Röportajlar
Eric Picard, Fluency Ürün Başkanı – Röportaj Serisi

Öne çıkan noktalarFluency'nin deterministik ajanları LLM'lerden önce vardı ve şimdi reklamcılıkta…
Daha fazla göster
- Fluency'nin deterministik ajanları LLM'lerden önce vardı ve şimdi reklamcılıkta olasılıksal yapay zeka için koruma bariyerleri sağlıyor.
- Deterministik kuralları LLM akıl yürütmesiyle birleştirmek, kampanya yönetimi iş akışlarındaki karmaşıklığı ve verimsizliği azaltır.
- AdCP standardı, riskli kararlar için insanları sürece dahil tutarken hesap düzeyindeki kampanya işlerini otomatikleştirmeyi amaçlar.
Eric Picard, Fluency Ürün Kıdemli Başkan Yardımcısı olarak dijital reklam platformları, otomatik pazar yerleri, veri sistemleri ve tüketiciye dönük ürünler geliştirme konusunda onlarca yıllık deneyime sahip bir ürün ve teknoloji yöneticisidir. Fluency’ye katılmadan önce Microsoft (MSFT ), Pandora, MediaMath, Yieldmo ve BARK’ta üst düzey liderlik görevleri üstlendi; sorumlulukları reklam teknolojisi stratejisi ve programatik medyadan ürün yönetimi, veri bilimi, mühendislik ve büyük ölçekli platform modernizasyonuna kadar uzandı. Picard aynı zamanda Bluestreak, Rare Crowds, Questori ve başka teknoloji girişimlerini kurmuş seri bir girişimcidir; Bluestreak ile Rare Crowds daha sonra satın alındı. Kariyerinde ilk gerçek zamanlı teklif reklam borsalarından birinin mimarisine katkıda bulunmak, programatik sesli reklam ürünleri başlatmak, otomatik envanter kürasyon teknolojisi geliştirmek ve şirketlere yapay zekâ, ürün stratejisi, kurumsal dönüşüm ve birleşme ve satın almalar konusunda danışmanlık yapmak yer almıştır.
Fluency, ajansların, markaların ve çok konumlu işletmelerin arama, sosyal medya, programatik platformlar, kapalı ekosistemler ve açık web genelindeki ücretli medya kampanyalarını yönetmesine yardımcı olmak için tasarlanmış bir Dijital Reklamcılık İşletim Sistemi geliştiriyor. Platform; verileri, yaratıcı varlıkları, envanteri, uyumluluk gerekliliklerini, kitleleri, kampanya stratejisini, raporlamayı ve yürütme iş akışlarını merkezileştiriyor; tekrarlanan operasyonel işleri azaltmak ve kampanyaları geniş ölçekte koordine etmek için otomasyon ile yapay zekâdan yararlanıyor. Fluency, tanımlanmış strateji ve marka kontrollerini korurken kampanyaları yürütebilen ve optimize edebilen, yönetişim altındaki yapay zekâ destekli iş akışları da dahil olmak üzere ajan tabanlı reklamcılığa giderek daha fazla odaklanıyor. Şirket, teknolojisinin her ay 250.000’den fazla kampanyayı desteklediğini ve yıllık yaklaşık 3 milyar dolarlık reklam harcamasını yönettiğini belirtiyor.
Kariyeriniz, Bluestreak’i kurup ilk dijital reklamcılık standartlarının oluşturulmasına yardım etmekten ilk gerçek zamanlı teklif borsalarından birinin mimarisine katkıda bulunmaya kadar dijital reklamcılığın birkaç temel dönemini kapsıyor. Bu deneyimler, Fluency’de yeni nesil ajan tabanlı reklam sistemleri oluşturma yaklaşımınızı nasıl şekillendirdi?
Kariyerimde dijital reklamcılık gibi çok yönlü biçimde ilgi çekici bir alan bulduğum için çok şanslıydım. İnternetin büyümesini finanse eden mekanizmanın bir parçası oldum. Dijital reklamcılığın işleyişindeki bazı temel mekanikleri icat etme veya bunların icadına katkıda bulunma fırsatı buldum. Bu alandaki teknik zorluklar yazılımın herhangi bir alanındakilerle boy ölçüşüyor. Bu nedenle her zaman ilgi çekici.
Bluestreak ile neredeyse her reklam biçiminin ilk örneklerinden bazılarını, buna ilk video ve sesli reklamlardan bazıları da dahil, geliştirdik. Çok temaslı ilişkilendirmeyi ilk yapan, etiket yönetim sistemi sunan ilk şirket ve tüm dijital medya türlerinde çok temaslı ilişkilendirme sunan ilk şirket bizdik. Bu çalışmalar, Interactive Advertising Bureau (IAB) ve Media Rating Council (MRC) ile ilk gösterim standardını ortaklaşa yazmaya davet edilmemize yol açtı.
Microsoft’a gittiğimde şirket, Google’ın sırf dijital reklamcılık sayesinde Windows’un her bir kopyasından Microsoft’tan daha fazla para kazandığını görmüş ve reklam teknolojisine yatırım yapmaya karar vermişti. Bana son derece cazip bir görev sundular: Microsoft’un reklam teknolojisi alanına nasıl girmesi gerektiğine ilişkin küresel stratejiyi yazma fırsatı.
Reklam teknolojisine büyük yatırım yapmaya karar verdik ve geliştirme, satın alma veya ortaklık stratejisini belirlemek benim sorumluluğumdaydı. 150’den fazla şirket üzerinde durum tespiti yaptım; yedi şirket satın aldık ve şirket içi ekipleri büyütmeye yoğun yatırım yaptık. Geldiğimde reklam teknolojisi üzerinde çalışan yaklaşık 200 mühendisimiz ve yaklaşık 750 milyon dolarlık medya gelirimiz vardı. Ayrıldığımda 1.500 mühendis reklam teknolojisi üzerinde çalışıyor, gelir ise 5 milyar doları aşıyordu. Bugün arama reklamcılığı geliri yaklaşık 15 milyar dolar, fakat o dönemde bu olağanüstü bir rakamdı.
İncelediğim ve sonunda satın aldığımız şirketlerden biri AdECN’di. Bu, Jeff Green’in The Trade Desk’i (TTD ) kurmadan önceki ilk şirketiydi. Right Media’yı satın almayı da değerlendirmiştik; Brian O’Kelley’i böyle tanıdım, ancak o anlaşmadan vazgeçtik. Birden fazla harici teklif verenin borsaya bağlanmasına olanak sağlayan eşzamansız küresel bir açık artırma fırsatı olduğuna inanıyorduk. Bu nedenle AdECN’i satın aldık ve vizyonu hayata geçirmek için güçlü bir mühendislik ekibi kurmalarına yardım ettik.
AdECN ilk gerçek zamanlı teklif verme (RTB) borsasını başlatmaya hazır olduğunda yaklaşımlar arasında bir mücadele yaşandı ve sistem temelde beta testinden hiç çıkamadı.
Bunun reklam teknolojisi ekosisteminin tamamını gerçekten değiştiren iki sonucu oldu. İlki, Brian O’Kelley’nin Right Media’dan ayrıldıktan sonra AppNexus’u kurmasıydı. AdECN’in hayata geçmeyeceği netleşince AppNexus ile ortaklık fırsatını savundum. Bu, şirkete büyük bir yatırım yapılmasına ve güçlü bir ortaklığa yol açtı; sonunda AppNexus Microsoft tarafından satın alındı. İkinci önemli sonuç ise Jeff Green’in Microsoft’tan ayrılması, AdECN’deki RTB borsasını geliştiren birkaç mühendisi yanına alması ve The Trade Desk’i kurmasıydı.
Kariyerimin 1997’den 2010’a uzanan bu ilk bölümüne baktığınızda, bugün ilginç meyveler veren bazı uzun vadeli tohumlar ektiğini görürsünüz. Ardından Programatik Kürasyonu icat ettiğimiz girişimim Rare Crowds dahil çeşitli görevlerde bulundum. En büyük sesli reklam borsasını da içeren güçlü bir sesli reklam işimizin olduğu Pandora ve ilk gizlilik odaklı reklam borsasını kurduğumuz Yieldmo gibi şirketlerde çalıştım. Bu sırada IAB Tech Lab yönetim kurulunda yer alma ve kurulun icra komitesine davet edilme fırsatı buldum. Bunca yıldır sektör standartları üzerinde çalışmayı da sürdürdüm.
Geçen yıl Brian O’Kelley, AgenticAdvertising.org tarafından yönetilen ve AdCP adı verilen Ajan Tabanlı Reklamcılık sektör standardını oluşturma fırsatını gördü. Brian ile yürütülen çalışmadaki boşlukları konuştuk ve AdCP için ilk Yönetişim ve Uyumluluk şartnamesini yazmayı teklif ettim.
Onu yazdıktan birkaç ay sonra Fluency benimle iletişime geçti. Geliştirdiklerini öğrenmeye başladığımda çok etkilendim. Esasen şartnamemde belirttiğim her şeyi zaten çözmüşlerdi. Büyük dil modelleri ajan olarak çalışmaya hazır hale gelmeden çok önce, sekiz yıldır ajan tabanlı reklamcılık yapıyorlardı.
Ajanlarında kullandıkları deterministik yaklaşımın, doğası gereği olasılıksal olan büyük dil modeli destekli ajanların gereksinimlerini karşılamak için tam olarak gereken şey olduğunu gördüm. Bunun anlamı şu: Büyük dil modelleri düşünme ve yaratıcılıkta çok iyi olsa da aynı şeyi her seferinde aynı biçimde yapmakta çok kötüdür. Her yaklaşımın tek başına zayıflıkları var, ancak birlikte ajan tabanlı reklamcılık sorununu çözüyorlar.
Vizyonum Fluency liderlik ekibinin vizyonuyla uyumluydu ve burada Ürün birimini yönetmek üzere katıldım. Şimdi ajanların gerektiğinde insanı döngüde tutarak güvenli biçimde reklam işlemleri yapabildiği ve büyük dil modeli destekli ajanlara davranışlarını yönetecek deterministik güvenlik sınırlarının verildiği bir dünyaya doğru tüm hızımızla ilerliyoruz.
İlk gösterim standardından RTB’nin ve Kürasyonun icadına, oradan Ajan Tabanlı Reklamcılığın ortaya çıkışına kadar dijital reklamcılıktaki büyük değişim dalgalarının pek çoğunu yaşadığım için kendimi inanılmaz şanslı hissediyorum. Çılgın bir yolculuktu; hâlâ eğleniyorum ve bu alandaki fırsatlar beni heyecanlandırıyor.
Gerçek zamanlı teklif verme, yazılıma milisaniyeler içinde finansal kararlar alma yeteneği verdi. Günümüz geliştiricileri yapay zekâ ajanlarına daha fazla operasyonel özerklik verirken programatik reklamcılığın gelişiminden hangi dersleri dikkate almalı?
Programatik reklamcılıkta, saniyede on milyonlarca karar alabilen karar motorları oluşturmak için yapay zekânın bir türü olan makine öğrenimini kullandık. Bu, inanılmaz miktarda hesaplama gücü, veri işleme kapasitesi ve devasa altyapı gerektiriyor. Üretken yapay zekânın ortaya çıkmasından önce bunun tüm bilgisayar dünyasındaki en önemli gelişmelerden biri olduğunu ileri sürerdim.
Tüm gücüne rağmen programatik modelde çok büyük verimsizlikler ve her reklam gösterimi başına gereğinden fazla elektrik tüketen, dolayısıyla fazla karbon üreten, devasa ve karmaşık bir ekosistem de var. Yanlış anlaşılmasın; programatik alanı seviyorum ve yarattıklarımıza hayranım. Ancak elde ettiğimiz faydaya kıyasla çok daha karmaşık bir makine inşa etmişiz gibi geliyor.
Üretken yapay zekâ için de tamamen aynı savlar ileri sürülebilir. Büyük dil modeli destekli ajanların ekosistemde bulunması gereken yer, her bir işlemin kalbi değil, arayüzlerdir. Büyük dil modellerini deterministik ajanlarla ölçülü biçimde birleştirerek karmaşıklığı büyük ölçüde azaltırken işlemleri çok daha verimli yönetebiliriz.
Sektörde büyük dil modeli destekli ajanları işlemlerin yürütüldüğü iş akışına katmayı amaçlayan iki büyük girişim var. IAB Tech Lab, büyük dil modellerinin kararları önceden alıp ekosistemin gerçek zamanlı sistemlerinde önbelleğe koyarak RTB altyapısına vekâleten dahil edilmesini sağlayan Agentic Advertising Management Protocols (AAMP) girişimini başlattı. AdCP projesi ise benim hesap düzeyi entegrasyonları dediğim alana odaklanıyor. Başka bir deyişle, reklam kampanya yönetimi ve yaratıcı iş akışlarında insanların yaptığı tüm işler otomatikleştirilebilir. AAMP çok değerli ve ilgi çekici olsa da karmaşık ve modern bir sistemi iyileştiriyor. AdCP, sektörün başlangıcından beri var olan ve Fluency’nin sekiz yıldır çözmekte olduğu bir soruna yöneliyor. Bu nedenle AdCP’ye derinlemesine odaklanıyoruz, ancak zamanla AAMP’ye de gireceğiz.
Fluency, reklam teknolojisi alanında hiçbir zaman ele alınmamış son adım sorununu etkin biçimde çözdü: hesap, kampanya ve yaratıcı düzeyde reklam kampanyaları oluşturup yönetmenin büyük verimsizliği. Yaptığımız işin reklamcılık için RTB ile icat ettiğimiz şey kadar büyük bir fırsat olduğuna gerçekten inanıyorum. Büyük dil modellerini Fluency’nin zaten otomatikleştirdiği iş akışlarına bağladıkça bütün sistemin değerini artırıyoruz.
Fluency, olasılıksal yapay zekâ muhakemesini kampanya değişikliklerini yürüten deterministik sistemlerden ayırıyor. Büyük bir dil modelinin reklam bütçelerini doğrudan kontrol etmesine izin vermek bugün neden fazla riskli?
Bunun büyük dil modellerinde muhtemelen her zaman bulunacak temel bir sorun olduğunu düşünüyorum. Olasılıksal motorlar, aynı soruya her seferinde farklı yanıt vermek üzere tasarlanmıştır. Düşünmede son derece iyi olsalar bile deterministik işlerde kötüdürler. Örnek olarak aritmetiği ele alalım:
Büyük dil modelleri tam anlamıyla toplama, çıkarma, çarpma veya bölme yapamaz. Claude ya da ChatGPT’ye aritmetik gerektiren bir soru sorduğunuzda doğru yanıt alabildiğiniz için bunu fark etmeyebilirsiniz. Ancak çoğu kişinin bilmediği şey, hesaplamaları yapmak için betikler yazıp bu kodu çalıştırmalarıdır. Burada sözünü ettiğimiz tam da budur: Aritmetik yapamayacağını anlayan olasılıksal bir büyük dil modelinin, istenen görevi çözmek için hesaplamaları yapan kendi deterministik yazılım parçasını oluşturması.
Büyük dil modeli artık sihirli biçimde aritmetik yapabilse bile mali durumumu yönetmesine ve benim adıma hisse senedi alım satım kararları vermesine asla izin vermem. Bir büyük dil modelinin vergilerimi hazırlayıp herhangi bir inceleme olmadan beyan etmesine izin vermem. Hatta yazdığı bir e-postayı veya blog yazısını, her şeyin doğru olduğundan emin olmak için dikkatle düzenlemeden kullanmam.
Daha akıllı hale gelip uygulama becerileri geliştikçe uzak gelecekte bunları yapabilirler. Ancak tahminimce bunu, sorunun gerekli kısımlarını ele alacak kendi deterministik yazılımlarını yazarak yapacaklar.
Fluency bugün bu noktada: Reklamcılığı yönetmek için deterministik bağlantı hatlarımız var. Büyük dil modellerini platforma entegre ediyor ve onları iyi oldukları işlerde kullanıyoruz. Ayrıca harici ajanların da bizim bağlantı hatlarımız üzerinden işlem yapabilmesi için platformumuzu onlara açıyoruz. Bunu, büyük dil modeli destekli bir ajanın tek bir noktadan entegre olup herhangi bir medya platformunda işlem yapabildiği reklam ekosistemi geçidini kurmak olarak görüyorum. Ancak bu uzun vadeli sonuca ulaşmaktan hepimiz hâlâ biraz uzağız.
Fluency’nin deterministik yürütme katmanı, yapay zekâ ajanının önerilerini canlı bir kampanyayı etkilemesine izin vermeden önce nasıl değerlendiriyor ve reklamverenler ne tür kurallar veya kısıtlamalar belirleyebiliyor?
İnsanların ya da büyük dil modellerinin reklam platformlarında her seferinde aynı şekilde yürütülecek deterministik talimatlar oluşturmasına olanak sağlayan mekanizmalar sunuyoruz. Bu, her sektörde çözülmesi gereken büyük bir sorun. Reklamcılıkta bunu çözen şirket Fluency. Müşterilerimizin bir reklam platformunda gerçekleştirebileceği herhangi bir eylem için iş kuralları ve sezgisel kurallar oluşturulmasını sağlıyoruz. Bir sorun için EĞER/O ZAMAN mantığı kurulabiliyorsa platformumuz bunun her seferinde aynı şekilde izlenen iş kuralları halinde kodlanmasını mümkün kılıyor.
Bunu anlamak kritik önemde. İnsanların belirli bir durumla her karşılaştığında aynı biçimde aldığı çok sayıda karar var. Böylece bütçe yönetimi kurallarını kodlayabiliyor, adlandırma sınıflandırmalarını zorunlu tutarken kampanyalar veya yaratıcılar üretebiliyor ya da harici veri kümelerindeki tetikleyicilere göre reklam kampanyalarını ve yaratıcıları otomatik olarak açıp kapatabiliyoruz.
Örneğin bir otomobil bayisine yeni araç sevkiyatı gelebilir. Fluency, bayinin envanter yönetim sistemini okuyup araçlar sahaya geldikten birkaç dakika içinde her aracın tam markası, modeli, hatta rengi ve belirli özellikleri için otomatik olarak kampanyalar ve yaratıcılar oluşturabilir. Son araç satıldığında da bu kampanyaları otomatik olarak kapatabilir.
Bütün bunlar oldukça önemli çünkü bu işleri tek tek ele aldığınızda verilen iş kararları çok basittir. Bugün reklamcılığı yönetmedeki bin küçük kesikten ölme sorunu ortadan kalkıyor. Müşterilerimiz bunun ekiplerini bütün gün yangın söndürmekten kurtarıp müşterileri için gerçek etki yaratacak işlere yönelmelerini sağladığını görüyor.
Reklam stratejisi ve yaratıcı geliştirme çoğu zaman deneme ve öznel muhakeme gerektirir. Kuruluşlar kampanya yürütmesinin öngörülebilir ve uyumlu kalmasını sağlarken üretken yapay zekânın esnekliğini nasıl koruyabilir?
Şimdiye kadar konuştuğumuz her şey bu soruya basit bir yanıt verecek çerçeveyi zaten oluşturuyor. İş kurallarına kodlanabilen konular, her seferinde aynı olan kolay kararları doğru biçimde yürütmek üzere ayarlanır. Büyük dil modelleri analiz ve örüntü eşleştirmeye yardımcı olabilir; reklam teknolojisinde uzun bir geçmişi olan makine öğrenimi gibi diğer yapay zekâ türleri de bunu yapabilir. Asıl mesele, sorunun yanıtı bu kadar net değilse bir insana ulaşıp müdahale istemeyi sağlayan mekanizmalara sahip olmaktır. Müşterilerimiz risk toleranslarını ayarlayabilir; sorun düşük riskliyse makinelerin karar vermesine izin verebilirler. Gerçekten insan kararı gerektiren konularda ise onları uyarıyor ve direksiyona geçmelerine olanak sağlıyoruz.
Fluency’nin platformu arama, sosyal medya ve programatik reklam kanallarında çalışıyor. Bir yapay zekâ ajanı farklı veri yapılarına, optimizasyon sistemlerine ve politika gerekliliklerine sahip platformlar arasında muhakeme yapmak zorunda olduğunda ne tür teknik zorluklar ortaya çıkıyor?
Her reklam platformunun kendine özgü en iyi uygulamaları ve yetenekleri var. API’ler, bu platformları dışarıdan çalıştırmak için bağlandığımız sabit hatlardır. API’ler çok iyi belgelenmiştir, ancak bu belgeler aslında söz konusu platformlarda nelerin yapılabileceğine dair kurallar bütünüdür. O platforma özgü en iyi uygulamaların somutlaşmış hali değildir.
Büyük dil modelleri çok sayıda bilgiyi bağlama alabilir ve böylece her platformun nasıl kullanılacağına ilişkin en iyi uygulamaları erişilebilir kılabilir. Fluency pek çok ajans ve reklamveren için çok sayıda platform işlettiğinden, müşterilerimizin her birinin en iyi uygulamalarını onlar adına, büyük dil modelinin takip ederek her müşteriye özel uygulamaları yürütebileceği talimatlar halinde kodlayabiliriz. Müşterilerimizin işletmelerini nasıl yönettiklerine dair kendi oyun planları var. Fluency, bunları mümkün olduğu yerlerde deterministik kurallara dönüştürmelerini sağlıyor; zaman içinde anlamlı olduğu yerlerde büyük dil modeli destekli ajanlar için talimat setleri halinde sunacağız.
Bu daha karmaşık senaryoları platformumuzdaki hesaplarına kodlamak üzere müşterilerimizle yeni nesil geliştirme çalışmalarına şimdi başlıyoruz. Henüz çok erken. Bunun herhangi bir parçasını büyük dil modelleriyle çözdüğünü söyleyen biri gerçeği zorluyordur; çünkü alan çok yeni ve modeller o kadar hızlı gelişiyor ki hiç kimse sorunu bütünüyle çözmüş değil. Ancak bunu müşterilerimizle birlikte çözmek için çok iyi bir konumdayız.
Ajan tabanlı reklamcılık ortamında etkili insan denetimi nasıl görünmeli? Hangi kararlar güvenle özerkleştirilebilir, hangileri insan incelemesi veya onayı gerektirmeye devam etmeli?
Her müşterinin risk toleransı farklı ve çoğu daha önce bunu ifade edebilen bir sistem kullanmadı. Fluency’de iyi bir kampanya yöneticisinin zihninde uyguladığı muhakeme bir kez kodlanıyor, ardından her hesapta, her platformda ve her seferinde aynı biçimde uygulanıyor. Net bir yanıtı olmayan durumlar, kararı vermeleri için gereken bağlamla birlikte otomatik olarak bir insana yönlendiriliyor.
Bunun uygulamadaki görünümü büyük ölçüde değişir. Bugün müşterilerimiz için çok sayıda farklı kural yürütüyor, değişmeyen insan kararlarını kodlamalarına yardımcı oluyor ve yanıt net olmadığında konuyu bir insana aktarıyoruz.
Hangi kararların güvenle özerk olabileceği müşteriye bağlıdır ve evrensel bir yanıtın pek değerli olduğunu düşünmüyorum. Platform, sınırı müşterinin çizdiği yerde uygulamalı ve güveni arttıkça bu sınırı taşımasına izin vermelidir.
Ajanlar daha fazla kampanya kararı aldıkça platformlar, reklamverenlerin performansı denetleyebilmesi, hataları araştırabilmesi ve uyumluluğu kanıtlayabilmesi için her eylemin arkasındaki muhakemeyi, verileri ve kuralları nasıl belgelemeli?
Fluency’nin temel değer önermelerinden biri SOC 2 uyumlu ve tamamen denetlenebilir olmamızdır. Değişiklikler sistemin tamamında kaydedilir. Halka açık bir şirketin ürün ve teknoloji başkanı olarak görev yaptım ve daha önce uyumluluktan sorumluydum; bunun ne kadar karmaşık olabileceğini biliyorum. Fluency’ye katılmaktan heyecan duymamın bir başka nedeni de yaptığımız her şeyin tüm yönleriyle denetlenebilir olmasıydı. Sistemde yapılan her değişiklik için, değişikliği yapan kullanıcıyla ilişkilendirilmiş değişiklik günlükleri de tutuyoruz.
Önemli bir ikinci katman daha var. İş kuralları yazılımda kodlandığı için kuralın kendisi kendi şartnamesidir. Belgeyle davranış arasında sapma olmaz; denetimlerin genellikle aksadığı yer burasıdır. Büyük dil modelinin kullanıldığı bir dünyada bu kodlanmış mantık, talep edildiğinde sade iş diline geri çevrilebilir. Böylece denetimi yapan kişinin sisteme ne yapmasının söylendiğini anlamak için kod okumasına gerek kalmaz.
Ajan tabanlı reklamcılığı benimsemeye başlayan bir ajans veya marka için hangi iş akışları en iyi başlangıç noktasını sunar ve kuruluş, ajanın yetkisini genişletmeden önce hangi kanıtları istemelidir?
Fluency açısından ajan tabanlı reklamcılık iyi bildiğimiz bir alan. Bunu sekiz yıldır yapıyoruz. Bugün platformumuzu ajan tabanlı reklamcılık için kullanan yüzlerce ajans ve markamız var; çok konumlu işletmelerde bu on binlerce konuma yayılıyor.
İnsanların arama, sosyal medya ve programatik kanallarda kampanya oluşturup yönetirken tekrar tekrar yaptığı işlerin çoğunu otomatikleştiriyoruz; bu nedenle daha iyi veya daha kötü başlangıç noktası olan belirli bir iş akışı yok. En iyi başlangıç noktası, müşterimizin en yoğun emek gerektirdiğini düşündüğü kanaldır.
Büyük dil modelleri müşterilerimizi sisteme alma sürecini hızlandırmamıza da yardımcı oluyor. Tahmin edebileceğiniz gibi bir müşterinin iş kurallarını kodlamak, aylarla ölçülen bir CRM uygulamasına benzer. Kural setlerini oluşturmaya ve otomasyon betiklerini yazmaya yardımcı olmak için büyük dil modellerini kullanan araçlar geliştiriyoruz. Bu, sisteme alma sürecini çok daha hızlı hale getirecek ve müşterilerimiz için karmaşıklığı azaltacak.
Reklamcılık, gerçek parayı geniş ölçekte yöneten özerk sistemler için erken bir test alanı. Bu sektörden hangi dersler finansal hizmetler, sağlık, kurumsal satın alma veya yapay zekâ ajanlarını benimseyen diğer düzenlemeye tabi sektörlere uygulanabilir?
Reklamcılık, 20 yıldır gerçek para harcayan özerk sistemlerin kanıtlama alanı oldu. Programatik reklamcılık sektöre, tek tek işlemleri onaylayan bir insan olmadan yazılımın günde milyarlarca dolar taahhüt etmesine nasıl izin verileceğini öğretti. Bugünkü ajan tabanlı yapay zekâ tartışmalarının çoğu, reklamcılığın uzun zaman önce geride bıraktığı bir ölçekte yapılıyor.
Fluency’nin platformundan yüzlerce ajans ve marka genelinde yılda 3 milyar dolardan fazla harcama geçiyor ve çok konumlu alanda bu on binlerce konuma ulaşıyor. Şu anda ajan tabanlı reklamcılık hakkındaki tartışmaların çoğu pilot bütçeler ve bir avuç hesapla ilgili.
Diğer sektörlere aktarılabilecek şey mimaridir. Karar veren sistemleri uygulayan sistemlerden ayırırsınız. Karar katmanı olasılıksal olabilir; çünkü muhakeme esneklik ve yaratıcılıktan yararlanır. Uygulama katmanı deterministik olmalıdır; para hareket ederken değişkenlik istemezsiniz. Her eylem, onu başlatan kullanıcı veya ajanla ilişkilendirilerek kaydedilir ve bu da düzenleyici karşısında geçerliliğini koruyan bir denetim izi sağlar.
Bu gereklilik finansal hizmetlerde, sağlık sigortası taleplerinde ve kurumsal satın almada aynıdır. Riskler daha yüksek, araçlar ise genellikle daha kötüdür. Reklamcılık için kurduğumuz tasarım doğru tasarımdır: Her değişikliğe ilişkin günlüklerle tam denetlenebilirlik asgari gerekliliktir. Tıbbi işlemleri ve sigorta taleplerini onaylamak gibi konularda insan dışı muhakemeden özellikle kaygı duyuyorum. Büyük dil modellerinin henüz buna hazır olduğunu düşünmüyorum; otomatik sistemlerin sigorta taleplerini onaylama veya reddetme konusunda çok kötü kararlar verdiğine dair kendi hayatımdan örneklerim var.
Beklentim, reklamcılığın oluşturduğu modelin bu sektörlerin benimseyeceği model olmasıdır. Makinelerin saniyede yüz milyonlarca kez para harcaması sorununda yirmi yıllık bir avantajımız var. Fluency’nin yaklaşımı işlemden iş akışına uzanıyor ve benzer biçimde kazanan yaklaşımın bizimki olacağından eminim.
Harika röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular Fluency‘yi ziyaret edebilir.












