Dans les coulisses : Niklas Karlsson applique le contrôle rétroactif pour jongler avec les demandes publicitaires complexes

Les ingénieurs connaissent le contrôle rétroactif en tant que processus d’ajustement d’un système et de correction en vue d’obtenir un résultat souhaité. Par exemple, un robot rencontre un obstacle et change sa trajectoire. Cette même approche sous-tend les travaux récents de Niklas Karlsson, scientifique principal chez Amazon Ads. En tant qu’ancien ingénieur en robotique, Niklas a appliqué cette expérience, ainsi que près de deux décennies dans la technologie publicitaire, au problème en quoi consistent les objectifs publicitaires complexes pour ses clients.

Niklas est titulaire de diplômes supérieurs en génie et en statistiques de l’Université de la Californie à Santa Barbara et de l’Université de Lund en Suède, et il est membre de l’Institute of Electrical and Electronics Engineers (IEEE). À la recherche d’un changement après ses premiers pas dans la robotique au début des années 2000, Niklas a rejoint Advertising.com pour contribuer à la refonte de son système d’optimisation publicitaire. L’intérêt pour la technologie publicitaire est resté, et Niklas a rejoint Amazon en juillet 2022. Il parle ici de sa carrière et de son article récent, qui a été accepté au 63^e congrès de l’IEEE, lequel s’est déroulé à Singapour et portait sur la décision et le contrôle (2023).

Pourquoi avez-vous rejoint Amazon Ads?

Je travaillais dans l’industrie de la publicité en ligne depuis 2005, et au début de 2022, un recruteur m’a approché pour m’offrir de rejoindre Amazon Ads. J’étais attiré par l’idée de relever des types de défis similaires à ceux auxquels j’étais habitué, mais pour une entreprise différente. La perspective de travailler chez Amazon était intrigante. La taille d’Amazon, sa réputation et ses ambitieux Principes de leadership (Parti pris pour l’action, Penser grand, Apporter des résultats) m’ont interpellé.

Quel est votre principal domaine de recherche?

Mon intérêt de recherche porte sur le contrôle rétroactif, les systèmes dynamiques et l’optimisation. Mon mandat chez Amazon est de fournir une expertise en matière d’algorithmes pour l’optimisation et le contrôle des campagnes publicitaires gérées par Amazon Demand Side Platform (ADSP) et de faire progresser ADSP au bénéfice de nos clients. Nos clients sont des annonceurs qui souhaitent dépenser leurs budgets pour atteindre un objectif de campagne. Par exemple, un annonceur peut nous approcher avec un budget mensuel de 100 000 $ à dépenser de manière à maximiser le nombre total de conversions ou de ventes. L’objectif est de répartir le budget tout au long du mois, et non de tout dépenser le premier ou le dernier jour. Il est courant de faire face à d’autres contraintes en matière de diffusion, pour diffuser la moitié des impressions publicitaires aux utilisatrices, par exemple, ou encore pour dépenser en moyenne un montant maximum donné par conversion ou par impression. Une impression publicitaire se produit lorsqu’une publicité est montrée à un utilisateur.

Une campagne publicitaire peut être définie comme un problème d’optimisation à contraintes multiples fortement dimensionnel. Grâce à des mathématiques astucieuses, ce problème peut être décomposé en sous-problèmes légèrement plus faciles à résoudre. Les solutions aux sous-problèmes impliquent des techniques avancées d’apprentissage automatique, de contrôle par commentaires et de statistiques. Une fois combinées, elles sont utilisées pour calculer les enchères qui sont soumises pour les impressions publicitaires au nom de l’annonceur.

Parlez-nous de votre article.

Mon article « Optimisation hiérarchique des campagnes publicitaires à contraintes multiples basée sur le contrôle rétroactif », résout un problème d’optimisation jusqu’alors négligé. Notez que les annonceurs veulent généralement maximiser, par exemple, le nombre total de conversions en fonction d’une ou de plusieurs contraintes de diffusion. Autrefois, ces contraintes s’appliquaient à l’ensemble du budget de la campagne. Mais ces dernières années, les annonceurs imposent souvent certaines contraintes de diffusion au budget global de la campagne, ou encore uniquement aux sous-campagnes. Une sous-campagne est définie par une création publicitaire unique et soumise à ses propres contraintes, par exemple, en matière de dépenses, de ratio femmes-hommes et de dépenses moyennes par impression ou conversion.

Cela fait que les objectifs de campagne correspondent souvent aujourd’hui à des problèmes d’optimisation hiérarchiques à contraintes multiples. Cela mène à des problèmes de recherche intéressants et stimulants. Une solution simple avait été développée avant mes recherches, mais cette solution présentait d’importantes limitations et était incompatible avec la vision globale d’ADSP. Mes recherches et mon article abordent le problème de manière holistique en dérivant la solution mathématiquement optimale et en concevant une mise en œuvre décentralisée de la solution.

Comment l’article a-t-il vu le jour?

Tout a commencé par un audit que j’ai effectué du système global d’optimisation ADSP pendant mes premiers mois chez Amazon. Au cours de l’audit, j’ai identifié les forces et les faiblesses du système d’optimisation et identifié des occasions d’amélioration de la diffusion et de la performance des campagnes pour nos annonceurs. Une faiblesse particulière m’a beaucoup fait réfléchir. Bien que je savais que des améliorations étaient possibles, je ne savais pas de prime abord comment décrire le problème, et je n’avais pas de solution en tête. Cependant, vers la fin de 2022, alors que j’étais entre deux projets et que j’avais plus de temps pour réfléchir, j’y ai vu plus clair et j’ai élaboré les détails, d’abord en définissant correctement le problème à l’aide des mathématiques, puis en dérivant la solution optimale et une mise en œuvre solide. J’ai préparé la première ébauche de l’article en décembre 2022 et j’ai continué à généraliser les résultats dans les semaines qui ont suivi. Alors que l’article était en cours de finalisation, nous avons commencé à développer un prototype visant à démontrer le concept, et le résultat s’est avéré extrêmement positif. Il a été prouvé hors de tout doute raisonnable que cette solution devrait être mise en production et déployée à grande échelle, ce qui est maintenant fait.

Quel type d’impact avez-vous constaté?

Tout d’abord, la solution a immédiatement permis aux campagnes publicitaires de diffuser leurs budgets de manière plus efficace. Une partie plus négligeable du budget publicitaire est resté inutilisé, et la performance des campagnes a été mesurée par des statistiques, comme le coût moyen par conversion et d’autres indicateurs de performance clés, lesquels ont tous les deux augmenté de plusieurs points de pourcentage.

Mais au-delà des statistiques améliorées, la nouvelle solution a également permis d’intégrer une large gamme d’autres contraintes de diffusion qui étaient incompatibles avec l’ancienne solution. Pour atteindre une quasi-optimalité, l’ancien système ne pouvait être utilisé que pour des campagnes ayant uniquement des contraintes de dépenses. Cela signifiait que les campagnes avec des contraintes sur le coût par conversion, le coût par impression, le coût par clic, le taux de visibilité, le taux de ciblage, etc., étaient hors de portée. Le nouveau système est général et tourné vers l’avenir, et gère facilement une quantité arbitraire de problèmes hiérarchiques à contraintes multiples.

Qu’est-ce qui est remarquable dans cette approche?

L’élément distinctif du nouveau système tient à la façon dont le problème est modularisé et, par la suite, à celle dont plusieurs contrôleurs de commentaires sont mis en œuvre de concert en vue de résoudre les différents sous-problèmes de manière robuste et efficace.

Les gens sont fascinés par la façon dont on peut transformer un problème technique publicitaire complexe en un problème de contrôle, car ce n’est pas là l’utilisation traditionnelle du contrôle rétroactif, dont les applications appartiennent le plus souvent à l’aérospatiale et la robotique. Mais la beauté du contrôle rétroactif en tant que discipline scientifique réside dans le fait qu’il repose sur une abstraction qui permet d’utiliser les mêmes outils dans de nombreuses applications. Vous pouvez transformer les problèmes de technologie publicitaire en une forme qui vous permet d’utiliser exactement les mêmes outils que ceux utilisés pour développer des systèmes de contrôle pour les moteurs à réaction, les voitures autonomes et les centrales électriques.

Dans l’article, j’adopte une approche holistique et j’intègre le raisonnement par premiers principes partout où je le peux. La majeure partie du document est mathématique, mais une fois que vous êtes familier avec la notation, c’est assez simple et intuitif.

Est-ce que votre expérience en robotique vous a permis de penser de cette façon?

Absolument. Beaucoup de gens m’ont demandé si c’était un grand changement pour moi que de passer de la robotique à la publicité en ligne. Je réponds que non, car lorsque je travaillais en robotique, j’utilisais la même approche. J’ai pris un problème d’affaires et je l’ai transformé en problème mathématique. J’ai résolu le problème mathématique et j’ai ensuite mis en œuvre une solution dans un système réel. C’est exactement ce que je fais maintenant. Tout est question d’abstraction.

Quel est l’aspect le plus marquant de votre travail en tant que scientifique chez Amazon Ads?

Je suis entouré de nombreuses personnes intelligentes qui ont fortement envie de faire une différence. De nombreux parcours académiques sont représentés dans la communauté scientifique Amazon. Il y a certainement beaucoup d’informaticiens, mais il y a aussi des gens issus de la statistique, de l’économie, des systèmes de contrôle rétroactif, des mathématiques pures, de la chimie, et de bien d’autres domaines encore.

Ce que j’aime de la technologie publicitaire en général, c’est que c’est vraiment interdisciplinaire. Il est impossible de tout savoir. Chacun apporte quelque chose, et vous apprendrez toujours des autres et rencontrerez de nombreux problèmes intéressants qui ne demandent qu’à être résolus.

Amazon offre une culture où vous êtes vraiment encouragé à partager de nouvelles idées. Vous recevrez de nombreuses questions sur vos idées, et il y a généralement beaucoup d’échanges où vous débattez des mérites de ce que vous avez à l’esprit. Mais les gens sont très réceptifs aux nouvelles idées, et le processus vous aide vraiment à mettre à l’épreuve votre réflexion et à fournir un travail de haute qualité. C’est une organisation très solidaire.

Comment réinventez-vous la publicité dans votre rôle?

La publicité en ligne existe depuis de nombreuses années. Nous avons fait beaucoup de chemin, mais il reste encore tellement à faire. Pour mettre les choses en perspective, lorsque je suis entré dans l’industrie, il n’y avait pas de données au niveau des utilisateurs, les algorithmes étaient primitifs, et les annonceurs avaient une faible idée de ce que la publicité automatisée pouvait faire pour eux.

Maintenant, une quantité massive de données granulaires est disponible pour la modélisation et l’optimisation, des algorithmes avancés pour l’optimisation et le contrôle ont été développés, et de nouveaux types de formats publicitaires ont émergé. De plus, les annonceurs d’aujourd'hui sont avisés et exigeants, et ils s’attendent à un bon rendement du capital investi. Malgré les progrès considérables réalisés au cours des 20 dernières années, il reste encore beaucoup à faire et nous aurons besoin de personnes possédant un éventail de compétences pour faire de la recherche et résoudre des problèmes. Pour les personnes ayant une formation en apprentissage automatique, en IA, en contrôle rétroactif, en statistiques et en mathématiques appliquées, je prévois qu’il y aura de nombreuses opportunités de carrière passionnantes chez Amazon Ads ou dans l’industrie publicitaire.