Ерік Пікард, СВП з Продукту в Fluency – Інтерв’ю Серія

Ерік Пікард, Старший віце-президент з Продукту в Fluency, є досвідченим виконавцем у сфері цифрової реклами, який протягом десятиліть розробляв цифрові рекламні платформи, автоматизовані ринки, системи даних та продукти для споживачів. Перед тим, як приєднатися до Fluency, він обіймав керівні посади в Microsoft, Pandora, MediaMath, Yieldmo та BARK, де його обов’язки включали стратегію рекламної технології, програмну медію, управління продуктом, науку про дані, інженерію та модернізацію великомасштабних платформ. Пікард також є серійним підприємцем, який заснував Bluestreak, Rare Crowds, Questori та інші технологічні підприємства, з яких Bluestreak і Rare Crowds були в кінцевому підсумку придбані. Його кар’єра включала допомогу у створенні ранньої системи реального аукціону, запуск програмних аудіорекламних продуктів, розробку автоматизованої технології кураторства інвентарю та надання консультацій компаніям щодо штучного інтелекту, стратегії продукту, корпоративної трансформації та злиття та поглинання.

Fluency розробляє Цифрову Рекламну Операційну Систему, призначену для допомоги агентствам, брендам та бізнесам з多ома розташуванням керувати платними медійними кампаніями в пошукових системах, соціальних мережах, програмних платформах, закритих садах та відкритому інтернеті. Платформа централізує дані, творчі активи, інвентар, вимоги до відповідності, аудиторію, стратегію кампанії, звітність та виконання робочих процесів, використовуючи автоматизацію та штучний інтелект для зменшення повторюваних операційних робіт та координації кампаній у великих масштабах. Fluency все більше зосереджується на агентській рекламі, включаючи керовані штучним інтелектом робочі процеси, які можуть виконувати та оптимізувати кампанії, зберігаючи при цьому визначені стратегічні та брендові контролю. Компанія стверджує, що її технологія підтримує понад 250 000 кампаній щомісяця та керує приблизно 3 мільярдами доларів щорічних рекламних витрат.

Ваша кар’єра охопила кілька фундаментальних періодів у цифровій рекламі, від заснування Bluestreak та допомоги у створенні перших цифрових рекламних стандартів до внеску у створення однієї з перших систем реального аукціону. Як ці досвіди сформували ваш підхід до створення наступного покоління агентських рекламних систем у Fluency?

Я був дуже удачливим у своїй кар’єрі, оскільки знайшов цікаву сферу цифрової реклами. Я став частиною механізму, який фінансував зростання Інтернету. Я мав можливість винаходити або брати участь у винаході деяких фундаментальних механічних елементів цифрової реклами. А технічні виклики в цій сфері дорівнюють будь-яким у програмному забезпеченні. Тому це завжди цікаво.

З Bluestreak ми змогли створити деякі з перших форматів реклами, включаючи перші відео- та аудіореклами. Ми були першими, хто зробив багатодотикову атрибуцію, перший, хто запропонував систему управління тегами, і перший, хто запропонував багатодотикову атрибуцію для всіх типів цифрових медіа. Це призвело до того, що нас запросили співавтором першого стандарту імпресій, працюючи з Інтерактивною рекламною бюро (IAB) та Медійним рейтинговим радою (MRC). 

Коли я перейшов до Microsoft, компанія вирішила інвестувати в рекламну технологію, оскільки вони побачили, що Google заробляє більше грошей на кожній копії Windows, ніж Microsoft, все через цифрову рекламу. Вони запропонували мені роль, яка була надзвичайно привабливою, можливість написати глобальну стратегію щодо входу Microsoft у сфері рекламної технології.

Ми вирішили зробити великий крок у сфері рекламної технології, і я був на чолі визначення стратегії будівництва/купівлі/партнерства. Я мав можливість провести диліжанс понад 150 компаній, ми придбали сім компаній і вклали великі кошти у розвиток внутрішніх команд. Коли я приїхав, у нас було близько 200 інженерів, які працювали над рекламною технологією, і у нас було близько 750 мільйонів доларів медійних доходів. До моменту моєї від’їзду у нас було 1 500 інженерів, які працювали над рекламною технологією, і понад 5 мільярдів доларів доходів. Сьогодні доходи від пошукової реклами складають близько 15 мільярдів доларів, але на той час це була неймовірна кількість.

Одна з компаній, яку я розглянув, і яку ми придбали, була AdECN. Це була перша компанія ДжEFA Гріна, до того як він заснував The Trade Desk. Ми розглянули можливість придбання Right Media, завдяки чому я добре познайомився з Браяном О’Келлі, але ми відмовилися від них. Ми вважали, що існує можливість для асинхронного глобального аукціону, який дозволить зовнішнім учасникам підключитися до біржі. Тому ми придбали їх і допомогли їм створити сильну інженерну команду для виконання бачення. 

Коли AdECN була готова до запуску першої системи реального аукціону, виникла боротьба щодо підходів, і вона фактично ніколи не вийшла з бета-тестування. 

Було два результати цього, які суттєво змінили всю рекламну екосистему. По-перше, Браян О’Келлі заснував AppNexus після того, як покинув Right Media, і коли стало ясно, що AdECN ніколи не злетить, я підтримав можливість партнерства з AppNexus. Це в кінцевому підсумку призвело до великих інвестицій у компанію та сильного партнерства, яке закінчилося придбанням їх Microsoft. Другим суттєвим результатом було те, що ДжЕФ Грін покинув Microsoft, взяв кілька інженерів, які створили систему реального аукціону в AdECN, і заснував The Trade Desk. 

Коли ви розглядаєте перший період моєї кар’єри, який тривав з 1997 по 2010 рік, він засіяв довгострокові насіння, які тепер дали цікавий результат. Я пішов на різні ролі, включаючи мою компанію Rare Crowds, де ми винайшли програмну кураторство. Я провів час у компаніях, таких як Pandora, де у нас був великий аудіорекламний бізнес, включаючи найбільшу аудіорекламну біржу, і Yieldmo, де ми створили першу рекламну біржу, орієнтовану на конфіденційність. Під час цього часу у мене була можливість бути частиною ради директорів IAB Techlab і бути запрошеним до виконавчого комітету ради. І я продовжую працювати над галузевими стандартами все ці роки.

Минулого року Браян О’Келлі побачив можливість створити галузевий стандарт для агентської реклами, який називається AdCP, керований AgenticAdvertising.org. Браян і я говорили про те, де були пробіли в роботі, яку проводили, і я запропонував написати першу специфікацію для керування та відповідності для AdCP. 

Через кілька місяців після того, як я написав це, мене зв’язалася Fluency. Коли я почав дізнаватися, що вони створили, я був вражений. Вони фактично вже вирішили все, що я викликав у своїй специфікації. Вони займалися агентською рекламою вже протягом восьми років, ще до того, як ЛЛМ були готові стати “агентськими”. 

Я побачив, що детерміністичний підхід, який вони прийняли з своїми агентами, був саме тим, що було потрібно для задоволення потреб агентів, керованих ЛЛМ, які є вроджено ймовірнісними. Все це означає, що хоча ЛЛМ хороші у “думці” та творчості, вони погані у виконанні однієї й тієї ж дії кожен раз. Кожен підхід окремо має слабкості, але разом вони розв’язують проблему агентської реклами. 

Моя візія була сумісною з візією команди керівництва Fluency, і я приєднався до них, щоб очолити продукт. Тепер ми рухаємося повним ходом до світу, де агенти можуть безпечно укладати угоди щодо реклами з людьми, якщо це потрібно, і агенти, керовані ЛЛМ, отримують детерміністичні обмеження для керування їхнім поведінкою. 

Я відчуваю себе надзвичайно удачливим, оскільки проїхав багато хвиль великих змін у цифровій рекламі, від заснування Bluestreak та допомоги у створенні перших цифрових рекламних стандартів до внеску у створення однієї з перших систем реального аукціону, винаходу кураторства та появи агентської реклами. Це була дика поїздка, і я все ще отримую задоволення та цікавлюся можливостями в цій сфері. 

Реальний аукціон дав програмному забезпеченню можливість приймати фінансові рішення за мілісекунди. Які уроки з розвитку програмної реклами слід сучасним розробникам розглянути при наданні агентам великої оперативної автономії?

У програмній рекламі ми використовували машинне навчання, яке є формою штучного інтелекту, для створення двигунів рішень, які могли приймати десятки мільйонів рішень за секунду. Це вимагає неймовірної кількості обчислювальної потужності, обробки даних, величезної кількості інфраструктури та, до появи генеративного штучного інтелекту, я би сказав, що це було одним із найглибших розробок у всьому програмному забезпеченні. 

Для всіх своїх можливостей у програмній моделі також є величезні неефективності, і величезна, складна екосистема, яка горить занадто багато електрики (і, відповідно, створює занадто багато вуглецю) на кожну рекламну імпресію. Не думайте, що я не люблю програмну сферу, і я вражений тим, що ми створили. Але здається, що ми побудували машину, яка значно складніша, ніж те, що ми отримуємо за цю складність.

Хоча ті самі аргументи можна застосувати до генеративного штучного інтелекту, місця, де агенти, керовані ЛЛМ, повинні існувати в екосистемі, знаходяться на інтерфейсах, а не в самому серці кожної транзакції. І, об’єднавши ЛЛМ з детерміністичними агентами, ми можемо значно більш ефективно керувати транзакціями, одночасно суттєво зменшуючи складність. 

Є дві великі ініціативи в галузі, спрямовані на введення агентів, керованих ЛЛМ, у робочий процес транзакцій. IAB TechLab запустив ініціативу протоколів управління агентською рекламою (AAMP), яка дозволяє механізми для проксі ЛЛМ у інфраструктурі реального аукціону, приймаючи рішення заздалегідь і кешуючи їх у системах реального часу екосистеми. Проект AdCP зосереджений на тому, що я вважаю “інтеграцією на рівні облікового запису”. Це означає, що вся робота, яку люди виконують у роботі з кампаніями та творчими потоками для реклами, може бути автоматизована. Хоча AAMP дуже цінний і цікавий, це поліпшення складної сучасної системи. AdCP спрямований на проблему, яка існувала з початку галузі, і яку Fluency вже вирішує протягом восьми років. Тому ми глибоко займаємося AdCP, але згодом ми також займемося AAMP.

Fluency фактично вирішив останню милю проблеми, яка ніколи не була вирішена в сфері рекламної технології: величезні неефективності у створенні та керуванні рекламними кампаніями на рівні облікового запису, кампанії та творчості. І я справді вважаю, що робота, яку ми проводимо, є такою ж суттєвою можливістю для реклами, як те, що ми винайшли з реальним аукціоном. Коли ми підключаємо ЛЛМ до робочих потоків, які Fluency вже автоматизував, ми збільшуємо вартість усієї системи.

Fluency розділяє ймовірнісне висновування штучного інтелекту від детермінічних систем, які виконують зміни кампаній. Чому зараз занадто ризиковано дозволяти великому мовному моделювати безпосередньо контролювати рекламні бюджети?

Я вважаю, що це фундаментальна проблема, яку ЛЛМ, ймовірно, завжди матиме. Ймовірнісні двигуни призначені для надання різних відповідей на одну й ту ж питання кожного разу. Навіть коли вони неймовірно хороші у думці, вони погані у детермінічних речах. Давайте використаємо арифметику як приклад: 

ЛЛМ буквально не можуть додавати, віднімати, множити чи ділити. Тепер ви можете не зрозуміти цього, оскільки коли ви питаєте Клода або ChatGPT питання, яке вимагає арифметики, вони можуть дати вам правильну відповідь. Але те, чого не знають більшість людей, це те, що вони роблять це, створюючи скрипти та виконуючи цей код для обробки розрахунків. Про це ми говоримо тут: перехрестя ймовірнісного ЛЛМ, який розуміє, що не може виконувати арифметику, створюючи свою власну детерміністичну програму, яка виконує розрахунки для розв’язання завдання. 

Хоча ЛЛМ тепер “магічно” може виконувати арифметику, я ніколи не дозволив би ЛЛМ керувати моїми фінансами та приймати рішення про торгівлю акціями за мене. Я ніколи не дозволив би ЛЛМ робити мої податки та подавати їх без будь-якої перевірки. Чорт, я навіть не дозволив би ЛЛМ написати електронний лист або блог-пост без ретельної перевірки, щоб переконатися, що все правильно.

Хоча вони стають розумнішими та кращими у виконанні, вони можуть зробити все це в якійсь далекій майбутній перспективі. Але моя гіпотеза полягає в тому, що вони зроблять це, створюючи свою власну детерміністичну програму для розв’язання тих частин проблеми, які вимагають цього. 

Fluency вже є сьогодні – у нас є детерміністичні труби для керування рекламою. Ми інтегруємо ЛЛМ у цю платформу, використовуючи їх для тих речей, у яких вони хороші. І ми відкриваємо нашу платформу для зовнішніх агентів, щоб вони могли виконувати дії через наші труби. В кінцевому підсумку я бачу це як будівництво воріт до рекламної екосистеми, де агент, керований ЛЛМ, може укладати угоди щодо будь-якої медійної платформи, інтегруючи в одному місці. Але ми всі ще досить далеко від цієї довгострокової перспективи!

Як детерміністичний шар виконання Fluency оцінює рекомендації агента штучного інтелекту перед тим, як дозволити їм вплинути на живу кампанію, і які правила чи обмеження можуть встановити рекламодавці?

Ми надаємо механізми для людей (або ЛЛМ) для створення детермінічних інструкцій, які будуть виконуватися однаково кожен раз на рекламних платформах. Це велика проблема, яка потребує розв’язання в кожній галузі. Для реклами компанією, яка розв’язує цю проблему, є Fluency. Ми дозволяємо створення бізнес-правил та евристик для будь-якої дії, яку наш клієнт може виконати на рекламній платформі. Якщо це можливо створити логіку IF/THEN для проблеми, наша платформа дозволяє закодувати це у бізнес-правила, які виконуються однаково кожен раз. 

Це критично важливо для розуміння. Є багато рішень, які люди приймають однаково кожен раз, коли бачать певну ситуацію. Це дозволяє нам робити речі, такі як кодування правил керування бюджетом, генерація кампаній чи творчих робіт при дотриманні назв taxonomies, або автоматичне створення та відключення рекламних кампаній та творчих робіт на основі сповіщень у зовнішніх наборах даних. 

Наприклад, дилерський центр може отримати нову партію автомобілів. Fluency може прочитати систему управління інвентарем, яку використовує дилерський центр, і автоматично створити кампанії та творчі роботи для кожного окремого автомобіля, включаючи марку, модель, навіть колір та конкретні атрибути кожного окремого транспортного засобу, протягом хвилин після того, як автомобілі будуть на території. І коли останній автомобіль буде проданий, автоматично вимкнути ці кампанії. 

Все це досить суттєво, оскільки бізнес-рішення щодо виконання всіх цих дій дуже прості, коли їх розглядають окремо. Це проблема “смерті від тисячі порізів” у керуванні рекламою сьогодні, яка зникає. Наші клієнти знаходять, що це звільняє їхні команди від гасіння пожеж увесь день, щоб робити роботу, яка рухає бізнес для їхніх клієнтів.

Рекламна стратегія та розвиток творчості часто вимагають експериментів та суб’єктивної оцінки. Як організації можуть зберегти гнучкість генеративного штучного інтелекту, одночасно забезпечуючи, щоб виконання кампанії залишалося передбачуваним та відповідним?

Все, про що ми говорили раніше, вже створило рамки для простої відповіді на це. Речі, які можна закодувати у бізнес-правила, встановлені правильно для виконання тих легких рішень, які однакові кожен раз. ЛЛМ можуть допомогти аналізувати та шукати закономірності, як і інші форми штучного інтелекту, такі як машинне навчання, яке має довгу історію у сфері реклами. Але справжня трюк полягає в тому, щоб мати механізми для звернення до людини, якщо проблема не має чіткої відповіді. Наші клієнти можуть налаштувати свій ризиковий поріг щодо цього,所以 якщо проблема низького ризику, вони можуть вирішити дозволити машинам приймати рішення. Але для речей, які真正 потребують людських рішень, ми сповіщаємо їх та дозволяємо їм взяти керування на себе. 

Платформа Fluency працює у пошукових системах, соціальних мережах та програмних рекламних каналах. Які технічні виклики виникають, коли агент штучного інтелекту повинен приймати рішення через платформи, які мають різні структури даних, системи оптимізації та вимоги політики?

Кожна рекламна платформа має унікальний набір найкращих практик та можливостей. API – це фіксовані труби, до яких ми підключаємося, щоб керувати цими платформами зовні. API дуже добре задокументовані, але ця документація є фактично набором правил для того, що можна зробити на цих платформах. Вони не є втіленням найкращих практик для конкретної платформи.

ЛЛМ можуть прийняти велику кількість інформації у контекст, щоб найкращі практики для використання кожної платформи були доступні через них. Оскільки Fluency працює багатьма платформами для багатьох агентств та рекламодавців, ми можемо закодувати найкращі практики кожного з наших клієнтів (від їхнього імені) у інструкції, які ЛЛМ можуть слідувати для виконання диференційованих найкращих практик для кожного клієнта. Наші клієнти мають свої власні “плейбуки” для того, як вони керують своїми бізнесами, і Fluency дозволяє їм закодувати їх у детерміністичні правила, де це можливо, і з часом ми дозволимо їм як інструкційні набори для агентів, керованих ЛЛМ, де це має сенс. 

Ми починаємо працювати з нашими клієнтами над цією наступною генерацією розробки для кодування цих більш складних сценаріїв у їхніх облікових записах на нашій платформі. Це дуже ранні дні. Хто б не сказав вам, що вони вирішили будь-яку частину цього за допомогою ЛЛМ, розтягує правду, оскільки все ще дуже рано, і моделі розвиваються дуже швидко, тому нічого ще не було повністю вирішено ніким. Але ми дуже добре позиціоновані для роботи з нашими клієнтами для розв’язання цієї проблеми.

Який повинен бути ефективний людський нагляд у середовищі агентської реклами? Які рішення можуть безпечно стати автономними, а які повинні продовжувати вимагати людської перевірки чи затвердження?

Кожен клієнт має різний ризиковий поріг, і більшість з них ніколи не мали системи, яка могла б виразити це. У Fluency судження, яке застосовує хороший менеджер кампанії, закодується один раз, а потім застосовується однаково до кожного облікового запису, кожної платформи, кожного разу. Ситуації, які не мають чіткої відповіді, автоматично переходять до людини з контекстом, який їм потрібен для прийняття рішення.

Що це означає на практиці, варіюється дуже сильно. Ми зараз запускаємо велику кількість різних правил для наших клієнтів, допомагаючи їм закодувати людські рішення, які не змінюються, і переходячи до людини, якщо відповідь нечітка.

Які рішення можуть безпечно стати автономними, залежать від клієнта, і я не думаю, що універсальна відповідь варта чогось. Платформа повинна примусити лінію, де клієнт її проводить, і дозволити їм рухати її, оскільки їхня впевненість зростає. 

Як платформи повинні документувати висновування, дані та правила, які стоять за кожною дією, щоб рекламодавці могли проводити аудит виконання, розслідувати помилки та демонструвати відповідність?

Одна з основних цінностей, яку пропонує Fluency, полягає в тому, що ми відповідаємо вимогам SOC2, і повністю аудитуємий. Зміни реєструються по всій системі. Я був технічним директором публічної компанії, і раніше був відповідальним за відповідність, тому знаю, наскільки це може бути складно. Це ще одна причина, чому я був рад приєднатися до Fluency, оскільки кожен аспект нашої роботи повністю аудитуємий. Ми також підтримуємо реєстр змін для кожної зміни, зробленої в системі, реєструючи її проти користувача, який її зробив. 

Є другий рівень, який важливий. Оскільки бізнес-правила закодовані у програмному забезпеченні, правило є своєю власною специфікацією. Не існує розриву між документацією та поведінкою, де аудити зазвичай зазнають невдачі. І у світі, керованому ЛЛМ, закодована логіка може бути повернута у звичайну бізнес-мову за запитом, щоб людина, яка проводить аудит, не повинна читати код, щоб зрозуміти, що система була інструктована робити.

Для агентства або бренду, яке починає впроваджувати агентську рекламу, які робочі потоки забезпечують найкращу початкову точку, і які докази повинна організація вимагати перед розширенням повноважень агента?

З точки зору Fluency, агентська реклама – це добре пройдена територія. Ми займаємося цим протягом восьми років. У нас сотні агентств та брендів, які використовують нашу платформу для агентської реклами сьогодні, а у сфері багатомісної локалізації – це по десятки тисяч місць. 

Ми автоматизуємо більшу частину того, що люди роблять повторно при створенні та керуванні кампаніями, пошуку, соціальних мережах та програмних платформах, тому немає робочого потоку, який би був кращим чи гіршим початковим пунктом. Найкращим початковим пунктом є той канал, який наш клієнт вважає найбільш трудомістким. 

ЛЛМ допомагають нам прискорити процес впровадження наших клієнтів, оскільки кодування бізнес-правил клієнта аналогічно виконанню реалізації CRM, вимірюваної місяцями. Ми будемо створювати інструменти, які використовують ЛЛМ для допомоги у створенні наборів правил та написанні скриптів автоматизації. Це зробить процес впровадження клієнтів значно швидшим і зменшить складність для наших клієнтів.

Реклама є раннім полігоном для автономних систем керування реальними грошима у великих масштабах. Які уроки з цієї галузі можуть застосовуватися до фінансових послуг, охорони здоров’я, корпоративних закупівель чи інших регульованих секторів, які впроваджують агентів штучного інтелекту?

Реклама була полігоном для автономних систем, які витрачають реальні гроші, протягом 20 років. Програмна реклама навчила галузь, як дозволити програмному забезпеченню приймати рішення щодо витрат мільярдів доларів щодня без затвердження окремих транзакцій людиною. Більшість поточних розмов про агентську штучий інтелект відбувається у масштабах, яких реклама давно залишила. 

У Fluency понад 3 мільярди доларів щорічних витрат проходять через нашу платформу, по сотням агентств та брендів, а у сфері багатомісної локалізації – це десятки тисяч місць. Більшість розмов про агентську рекламу зараз відбувається про пілотні бюджети та кілька облікових записів.

Що переносяться до інших секторів, це архітектура. Ви розділяєте системи, які приймають рішення, від систем, які виконують дії. Шар прийняття рішень може бути ймовірнісним, оскільки судження користується гнучкістю та творчістю. Шар виконання повинен бути детерміністичним, оскільки рух грошей не є місцем, де хочеш варіюватися. Кожна дія реєструється проти користувача або агента, який ініціював її, що дає нам реєстр аудиту, який витримує регулювання.

Ця вимога ідентична у фінансових послугах, у медичних претензіях, у корпоративних закупівлях. Ставки вищі, а інструменти загалом гірші. Дизайн, який ми створили для реклами, правильний: повна аудитність із реєстром змін на кожній зміні – це мінімум. Я особливо стурбований нелюдським судженням у таких речах, як затвердження медичних процедур та затвердження страхових претензій. Я не думаю, що ЛЛМ ще готові до цього, і у мене є особисті приклади у моєму житті автоматизованих систем, які приймають дуже погані рішення щодо затвердження чи відхилення страхових претензій. 

Моя очікування полягає в тому, що шаблон, який встановлює реклама, стане шаблоном, який приймуть ці сектори. У нас було двадцятирічне优势 у розв’язанні проблеми машин, які витрачають гроші сотні мільйонів разів на секунду. Підхід Fluency розширюється від транзакції до робочого потоку, і я впевнений, що наш підхід буде схожим, який переможе. Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Fluency. 

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Fluency.