลื่อนด้วย AI ซึ่งมีลักษณะเป็นแบบสุ่ม

ฉันรู้สึกตื่นเต้นที่จะเข้าร่วม Fluency และนำแนวทางของฉันมาใช้ในการพัฒนาผลิตภัณฑ์

การประมูลแบบเรียลไทม์ทำให้ซอฟต์แวร์มีความสามารถในการตัดสินใจทางการเงินในระดับไมโครวินาที สิ่งที่เรียนรู้จากพัฒนาการของโฆษณาแบบโปรแกรมเมติกที่นักพัฒนาควรพิจารณาเมื่อให้ตัวแทน AI มีความเป็นอิสระในการปฏิบัติการมากขึ้น?

ในโฆษณาแบบโปรแกรมเมติก เราใช้การเรียนรู้ของเครื่อง ซึ่งเป็นรูปแบบหนึ่งของ AI เพื่อสร้างเครื่องมือตัดสินใจที่สามารถตัดสินใจได้หลายสิบล้านครั้งต่อวินาที

แม้จะมีพลัง แต่ก็มีประสิทธิภาพต่ำในแบบจำลองโปรแกรมเมติก และระบบนิเวศที่ซับซ้อนมากเกินไปซึ่งเผาผลาญไฟฟ้ามากเกินไป (และสร้างคาร์บอนมากเกินไป) ต่อการแสดงโฆษณาแต่ละครั้ง

การผสมผสาน LLMs เข้ากับระบบเชิงนิรนัยสามารถจัดการธุรกรรมได้อย่างมีประสิทธิภาพมากขึ้น และลดความซับซ้อน

มีสองโครงการสำคัญในอุตสาหกรรมที่มุ่งเน้นการบูรณาการตัวแทน AI ที่ขับเคลื่อนด้วย LLMs เข้ากับกระบวนการทำงานของธุรกรรม

Fluency ได้แก้ไขปัญหาสุดท้ายที่ไม่เคยได้รับการแก้ไขในพื้นที่โฆษณาแบบดิจิทัล

ฉันเชื่อว่างานที่เรากำลังทำเป็นโอกาสที่สำคัญสำหรับโฆษณาเท่ากับการคิดค้นการประมูลแบบเรียลไทม์

Fluency แยกการให้เหตุผลแบบสุ่มของ AI ออกจากระบบเชิงนิรนัยที่ดำเนินการเปลี่ยนแปลงแคมเปญ ทำไมจึงมีความเสี่ยงเกินไปที่จะให้ตัวแทน AI แบบ LLM ควบคุมงบประมาณโฆษณาโดยตรง?

ฉันคิดว่านี่เป็นปัญหาพื้นฐานที่ตัวแทน LLMs จะมีเสมอ

เครื่องมือแบบสุ่มถูกออกแบบมาเพื่อให้คำตอบที่แตกต่างกันต่อคำถามเดียวกันทุกครั้ง

ตัวอย่างเช่น ตัวแทน LLMs ไม่สามารถบวก ลบ คูณ หรือหารได้

แม้ว่าพวกเขาจะสามารถให้คำตอบที่ถูกต้องได้ แต่พวกเขาทำเช่นนั้นโดยการเขียนสคริปต์และดำเนินการโค้ดเพื่อจัดการการคำนวณ

ฉันไม่เคยให้ตัวแทน LLMs จัดการการเงินหรือตัดสินใจซื้อขายหุ้นแทนฉัน

การกำกับดูแลและความสอดคล้องเป็นสิ่งสำคัญในโฆษณาแบบเอเจนซี่ Fluency ใช้การดำเนินการเชิงนิรนัยเพื่อประเมินคำแนะนำของตัวแทน AI ก่อนที่จะอนุญาตให้พวกเขากระทบต่อแคมเปญแบบสดได้อย่างไร และอะไรคือประเภทของกฎหรือข้อจำกัดที่ผู้โฆษณาสามารถกำหนดได้?

เรามีกลไกที่ช่วยให้สามารถสร้างคำสั่งเชิงนิรนัยที่จะดำเนินการเหมือนกันทุกครั้งบนแพลตฟอร์มโฆษณา

นี่เป็นปัญหาที่สำคัญที่ต้องแก้ไขในอุตสาหกรรมทั้งหมด

เราสามารถเข้ารหัสกฎธุรกิจและหลักการสำหรับการดำเนินการใดๆ ที่ลูกค้าของเราอาจทำบนแพลตฟอร์มโฆษณาได้

ตัวอย่างเช่น ร้านขายรถยนต์สามารถอ่านระบบจัดการสินค้าคงคลังและสร้างแคมเปญและเนื้อหาสำหรับรถยนต์แต่ละคันที่มีรายละเอียดเฉพาะภายในไม่กี่นาทีหลังจากที่รถเข้ามาในล็อต และเมื่อรถคันสุดท้ายขายได้ แคมเปญเหล่านั้นจะปิดโดยอัตโนมัติ

กลยุทธ์การโฆษณาและการพัฒนาเนื้อหาต้องใช้การทดลองและการตัดสินใจแบบอัตวิสัยอย่างมาก วิธีการที่องค์กรสามารถรักษาความยืดหยุ่นของ AI ที่สร้างขึ้นได้ ในขณะเดียวกันก็รับประกันว่าการดำเนินการแคมเปญยังคงสามารถคาดเดาได้และเป็นไปตามข้อกำหนด?

ทุกสิ่งที่เราได้พูดถึงจนถึงตอนนี้ได้สร้างกรอบในการตอบคำถามนี้

สิ่งที่สามารถเข้ารหัสเป็นกฎธุรกิจได้จะถูกตั้งค่าให้ดำเนินการเหมือนกันทุกครั้ง

ตัวแทน LLMs สามารถช่วยในการวิเคราะห์และจับคู่รูปแบบได้

แพลตฟอร์มของ Fluency ดำเนินการข้ามช่องทางโฆษณาบนเครื่องค้นหา สื่อสังคม และโฆษณาแบบโปรแกรมเมติก อะไรคือความท้าทายทางเทคนิคที่เกิดขึ้นเมื่อตัวแทน AI ต้องให้เหตุผลข้ามแพลตฟอร์มที่มีโครงสร้างข้อมูล ระบบการเพิ่มประสิทธิภาพ และข้อกำหนดด้านนโยบายที่แตกต่างกัน?

ทุกแพลตฟอร์มโฆษณามีแนวทางปฏิบัติที่ดีที่สุดและความสามารถที่ไม่เหมือนใคร

APIs คือท่อที่เราเชื่อมต่อกับแพลตฟอร์มเหล่านั้น

ตัวแทน LLMs สามารถดูดซึมข้อมูลจำนวนมากเพื่อให้เข้าใจแนวทางปฏิบัติที่ดีที่สุดสำหรับการใช้แต่ละแพลตฟอร์ม

การกำกับดูแลของมนุษย์ควรเป็นอย่างไรใน环境การโฆษณาแบบเอเจนซี่ ใดคือการตัดสินใจที่สามารถกลายเป็นอิสระได้อย่างปลอดภัย และใดที่ควรต้องมีการทบทวนหรือการอนุมัติของมนุษย์?

ทุกลูกค้ามีความอดทนที่แตกต่างกัน และส่วนใหญ่ไม่เคยได้รับระบบที่สามารถแสดงความอดทนได้

ใน Fluency การตัดสินที่ผู้จัดการแคมเปญที่ดีใช้จะถูกเข้ารหัสและใช้เหมือนกันในทุกบัญชี ทุกแพลตฟอร์ม และทุกครั้ง

เมื่อตัวแทน AI ตัดสินใจมากขึ้น แพลตฟอร์มควรบันทึกเหตุผล ข้อมูล และกฎที่อยู่เบื้องหลังการกระทำแต่ละอย่างเพื่อให้ผู้โฆษณาสามารถตรวจสอบประสิทธิภาพ ตรวจสอบข้อผิดพลาด และแสดงการปฏิบัติตามข้อกำหนดได้อย่างไร?

หนึ่งในคุณค่าหลักของ Fluency คือการปฏิบัติตาม SOC2 และสามารถตรวจสอบได้อย่างเต็มที่

การเปลี่ยนแปลงทั้งหมดจะถูกบันทึกไว้ทั่วทั้งระบบ

สำหรับเอเจนซี่หรือแบรนด์ที่เริ่มใช้การโฆษณาแบบเอเจนซี่ ใดคือกระบวนการทำงานที่ให้ผลลัพธ์ที่ดีที่สุด และหลักฐานใดที่องค์กรควรต้องการก่อนที่จะขยายอำนาจของตัวแทน?

จากมุมมองของ Fluency การโฆษณาแบบเอเจนซี่เป็นพื้นที่ที่มีการเดินทางมากแล้ว

เรามีลูกค้าหลายร้อยแห่งที่ใช้แพลตฟอร์มของเราในการโฆษณาแบบเอเจนซี่

จุดเริ่มต้นที่ดีที่สุดคือช่องทางที่ลูกค้าของเราพบว่าใช้เวลามากที่สุด

โฆษณาเป็นพื้นที่ทดสอบแรกสำหรับระบบอัตโนมัติที่จัดการเงินจริงในระดับใหญ่ สิ่งใดที่เรียนรู้จากอุตสาหกรรมนี้สามารถนำไปใช้กับภาคการเงิน การดูแลสุขภาพ การจัดซื้อระดับองค์กร หรือภาคอื่นๆ ที่มีการควบคุมที่ใช้ตัวแทน AI?

โฆษณาเป็นพื้นที่ทดสอบสำหรับระบบอัตโนมัติที่ใช้เงินจริงมานานกว่า 20 ปี

สิ่งที่ถ่ายทอดไปยังภาคอื่นๆ คือสถาปัตยกรรม

คุณแยกระบบที่ตัดสินใจออกจากระบบที่ดำเนินการ

ชั้นการตัดสินใจสามารถเป็นแบบสุ่มได้ เนื่องจากการตัดสินใจได้รับประโยชน์จากความยืดหยุ่นและความคิดสร้างสรรค์

ชั้นการดำเนินการจะต้องเป็นเชิงนิรนัย เนื่องจากการเคลื่อนไหวของเงินไม่ใช่สถานที่ที่คุณต้องการความแปรปรวน

ทุกการกระทำจะถูกบันทึกไว้เพื่อให้สามารถตรวจสอบได้

ฉันคิดว่าแนวทางของเราจะเป็นแนวทางที่ชนะในระยะยาว

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Fluency