Detrás del artículo: Niklas Karlsson implementa el control por retroalimentación para solicitudes de anuncios complejas

Para los ingenieros, el control por retroalimentación es el proceso de ajustar un sistema y corregirlo para obtener los resultados deseados; por ejemplo, cuando un robot encuentra un obstáculo y se desvía por sí mismo. Este mismo enfoque se aplica al trabajo reciente de Niklas Karlsson, científico principal sénior de Amazon Ads. Como exingeniero en robótica, Niklas aplica sus conocimientos —además de sus casi dos décadas de experiencia en tecnología publicitaria— al cumplimiento de objetivos publicitarios complejos de los clientes.

Niklas tiene títulos de posgrado en ingeniería y estadística de la Universidad de California, Santa Bárbara, y de la Universidad de Lund, Suecia, y es miembro del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE). En busca de un cambio después de su incursión temprana en la robótica a principios de los años 2000, Niklas se unió a Advertising.com para ayudar a ajustar el sistema de optimización de anuncios. Su interés en la tecnología publicitaria perduró, por lo que Niklas se unió a Amazon en julio de 2022. Habla sobre su carrera y su más reciente artículo, que fue aceptado en la 63ª Conferencia de IEEE sobre Decisión y Control (2023), realizada en Singapur.

He estado en la industria de la publicidad online desde 2005 y, a principios de 2022, un reclutador se acercó a mí para proponerme 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 era interesante. El tamaño, la reputación y los ambiciosos Principios de liderazgo de Amazon —Tener iniciativa, Pensar en grande, Obtener resultados— tenían sentido para mí.

Mis intereses de investigación se enfocan en los controles por retroalimentación, los sistemas dinámicos y la optimización. Mi función en Amazon es proporcionar conocimientos en algoritmos para la optimización y el control de campañas publicitarias gestionadas por Amazon Demand Side Platform (ADSP) y mejorar ADSP para beneficiar a nuestros clientes. Nuestros clientes son anunciantes que desean invertir sus presupuestos para lograr un objetivo de campaña específico. Por ejemplo, un anunciante puede acercarse a nosotros con un presupuesto mensual de USD 100 000 para invertirlo de una manera tal que maximice el número total de conversiones o ventas. El objetivo es distribuir el presupuesto a lo largo del mes, no invertir todo el primer o último día. Las restricciones adicionales son frecuentes; por ejemplo, lograr que la mitad de las impresiones de anuncios sea de usuarias mujeres o invertir como máximo una cantidad determinada, en promedio, por conversión o por impresión. Una impresión de anuncio se produce cuando se muestra un anuncio a un usuario.

Una campaña publicitaria es, en esencia, un problema complejo de optimización con múltiples restricciones y muchas variables involucradas. Mediante algunas operaciones matemáticas avanzadas, este problema puede desglosarse en subproblemas que son un poco más fáciles de resolver. Las soluciones para los subproblemas incluyen técnicas avanzadas de aprendizaje automático, control por retroalimentación y estadísticas; cuando se combinan, se usan para calcular pujas que se envían para impresiones de anuncios en nombre del anunciante.

Mi artículo resuelve un problema de optimización previamente ignorado. 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, estas 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 únicamente a las subcampañas. Una subcampaña se define por un creativo de anuncio único y está sujeta a sus propias restricciones, por ejemplo, en cuanto a inversión, proporción entre mujeres y hombres, e inversión promedio por impresión o conversión.

De esto se deduce que los objetivos de las campaña actuales frecuentemente corresponden a problemas de optimización con múltiples restricciones jerárquicas. Esto conduce a problemas de investigación interesantes y desafiantes. Se había desarrollado una solución simple antes de mi investigación, pero tenía limitaciones importantes y era incompatible con la visión amplia de ADSP. Mi investigación y el artículo abordan el problema de manera holística al obtener la solución matemáticamente óptima y diseñar una implementación descentralizada de la solución.

Comenzó con una auditoría que realicé del sistema general de optimización de ADSP durante mis primeros meses en Amazon. Durante la auditoría, identifiqué las fortalezas y debilidades del sistema de optimización y establecí oportunidades para mejorar la entrega y el desempeño de las campañas para nuestros anunciantes. Una debilidad específica me hizo pensar mucho. Aunque era consciente de que se podían hacer mejoras, no sabía cómo describir el problema de manera inmediata y no tenía una solución en mente. Sin embargo, a finales de 2022, cuando estaba participando en proyectos y tenía más tiempo para pensar, tuve mayor claridad y resolví los detalles: primero definí el problema adecuadamente usando matemáticas y, a continuación, obtuve la solución óptima y una implementación sólida. Preparé el primer borrador del artículo en diciembre de 2022 y generalicé aún más los resultados en las semanas siguientes. Mientras se finalizaba el artículo, comenzamos a desarrollar un prototipo para mostrar el concepto, y el resultado fue extraordinariamente positivo. Se demostró de manera rotunda que esta solución debía ponerse en producción y distribuirse ampliamente, lo cual ya sucedió.

En primer lugar, la solución permitió inmediatamente que las campañas publicitarias implementaran sus presupuestos de manera más eficiente. Se desperdició menos presupuesto publicitario y el desempeño de la campaña se midió a través de estadísticas, como el costo promedio por conversión y otros indicadores clave de rendimiento, los cuales mejoraron varios puntos porcentuales cada uno.

Además de la optimización de las estadísticas, la nueva solución también permitió aplicar una amplia gama de otras restricciones de entrega que eran incompatibles con la solución anterior. Para lograr un desempeño casi óptimo, el sistema anterior sólo podía usarse para campañas que tuvieran únicamente restricciones de inversión. Esto significaba que las campañas con restricciones en el costo por conversión, costo por impresión, costo por clic, tasa de visibilidad, tasa de alcance del objetivo, etc., estaban fuera de alcance. El nuevo sistema es genérico y con visión de futuro, y maneja fácilmente un número arbitrario de problemas con múltiples restricciones jerárquicas.

Lo que diferencia al nuevo sistema es cómo se modulariza el problema y cómo se implementan posterior y conjuntamente múltiples controladores de retroalimentación para resolver los diversos subproblemas de manera sólida y eficiente.

Las personas están sorprendidas de cómo se puede convertir un problema publicitario técnico complejo en un problema de control, ya que ese no es el uso tradicional del control por retroalimentación; las aplicaciones convencionales se encuentran en la industria aeroespacial y la robótica. Pero lo positivo del control por retroalimentación como disciplina científica es que se basa en la abstracción, lo que permite que las mismas herramientas se usen en muchas aplicaciones. Puedes convertir los problemas de tecnología publicitaria de una forma tal que te permita usar las mismas herramientas que se utilizan para desarrollar sistemas de control para motores de aviones, automóviles autónomos y plantas generadoras de electricidad.

En el artículo, adopto un enfoque holístico e incorporo el razonamiento de los primeros principios siempre que sea posible. La mayor parte del artículo es matemática, pero una vez que te familiarizas con la notación, es bastante simple e intuitiva.

Por supuesto. Muchas personas me han preguntado si fue un gran cambio pasar de la robótica a la publicidad en línea. Respondo que no porque cuando trabajé en robótica, usé el mismo enfoque. Tomaba un problema comercial y lo convertía en un problema matemático; resolvía el problema matemático y luego implementaba una solución en un sistema real. Eso es exactamente lo que estoy haciendo ahora. Todo se trata de la abstracción.

Estoy rodeado de muchas personas inteligentes que están ansiosas por generar un impacto. La comunidad científica de Amazon está conformada por profesionales con muchas formaciones académicas diferentes. Hay muchos científicos informáticos, sin duda, pero también hay personas con formación en estadística, economía, control por retroalimentación, matemáticas puras, química... de todo lo que te puedas imaginar.

Lo que me gusta de la tecnología publicitaria en general es la interdisciplinariedad. No es posible saber todo; cada persona aporta algo, y siempre aprenderás de los demás y encontrarás muchos problemas interesantes que están esperando ser resueltos.

Amazon ofrece una cultura donde se fomenta la presentación de nuevas ideas. Recibirás una gran cantidad de preguntas sobre tus ideas, y normalmente hay mucho intercambio de opiniones donde debatirás los méritos de lo que tienes en mente. Sin embargo, las personas son muy receptivas a las nuevas ideas, y el proceso te ayuda a poner a prueba tu razonamiento y entregar un trabajo de alta calidad. Es una organización muy solidaria.

La publicidad online ha existido por muchos años. Hemos recorrido un largo camino, pero aún hay mucho por hacer. Para poner la situación en perspectiva, cuando entré en la industria, no había datos a nivel de usuario, los algoritmos eran primitivos y los anunciantes tenían una idea poco clara de lo que la publicidad automatizada podía hacer por ellos.

Ahora, existe un gran volumen de datos detallados para modelado y optimización; se desarrollaron algoritmos avanzados para optimización y control; y surgieron nuevos tipos de formatos de anuncios. Además, en la actualidad, los anunciantes son expertos y exigentes, y esperan un buen rendimiento de la inversión. A pesar del enorme progreso en los últimos 20 años, hay mucho por delante que requerirá personas con habilidades diferentes para investigar y resolver problemas. Para personas con experiencia en aprendizaje automático, IA, control por retroalimentación, estadística y matemáticas aplicadas, preveo que habrá muchas oportunidades para desarrollar carreras interesantes en Amazon Ads o en la industria publicitaria.