Mile创始人兼CEO维杰·库马尔 – 采访系列

维杰·库马尔，Mile创始人兼CEO，一直专注于帮助数字出版商通过高级机器学习和数据驱动优化从程序化广告中提取更大的价值。自2013年创立Mile以来，他一直领导公司的战略和产品愿景，围绕改善开放交易性能，开发动态管理定价、优化拍卖机制和增强信号质量以推动可衡量的收入增长，同时降低出版商的运营复杂性。

Mile是一家位于纽约的广告技术公司，作为最后一英里的货币化层，在拍卖动态最终决定出版商收入的地方运作。其平台与现有的程序化基础设施集成，提供动态价格地板、流量塑形、竞价丰富和实时分析，允许出版商通过智能自动化最大化填充率和CPM。通过专注于精确优化而不是增加广告堆栈复杂性，Mile帮助出版商捕获他们库存中已经存在的更多价值。

您在2013年创立了Mile，当时AI在广告技术中还不是一个流行词汇。您亲眼看到出版商货币化和开放交易动态中有什么问题，导致您认为系统从根本上是有缺陷的，值得重建？

当Mile成立时，开放交易正在快速扩张，但出版商侧的智能跟不上。卖方的大多数决策是静态的——手动地板、粗糙的规则、不频繁的更改——而买家行为变得越来越动态和战略。

早期突出的问题是，拍卖并不是因为缺乏需求而低效，而是因为出版商缺乏真正的控制层。价格发现实际上是外包给买家和中间商的，出版商是在事后做出反应。

系统并不是在戏剧性的意义上“破碎”——它是不平衡的。随着拍卖变得更加复杂，出版商需要在他们这一侧的拍卖中具有适应性、数据驱动的决策。正是这一缺口使得这个问题值得从头开始重建。

今天，Mile作为现有出版商堆栈上的AI优化层运作。您如何描述平台当前为出版商解决的核心问题？

核心问题是协调。

出版商已经运行着复杂的堆栈——Prebid、Amazon、AdX、多个SSP——但每个组件都独立运作。没有原生的系统可以跨拍卖查看并询问：如何在当前的市场行为下实时定价和路由这个库存？

Mile作为堆栈上的智能层。我们不替换Prebid或现有的需求。我们帮助出版商使用拍卖结果作为反馈做出更好的实时定价和资格决策。

在实践中，这意味着在竞争存在时保护价值，在竞争不存在时避免不必要的限制——所有这些都不会破坏交付。

Mile的AI在激活之前会在每个出版商自己的拍卖数据上进行训练。为什么现场特定训练在实时程序化环境中非常重要？

因为程序化市场是高度本地的。

两个具有相似受众的出版商可以具有非常不同的需求弹性、竞价者重叠、延迟配置文件和收入敏感性。训练在汇总数据上的通用模型往往会学习实际上不存在的平均值。

通过训练在出版商自己的拍卖历史上，Mile学习了他们的需求如何对价格、竞争和细分做出反应。这使得系统可以在需要时保守地运作，在信号强度足以证明它时积极地运作。

现场特定训练不是一种很好的功能——它是使AI在实时拍卖中可用而不引入风险的必要条件。

Mile使用机器学习实时调整最低广告价格，响应需求信号而不损害填充率。为什么这种自适应定价在程序化广告中如此难以做对？

因为定价错误是不对称的。

如果您低估库存的价值，成本是隐藏的。如果您高估它，惩罚是立即的——失去填充、失去收入和破坏信任。这使得大多数定价系统要么过于激进，要么永远谨慎。

拍卖也是非平稳的。买家策略在一天中、在不同地理区域以及对更广泛的市场条件做出反应时都会发生变化。静态规则很快就会失效。

自适应定价只有在系统理解不确定性、安全测试和知道何时不采取行动时才有效。这不仅仅是关于最大化CPM，还要在允许时维持稳定性并捕获上升空间。

当AI影响定价决策时，信任至关重要。您如何考虑使用Mile的出版商的透明度和控制权？

AI应该辅助出版商，而不是覆盖他们。

在Mile，我们的出版商定义边界——地板范围、库存范围、推出速度和性能阈值。系统在这些护栏内运作，并提供对正在发生的变化及其对结果的影响的清晰可见性。

我们故意避免不透明的自动化。出版商可以在任何时候分段、暂停或回滚，并且可以看到定价决策如何与胜率、CPM和收入相关。

信任来自可观察性和控制，而不是要求出版商“相信模型”。

您在Prebid和IAB Tech Lab的工作中处于AI和出版商侧广告技术的交叉点。这些观点如何塑造您如何构建和管理Mile的技术？

与Prebid和IAB Tech Lab密切合作强调了生态系统级别思考的重要性。

短期优化会扭曲拍卖或利用边缘案例，最终会适得其反。长期价值来自于加强开放、透明的系统，在这些系统中出版商保留控制权。

这种观点塑造了Mile的架构和治理。我们与现有框架集成，尊重拍卖机制，避免可能创建隐藏优势或破坏开放交易信任的逻辑。

我们的目标是使出版商侧决策更智能，而不削弱它所依赖的系统。

许多AI驱动的货币化工具承诺提升但在生产中失败。根据您的经验，什么区分了那些能够提供持续结果的系统和那些不能的系统？

区别在于系统是否为生产现实而构建。

许多工具针对静态目标进行优化，并假设条件将保持不变。在实时市场中，它们不会。需求适应，策略转变，昨天的信号变成了噪音。

那些持续存在的系统将生产视为持续学习环境。它们不断测量，谨慎适应，并在信心低时平稳降级。

同样重要的是克制。最好的系统并不在所有地方都进行干预——它们选择性地行动，只有当信号足够强大时才会改变。

随着隐私变化、信号丢失和市场波动继续重塑程序化广告，AI在哪里为出版商提供了最大的杠杆作用？

最大的杠杆作用在于理解市场行为，而不是用户身份。

即使可寻址性下降，拍卖仍然会产生丰富的信号——竞价密度、价格分散、响应模式、竞争重叠。这些信号对于人类来说难以在规模上解读，但适合机器学习。

AI允许出版商根据需求的实际行为进行优化，而不是依赖于身份代理，这些代理变得越来越脆弱。

Mile与多个Tier-1市场的顶级出版商合作。您在不同地区看到什么样的需求动态或优化策略的差异？

基础是一致的，但风险配置不同。

北美往往具有更深、更波动的拍卖，这奖励了能够快速移动而不过度反应的适应性系统。

欧洲市场往往更受约束、更稳定，优先考虑精确和保守。

在亚太地区，碎片化和延迟可变性使得下行保护和交付稳定性与收益优化一样重要。

跨地区，共同的教训是，僵化的逻辑会失败，而适应性、出版商特定的系统表现更好。

对于现在正在评估AI优化层的出版商，什么是他们应该了解的关于Mile提供的内容以及它何时能够产生最大影响？

Mile不是您堆栈的替代品，也不是捷径。

它在出版商已经拥有需求但缺乏智能实时定价和协调能力时产生最大影响。通常，这是手动规则和静态地板开始达到瓶颈的时候。

出版商应该将Mile视为一种随时间复利的智能层——学习他们的市场，在他们的约束内运作，并随着条件的变化而改善决策质量。

如果您正在寻找快速解决方案，那么Mile是不正确的工具。如果您正在为长期的恢复力和控制力而构建，那么Mile最适合。

感谢这次精彩的采访，希望读者能够通过访问Mile来了解更多信息。