埃里克·皮卡德（Eric Picard），Fluency 产品高级副总裁 – 采访系列

埃里克·皮卡德（Eric Picard），Fluency 产品高级副总裁，是一位经验丰富的产品和技术高管，他在数字广告平台、自动化市场、数据系统和面向消费者的产品开发方面拥有数十年的经验。在加入 Fluency 之前，他曾在微软、Pandora、MediaMath、Yieldmo 和 BARK 担任高级领导职务，他的职责范围从广告技术战略和程序化媒体到产品管理、数据科学、工程和大规模平台现代化。皮卡德也是一位连续创业者，他创立了 Bluestreak、Rare Crowds、Questori 和其他技术公司，其中 Bluestreak 和 Rare Crowds 最终被收购。他的职业生涯包括帮助设计早期实时竞价广告交易所、推出程序化音频广告产品、开发自动化库存策划技术以及为公司提供人工智能、产品战略、企业转型和并购方面的建议。

Fluency 开发了一种数字广告操作系统，旨在帮助代理商、品牌和多地点业务在搜索、社交、程序化平台、封闭花园和开放网络上管理付费媒体活动。该平台集中了数据、创意资产、库存、合规性要求、受众、活动策略、报告和执行工作流程，使用自动化和人工智能来减少重复的操作工作并协调大规模活动。Fluency 正在日益关注代理广告，包括受监管的 AI 驱动工作流程，可以在保持定义的战略和品牌控制的同时执行和优化活动。该公司表示，其技术支持每月超过 250,000 个活动，并管理大约 30 亿美元的年度广告支出。

您的职业生涯跨越了数字广告的几个基础时期，从创立 Bluestreak 和帮助建立早期数字广告标准到为早期实时竞价交易所的架构做出贡献。这些经历如何塑造您在 Fluency 建立下一代代理广告系统的方法？

我在职业生涯中非常幸运地找到一个在多方面都很有趣的数字广告领域。我有机会成为互联网增长的机制的一部分。我有机会参与一些数字广告功能的基本机制的发明。这个领域的技术挑战与软件领域的任何挑战都一样。所以这总是很有趣的。

在 Bluestreak，我们有机会建立一些几乎所有广告格式的第一版本，包括一些最早的视频和音频广告。我们是第一个实现多点归因、第一个提供标签管理系统和第一个在所有数字媒体类型上提供多点归因的公司。这使我们有机会与互动广告局（IAB）和媒体评级委员会（MRC）合作撰写第一个印象标准。

当我加入微软时，该公司决定投资广告技术，因为他们看到谷歌的每份 Windows 副本收入比微软高，这一切都是因为数字广告。他们给我提供了一个非常诱人的角色，即撰写微软进入广告技术领域的全球战略。

我们决定大举进入广告技术领域，我负责制定构建/购买/合作的战略。我有机会对 150 多家公司进行尽职调查，我们收购了 7 家公司，并大量投资内部团队。当我到达时，我们有大约 200 名工程师从事广告技术工作，我们的媒体收入约为 7.5 亿美元。到我离开时，我们有 1,500 名工程师从事广告技术工作，我们的收入超过 50 亿美元。如今，搜索广告收入约为 150 亿美元，但当时这是一个令人难以置信的数字。

我看过的一家公司，我们最终收购了，就是 AdECN。这是杰夫·格林（Jeff Green）的第一家公司，在他创立 The Trade Desk 之前。我们曾考虑过收购 Right Media，但最终我们放弃了，因为我们认为有机会建立一个异步的全球拍卖，允许多个外部竞价者连接到交易所。所以我们收购了 AdECN，并帮助他们建立了一个强大的工程团队来执行这一愿景。

当 AdECN 准备推出第一个实时竞价交易所时，人们对方法存在分歧，基本上从未退出测试阶段。

这产生了两个结果，这两个结果彻底改变了整个广告技术生态系统。首先，布莱恩·奥克利（Brian O’Kelley）在离开 Right Media 后创立了 AppNexus。当很明显 AdECN 永远无法起飞时，我提倡与 AppNexus 合作的机会，这最终导致了对该公司的大量投资和牢固的合作伙伴关系，最终以被微软收购而告终。第二个主要结果是杰夫·格林（Jeff Green）离开微软，带走了几位在 AdECN 建立实时竞价交易所的工程师，并创立了 The Trade Desk。

当你回顾我职业生涯的第一段时，从 1997 年到 2010 年，它种下了一些长期的种子，这些种子现在已经长成了一些有趣的果实。我去了各种角色，包括我的创业公司 Rare Crowds，我们发明了程序化策划。我在 Pandora 等公司工作过，我们有一个伟大的音频广告业务，包括最大的音频广告交易所，在 Yieldmo，我们建立了第一个以隐私为中心的广告交易所。在那段时间里，我有机会加入 IAB Techlab 的董事会，并被邀请加入董事会的执行委员会。我一直在这些年里继续致力于行业标准的工作。

去年，布莱恩·奥克利（Brian O’Kelley）看到了建立一个行业标准的机会，称为 AdCP，由 AgenticAdvertising.org 管理。布莱恩和我讨论了工作中存在的空白，我提出要撰写 AdCP 的第一份治理和合规规范。

在我撰写规范的几个月后，我被 Fluency 联系。当我开始了解他们所建立的内容时，我感到震惊。他们基本上已经解决了我在规范中提出的所有问题。他们已经从事代理广告业务八年了，甚至在大型语言模型（LLM）准备好之前就已经开始了。

我看到他们采用的确定性方法与 LLM 功能的需求相吻合，LLM 功能本质上是概率性的。这意味着虽然 LLM 非常擅长“思考”和创造力，但它们在每次以相同方式执行相同操作时却很糟糕。每种方法都有其自身的弱点，但它们结合起来可以解决代理广告的问题。我的愿景与 Fluency 领导团队的愿景一致，我加入了他们，领导 Fluency 的产品开发。现在，我们正在全力以赴地推动一个世界，在这个世界中，代理可以在需要时与人类一起安全地进行广告交易，并且 LLM 驱动的代理将获得确定性防护栏来管理其行为。

我感到非常幸运，因为我经历了数字广告的许多重大变革，从创立 Bluestreak 和帮助建立早期数字广告标准到为早期实时竞价交易所的架构做出贡献，再到代理广告的出现。这是一段疯狂的旅程，我仍然在享受乐趣并对这个领域的机会感到兴奋。

实时竞价使软件能够在毫秒内做出财务决策。您认为程序化广告的开发中有哪些经验教训应该被今天的开发者所关注，他们正在赋予 AI 代理更大的操作自主权？

在程序化广告中，我们使用机器学习（一种人工智能形式）来构建决策引擎，可以每秒做出数千万个决定。这需要巨大的计算能力、数据处理、庞大的基础设施，并且在生成性人工智能出现之前，我认为这是软件领域最重要的发展之一。这种发展对广告技术生态系统产生了巨大的影响，但也存在巨大的低效率，整个生态系统消耗了太多电力（因此也产生了太多碳），每个广告印象的成本都很高。虽然我喜欢程序化广告领域，但我认为我们构建的机器比我们从这种复杂性中获得的回报更复杂。

虽然同样的论点也可以应用于生成性人工智能，但LLM驱动的代理需要在生态系统的接口处运行，而不是在每个事务的核心。通过将LLM与确定性代理相结合，我们可以更高效地管理事务，同时大大降低复杂性。

行业中有两个主要计划，旨在将LLM驱动的代理纳入交易发生的工作流程中。IAB TechLab启动了代理广告管理协议（AAMP）计划，允许在事先做出决定并将其缓存在生态系统的实时系统中，从而将LLM代理到实时竞价基础设施中。AdCP项目专注于我所说的“账户级”集成。也就是说，广告中的所有人类工作，包括活动管理和创意工作流程，都可以自动化。虽然AAMP很有价值且很有趣，但它是在改进一个复杂的现代系统。AdCP正在解决一个从行业开始就存在的问题，Fluency已经解决了这个问题八年了。因此，我们正在深入研究AdCP，但最终我们也会涉足AAMP。

Fluency已经解决了广告技术领域从未解决的最后一英里问题：在账户、活动和创意层面管理和创建广告活动的巨大低效率。并且我真正相信我们正在做的工作与我们通过实时竞价发明的工作一样，对广告具有深远的机会。随着我们将LLM连接到Fluency已经自动化的工作流程中，我们正在增加整个系统的价值。

Fluency 将概率性人工智能推理与执行活动更改的确定性系统分开。为什么目前允许大型语言模型直接控制广告预算风险太高？

我认为这是大型语言模型将永远面临的基本问题。概率性引擎的设计目的是对同一个问题给出不同的答案。即使它们在“思考”方面非常出色，但在确定性事物方面也很糟糕。让我们以算术为例：大型语言模型无法执行算术运算，如加法、减法、乘法和除法。现在，您可能没有意识到这一点，因为当您要求像 Claude 或 ChatGPT 这样的语言模型回答需要算术的问题时，它们可以给出正确的答案。但大多数人不知道的是，它们通过编写脚本并执行代码来执行计算来实现这一点。这就是我们在这里讨论的内容：一个概率性的大型语言模型，它知道自己无法执行算术运算，因此构建了自己的确定性软件来执行计算以解决任务。

尽管大型语言模型如此强大，但我永远不会让大型语言模型管理我的财务并代表我做出股票交易决定。我永远不会让大型语言模型处理我的税务并在没有仔细审查的情况下提交。我甚至不会让大型语言模型撰写电子邮件或博客文章而不仔细编辑以确保一切正确。随着大型语言模型变得更智能、更擅长执行，它们可能最终能够做到这一点。但我猜测它们将通过编写自己的确定性软件来处理需要确定性处理的问题来实现这一点。

Fluency 已经具备了管理广告的确定性管道。我们正在将大型语言模型集成到该平台中，利用它们来完成它们擅长的任务。我们还使我们的平台对外部代理开放，以便它们可以在我们的管道上执行。最终，我认为这是在广告生态系统中构建一个网关，任何媒体平台都可以通过一个集成来与大型语言模型驱动的代理进行交易。但我们距离实现这一长期目标还很远！

Fluency 的确定性执行层如何在允许代理影响活动之前评估代理的建议，并且可以建立哪些规则或约束？

我们提供了机制，允许人类（或大型语言模型）创建将以相同方式每次执行的确定性指令。这个问题在每个行业中都需要解决，尤其是在广告技术领域。我们使客户能够为广告平台上的任何操作创建业务规则和启发式规则。如果可以为问题创建 IF/THEN 逻辑，我们的平台就可以将其编码为将以相同方式每次执行的业务规则。

例如，汽车经销商可能会收到一批新车。Fluency 可以读取经销商使用的库存管理系统，并在汽车到达经销商场地几分钟内自动为每辆车的确切型号、甚至颜色和特定属性生成活动和创意。当最后一辆车售出时，自动关闭这些活动。所有这些都是非常重要的，因为在设置和管理活动时，人类做出的决定非常简单。但是，管理广告的“千刀之死”问题消失了。我们的客户发现，这让他们的团队摆脱了整天扑灭火灾的工作，专注于为客户推动业务的工作。

广告策略和创意开发通常需要实验和主观判断。组织如何在保持活动执行可预测和合规的同时保留生成性人工智能的灵活性？

我们已经讨论的所有内容都为以简单的方式回答这个问题提供了框架。可以编码为业务规则的内容都设置正确，以相同的方式每次执行。LLM 可以帮助分析和模式匹配，就像机器学习一样，机器学习在广告技术中有着悠久的历史。但真正的技巧是拥有机制来询问人类是否需要介入，如果问题没有明确的答案。我们的客户可以调整他们的风险承受能力，如果问题的风险很低，他们可以决定让机器做出决定。但对于真正需要人类做出决定的问题，我们会提醒他们并使他们能够掌控局面。

Fluency 的平台在搜索、社交和程序化广告渠道上运行。代理需要跨具有不同数据结构、优化系统和策略要求的平台进行推理时，会出现哪些技术挑战？

每个广告平台都有其独特的最佳实践和功能。API 是我们连接到这些平台的固定管道。API 非常好地记录了可以在这些平台上执行的规则。但是，这些文档是可以在这些平台上执行的内容的规则集，而不是每个平台的最佳实践。LLM 可以将大量信息纳入上下文，以便在每个平台上提供最佳实践。由于 Fluency 为许多客户和广告商运营多个平台，我们可以为每个客户编码他们的最佳实践，并使 LLM 遵循这些最佳实践来驱动每个客户的差异化最佳实践。我们的客户都有自己的“剧本”来运营他们的业务，Fluency 允许他们在可能的情况下将这些编码为确定性规则，并随着时间的推移，将这些编码为 LLM 驱动的代理的指令集。

我们刚刚开始与客户合作，开发下一代将这些更复杂的场景编码到他们的帐户中的解决方案。这仍然是一个早期阶段。任何人如果告诉你他们已经使用 LLM 解决了这个问题，那么他们就是在撒谎，因为这个问题仍然处于早期阶段，模型正在迅速演变，所以还没有人完全解决了这个问题。但我们与客户合作解决这个问题的位置非常好。

在代理广告环境中，什么样的有效人工监督是必要的？哪些决策可以安全地自动化，哪些应该继续需要人工审查或批准？

每个客户都有不同的风险承受能力，大多数客户以前从未拥有过一个可以表达风险承受能力的系统。在 Fluency 中，良好的活动经理应用于其头脑的判断力只需编码一次，然后在每个帐户、每个平台和每次都以相同的方式应用。没有清晰答案的情况会自动路由到一个人，并提供他们需要的上下文来做出决定。这种情况的外观因客户而异。我们为客户运行大量不同的规则，帮助他们编码不变的人类决策，并在答案不明确时将其推送到人类那里。

代理在活动中做出更多决策时，平台如何记录代理行为、数据和规则背后的推理，以便广告商能够审计性能、调查错误并展示合规性？

Fluency 的一个核心价值主张是我们符合 SOC2 标准，并且完全可审计。系统中的所有更改都被记录下来。我曾是上市公司的首席技术官，并且以前曾负责合规，因此我知道这可能有多复杂。这也是我为什么对加入 Fluency 感到兴奋的原因之一，因为我们所做的一切都是完全可审计的。我们还为系统中的每个更改维护更改日志，并记录哪个用户进行了更改。还有一个重要的层面需要考虑。由于业务规则以软件编码，因此规则就是其自身的规范。没有文档和行为之间的偏差，这是审计通常失败的地方。在一个启用了 LLM 的世界中，编码的逻辑可以在需要时以纯业务语言呈现，因此执行审计的人不需要阅读代码来理解系统被指示执行什么操作。

对于刚刚开始采用代理广告的代理商或品牌来说，哪些工作流程提供了最佳的起始点，组织应该要求哪些证据来扩大代理的权限？

从 Fluency 的角度来看，代理广告是一个已经被充分探索的领域。我们已经从事代理广告业务八年了，我们有数百家代理商和品牌正在使用我们的平台进行代理广告，尤其是在多地点领域，涉及数万个地点。我们自动化了人类在设置和管理活动时重复执行的工作的大部分内容，跨越搜索、社交和程序化平台，因此没有哪个工作流程比其他工作流程更适合作为起点。起点是我们的客户在哪个渠道上发现最耗时。LLM 正在帮助我们加快为客户提供服务的速度，因为编码客户的业务规则类似于执行 CRM 实现，需要数月时间。我们正在使用 LLM 建立工具来帮助构建规则集并编写自动化脚本。这将使我们的客户的入职过程更加快速，并降低他们的复杂性。

广告是管理大量真实资金的自治系统的早期测试场。从这个行业中可以应用到金融服务、医疗保健、企业采购或其他采用人工智能代理的监管行业的经验教训是什么？

数字广告已经成为让软件在没有人类审批个别事务的情况下每天承诺数十亿美元的先驱。程序化广告已经教会了该行业如何让软件在没有人类审批个别事务的情况下每天承诺数十亿美元。大多数当前的代理式人工智能对话都发生在规模上远远落后于数字广告的水平。Fluency 每年有超过 30 亿美元的广告支出流经我们的平台，跨越数百家代理商和品牌，并在多地点领域覆盖数万个地点。大多数代理式广告对话目前都是关于试点预算和少数帐户。可以转移到其他行业的内容是架构。您将决定系统与执行系统分离。决定层可以是概率性的，因为判断可以从灵活性和创造力中受益。执行层必须是确定性的，因为资金流动不是一个可以容忍变异的地方。每个操作都记录在用户或启动它的代理的名下，这为您提供了可以在监管机构面前站住脚的审计跟踪。这种要求在金融服务、医疗保健索赔、企业采购中是相同的。我们为广告构建的设计是正确的：每次修改都有完整的审计跟踪，这是基本要求。我特别担心非人类判断在批准医疗程序和批准保险索赔方面的应用。我不认为大型语言模型已经准备好做出这些决定，我在自己的生活中有自动系统做出糟糕的保险索赔批准或拒绝的个人例子。我的期望是，广告所确立的模式将成为这些行业所采用的模式。我们在这个问题上有 20 年的领先优势。Fluency 的方法从事务扩展到工作流程，我相信我们的方法也将是获胜的方法。

感谢您接受这次精彩的采访，希望读者能够通过访问 Fluency 了解更多信息。