Detrás del ensayo: Niklas Karlsson aplica el control de retroalimentación para gestionar demandas complejas de los anuncios

Los ingenieros conocen el control de retroalimentación como el proceso de ajustar un sistema y corregirlo para obtener un resultado deseado; por ejemplo, cuando un robot encuentra un obstáculo y automáticamente ajusta ruta. Este mismo enfoque sustenta el trabajo reciente de Niklas Karlsson, científico sénior principal de Amazon Ads. Como antiguo ingeniero de robótica, Niklas ha aplicado esa experiencia, junto con casi dos décadas en tecnología publicitaria, al problema de obtener objetivos publicitarios complejos para los clientes.

Niklas tiene títulos avanzados en ingeniería y estadística de la Universidad de California en Santa Bárbara y la Universidad de Lund en Suecia, y es miembro del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE). Niklas buscaba un cambio después de su incursión inicial en la robótica a principios de los 2000 y se unió a Advertising.com para ayudar a renovar su sistema de optimización de anuncios. El interés en la tecnología publicitaria se mantuvo y Niklas se unió a Amazon en julio de 2022. Aquí nos habla sobre su carrera y su reciente ensayo, que fue aceptado en la 63.ª Conferencia de IEEE sobre decisión y control (2023) en Singapur.

Llevo en el sector de los anuncios en línea desde 2005, y a principios de 2022, un seleccionador se puso en contacto conmigo sobre la posibilidad de unirme a Amazon Ads. Me atraía la idea de abordar tipos de problemas similares a los que estaba acostumbrado, pero para una empresa diferente. La posibilidad de trabajar en Amazon me intrigaba. El tamaño de Amazon, su reputación y sus ambiciosos Principios de liderazgo (Tener iniciativa, Pensar en grande, Obtener resultados) encajaban conmigo.

Mi interés en la investigación es el control de retroalimentación, los sistemas dinámicos y la optimización. Mi función en Amazon es proporcionar experiencia en algoritmos para la optimización y el control de campañas publicitarias gestionadas por la plataforma de demanda de Amazon (ADSP) y mejorar ADSP para el beneficio de nuestros clientes. Nuestros clientes son anunciantes que desean invertir sus presupuestos para lograr algún objetivo con sus campañas. Por ejemplo, un anunciante puede llegar a nosotros con un presupuesto mensual de 100 000 $ para invertir con el objetivo de maximizar el número total de conversiones o ventas. El objetivo es distribuir el presupuesto a lo largo del mes, no invertir todo el primer día o el último día. Las restricciones adicionales de entrega son comunes; por ejemplo, entregar la mitad de las impresiones del anuncio a usuarias o invertir como máximo un determinado importe medio por conversión o por impresión. Una impresión se produce cuando se muestra un anuncio a un usuario.

Una campaña publicitaria se puede definir como un problema de optimización con múltiples restricciones y de una dimensionalidad extremadamente alta. Con algunas operaciones matemáticas ingeniosas, este problema puede descomponerse en subproblemas que son un poco más fáciles de resolver. Las soluciones a los subproblemas implican técnicas avanzadas de aprendizaje automático, control de retroalimentación y estadísticas; cuando se combinan, se utilizan para calcular las pujas que se envían por las impresiones de anuncios en nombre del anunciante.

Mi ensayo resuelve un problema de optimización que se había pasado por alto. Ten en cuenta que los anunciantes normalmente quieren maximizar, por ejemplo, el número total de conversiones sujeto a una o más restricciones de entrega. Históricamente, tales restricciones se aplicaban a todo el presupuesto de la campaña. Sin embargo, en los últimos años, los anunciantes suelen imponer ciertas restricciones de entrega al presupuesto general de la campaña y otras solo a las subcampañas. Una subcampaña se define por un material creativo del anuncio único y está sujeta a sus propias restricciones, por ejemplo, inversión, proporción entre mujeres y hombres, e inversión media por impresión o por conversión.

De esto se deduce que los objetivos de campaña actuales a menudo corresponden a problemas de optimización jerárquica con múltiples restricciones. Esto genera problemas de investigación interesantes y desafiantes. Antes de mi investigación, se había desarrollado una solución sencilla, pero tenía limitaciones importantes y era incompatible con la gran visión de ADSP. Mi investigación y mi ensayo abordan el problema de una manera holística mediante la derivación matemática de la solución y el diseño de una implementación descentralizada de la solución.

Todo comenzó con una auditoría que realicé del sistema general de optimización de ADSP durante mis primeros meses en Amazon. Durante la auditoría, identifiqué los puntos fuertes y débiles del sistema de optimización y establecí las oportunidades de mejorar la entrega y el rendimiento de las campañas para nuestros anunciantes. Una punto débil en concreto me hizo pensar mucho. Aunque sabía que se podían hacer mejoras, no supe inmediatamente cómo describir el problema y no tenía una solución en mente. Sin embargo, cerca del final de 2022, cuando me encontraba entre proyectos y tenía más tiempo para pensar, lo vi claro y elaboré los detalles, primero, definiendo el problema adecuadamente usando las matemáticas y, después, derivando la solución óptima y una implementación sólida. Preparé el primer borrador del ensayo en diciembre de 2022 y generalicé aún más los resultados en las semanas siguientes. Mientras lo finalizaba, comenzamos a desarrollar un prototipo para demostrar el concepto, y el resultado fue extraordinariamente positivo. Se demostró sin lugar a dudas que esta solución debería ponerse en producción y desplegarse ampliamente, lo cual ya ha sucedido.

En primer lugar, la solución permitió de forma inmediata que las campañas publicitarias entregaran sus presupuestos de manera más eficiente. Se desperdició menos presupuesto publicitario y el rendimiento de campaña se midió con métricas como el coste medio por conversión y otros indicadores de rendimiento clave, que mejoraron varios puntos porcentuales cada uno.

Además de las métricas mejoradas, la nueva solución también hizo posible una amplia gama de otras restricciones de entrega que eran incompatibles con la solución anterior. Para lograr un rendimiento casi óptimo, el sistema antiguo solo se podía usar para campañas que no tuvieran más que restricciones de inversión. Esto significaba que las campañas con restricciones de coste por conversión, coste por impresión, coste por clic, índice de visibilidad, índice de segmentación, etc., quedaban fuera del alcance. El nuevo sistema es general y con visión de futuro, y gestiona fácilmente un número arbitrario de problemas jerárquicos con múltiples restricciones.

El diferenciador del nuevo sistema es cómo se modulariza el problema y, posteriormente, cómo se implementan múltiples controladores de retroalimentación en conjunto para resolver los diversos subproblemas de manera robusta y eficiente.

La gente está fascinada con cómo un problema técnico complejo de anuncios se puede convertir en un problema de control, ya que ese no es el uso tradicional del control de retroalimentación; las aplicaciones convencionales se encuentran en el sector aeroespacial y la robótica. Sin embargo, la belleza del control de retroalimentación como disciplina científica es que se basa en la abstracción que permite usar las mismas herramientas en muchas aplicaciones. Puedes convertir los problemas de tecnología de anuncios en algo con lo que se puedan usar exactamente las mismas herramientas que se emplean para desarrollar sistemas de control para motores de aviones, automóviles autónomos y plantas de energía.

En el ensayo, adopto un enfoque holístico e incorporo el razonamiento basado en primeros principios siempre que puedo. La mayor parte del ensayo es matemática, pero una vez que te familiarizas con la notación, es bastante simple e intuitiva.

Totalmente. Muchas personas me han preguntado si fue un gran cambio pasar de la robótica a la publicidad en línea. Les digo que no, porque cuando trabajaba en robótica, usaba el mismo enfoque. Tomé un problema de negocios y lo convertí en un problema matemático; resolví el problema matemático y luego implementé una solución en un sistema real. Eso es exactamente lo que estoy haciendo ahora. Todo se trata de abstracción.

Estoy rodeado de muchas personas inteligentes que están deseando generar repercusión. En la comunidad científica de Amazon están representados muchos perfiles académicos. Hay muchos informáticos, sin duda, pero también hay personas de estadística, economía, control de retroalimentación, matemática pura, química… de todo tipo.

Lo que me gusta de la tecnología de anuncios en general es que es muy interdisciplinaria. No es posible saberlo todo; cada persona aporta algo a la mesa, siempre aprendes de los demás y encuentras muchos problemas interesantes que están esperando ser resueltos.

Amazon ofrece una cultura donde realmente se te anima a compartir nuevas ideas. Recibirás muchas preguntas sobre tus ideas y, normalmente, hay mucho intercambio de opiniones en los que debatirás los méritos de lo que tienes en mente. Pero la gente es muy receptiva a las nuevas ideas y el proceso te ayuda a poner a prueba tu pensamiento y entregar trabajo de alta calidad. Es una organización muy solidaria.

La publicidad en línea lleva muchos años existiendo. Hemos recorrido un largo camino, pero todavía hay mucho por hacer. Para poner las cosas en perspectiva, cuando entré en el sector, no existían datos en el nivel de usuario, los algoritmos eran primitivos y los anunciantes tenían una idea muy limitada de lo que la publicidad automatizada podía hacer por ellos.

Ahora, hay disponible una gran cantidad de datos detallados para modelado y optimización; se han desarrollado algoritmos avanzados de optimización y control, y han surgido nuevos tipos de formatos de anuncios. Además, los anunciantes de hoy son expertos y exigentes, y esperan un buen retorno de la inversión. A pesar del tremendo progreso en los últimos 20 años, hay mucho por delante que requerirá de personas con diversas habilidades para investigar y resolver problemas. Para las personas con experiencia en aprendizaje automático, IA, control de retroalimentación, estadística y matemáticas aplicadas, preveo que habrá muchas oportunidades para desarrollar carreras emocionantes en Amazon Ads o en el sector de la publicidad.