En coulisses : Niklas Karlsson applique le contrôle par rétroaction pour gérer des exigences publicitaires complexes

Pour les ingénieurs, le contrôle par rétroaction consiste à ajuster un système et à apporter des corrections pour atteindre un but précis, comme dans le cas d'un robot qui modifie sa trajectoire lorsqu'il fait face à un obstacle. Cette même approche sert de fondement aux travaux récents de Niklas Karlsson, chercheur principal senior chez Amazon Ads. Ancien ingénieur en robotique, Niklas a mis à profit son expérience, ainsi que près de deux décennies dans la technologie publicitaire, afin de trouver des solutions adaptées pour atteindre les objectifs publicitaires complexes des clients.

Niklas détient des diplômes de haut niveau en ingénierie et en statistiques, obtenus à l'université de Californie à Santa Barbara et à l'université de Lund en Suède. Il est également membre de l'Institute of Electrical and Electronics Engineers (IEEE). Après ses premiers essais dans la robotique au début des années 2000, Niklas a voulu se réorienter et a ainsi rejoint Advertising.com pour contribuer à la refonte de son système d'optimisation des publicités. Son attrait pour l'ad tech l'a conduit à rejoindre Amazon en juillet 2022. Ici, il évoque sa carrière et son récent article, qui a été accepté à la 63e IEEE Conference on Decision and Control (conférence de l'IEEE sur la prise de décision et le contrôle) de 2023 à Singapour.

Je travaillais dans le secteur de la publicité en ligne depuis 2005, et début 2022, un recruteur m'a contacté pour me proposer de rejoindre Amazon Ads. J'ai été séduit par l'idée de résoudre des problèmes similaires à ceux auxquels j'étais habitué, mais pour une autre entreprise. L'idée de travailler chez Amazon m'a beaucoup intrigué. La taille, la réputation et les Principes de leadership ambitieux d'Amazon (Privilégier l'action, Voir grand, Obtenir des résultats) ont eu une résonance particulière en moi.

Mes domaines de recherche sont le contrôle par rétroaction, les systèmes dynamiques et l'optimisation. Ma mission chez Amazon consiste à apporter mon expertise en algorithmes pour l'optimisation et le contrôle des campagnes publicitaires gérées par Amazon Demand Side Platform (ADSP), ainsi qu'à améliorer ADSP pour permettre à nos clients d'en tirer le meilleur profit. Nos clients sont des annonceurs qui souhaitent allouer leur budget pour atteindre un objectif de campagne précis. Par exemple, un annonceur peut venir vers nous avec un budget mensuel de 100 000 USD, et notre objectif sera d'utiliser ce budget de manière à maximiser le nombre total de conversions (ou de ventes). Le but est de répartir le budget sur tout le mois, et non de tout dépenser le premier ou le dernier jour. Des contraintes supplémentaires de diffusion sont souvent imposées, comme la nécessité de diffuser la moitié des impressions publicitaires à des femmes ou de ne pas dépasser un certain coût moyen par conversion ou par impression. Une impression publicitaire correspond au moment où une publicité est montrée à un utilisateur.

Une campagne publicitaire peut être définie comme un problème d'optimisation à très haute dimension et comportant de multiples contraintes. Grâce à des techniques mathématiques astucieuses, ce problème peut être décomposé en sous-problèmes légèrement plus faciles à résoudre. Les solutions à ces sous-problèmes font appel à des techniques avancées issues du machine learning, du contrôle par rétroaction et des statistiques. Ensemble, elles servent à calculer les enchères soumises pour des impressions publicitaires au nom de l'annonceur.

Mon article apporte une solution à un problème d'optimisation qui avait été ignoré jusqu'à présent. Il est important de noter que les annonceurs cherchent généralement à maximiser, par exemple, le nombre total de conversions, tout en respectant une ou plusieurs contraintes de diffusion. Traditionnellement, ces contraintes s'appliquaient à l'intégralité du budget d'une campagne. Mais ces dernières années, les annonceurs imposent souvent certaines contraintes de diffusion pour l'ensemble du budget d'une campagne, et d'autres uniquement pour des sous-campagnes. Une sous-campagne est définie par une création publicitaire unique et soumise à ses propres contraintes, comme les dépenses, le ratio hommes/femmes, ou encore le coût moyen par impression ou par conversion.

Cela signifie qu'aujourd'hui, les objectifs d'une campagne sont souvent liés à des problèmes d'optimisation à contraintes multiples et hiérarchiques. Cela donne lieu à des problématiques de recherche à la fois intéressantes et difficiles à résoudre. Une solution simple avait été développée avant mes recherches, mais elle présentait des limites majeures et n'était pas en phase avec la vision ambitieuse d'ADSP. Mon travail de recherche et mon article traitent le problème dans sa globalité, en déterminant la solution optimale d'un point de vue mathématique pour ensuite concevoir une méthode de mise en œuvre décentralisée de cette solution.

Tout a débuté par un audit que j'ai mené pour le système d'optimisation global d'ADSP lors de mes premiers mois chez Amazon. Pendant cet audit, j'ai repéré les forces et les faiblesses du système d'optimisation, puis identifié des pistes pour améliorer la diffusion et les performances des campagnes pour nos annonceurs. Une faiblesse en particulier m'a fait beaucoup réfléchir. Même si je savais que des améliorations pouvaient être apportées, je ne savais pas immédiatement comment décrire le problème, et je n'avais pas de solution en tête. Cependant, vers la fin de l'année 2022, lorsque j'avais plus de temps entre deux projets, j'ai pu clarifier mes idées et travaillé sur les détails, en commençant par définir correctement le problème à l'aide de méthodes mathématiques, puis en trouvant la solution optimale et en concevant une mise en œuvre fiable. En décembre 2022, j'ai rédigé la première version de l'article, puis j'ai généralisé les résultats au cours des semaines suivantes. Alors que l'article était en cours de finalisation, nous avons commencé à développer un prototype pour démontrer le concept, et les résultats ont été extrêmement positifs. Il a été démontré de manière irréfutable que cette solution devait être mise en production et déployée largement, ce qui a été fait.

Tout d'abord, la solution a immédiatement permis aux campagnes publicitaires de dépenser leur budget de manière plus efficace. Le budget publicitaire inutilisé a été réduit, et les performances des campagnes ont été évaluées à l'aide de statistiques comme le coût moyen par conversion et d'autres indicateurs clés de performances, qui ont tous enregistré une augmentation de plusieurs points de pourcentage.

Mais au-delà de l'amélioration des statistiques, la nouvelle solution a également permis de gérer un ensemble de contraintes de diffusion qu'il n'était pas possible de gérer avec l'ancienne solution. Pour atteindre des résultats quasi optimaux, l'ancien système ne pouvait être utilisé que pour des campagnes présentant uniquement des contraintes de dépenses. Cela voulait dire que les campagnes présentant des contraintes liées au coût par conversion, au coût par impression, au coût par clic, au taux de visibilité, au taux de ciblage, etc. ne pouvaient pas être traitées. Le nouveau système est général et capable de s'adapter aux futurs besoins. En outre, il gère facilement un nombre arbitraire de problèmes à contraintes multiples et hiérarchiques.

Ce qui rend ce nouveau système unique, c'est la division du problème en plusieurs sous-problèmes, puis l'intégration coordonnée de plusieurs contrôleurs par rétroaction pour résoudre ces sous-problèmes avec efficacité.

Les gens sont étonnés de voir comment un problème technique complexe lié à la publicité peut être abordé comme un problème de contrôle, car le contrôle par rétroaction est traditionnellement utilisé dans des domaines comme l'aérospatiale et la robotique. Mais ce qui est fascinant dans le contrôle par rétroaction, c'est qu'il repose sur l'abstraction, permettant ainsi d'utiliser les mêmes outils dans divers domaines. Les problèmes rencontrés dans le domaine de l'ad tech peuvent être adaptés afin d'utiliser les mêmes outils que ceux employés pour développer des systèmes de contrôle pour les moteurs à réaction, les voitures autonomes et les centrales électriques.

Dans mon article, j'adopte une approche globale et j'intègre le raisonnement par premiers principes chaque fois que c'est possible. Bien que l'essentiel de l'article soit mathématique, une fois que l'on comprend la notation, tout devient assez simple et intuitif.

Tout à fait. Beaucoup de personnes m'ont demandé si le fait de passer de la robotique à la publicité en ligne avait été un grand changement. À chaque fois, j'ai répondu « non », car lorsque je travaillais dans la robotique, j'utilisais la même approche. J'ai pris un problème commercial et l'ai transformé en problème mathématique. J'ai ensuite résolu le problème mathématique, puis mis en œuvre une solution dans un système réel. C'est exactement ce que je fais actuellement. L'essentiel, c'est l'abstraction.

Je suis entouré de nombreuses personnes brillantes, toutes déterminées à changer les choses. De nombreux parcours universitaires sont représentés au sein de la communauté scientifique d'Amazon. Il y a bien sûr de nombreux informaticiens, mais il y a aussi des personnes venant des statistiques, de l'économie, du contrôle par rétroaction, des mathématiques pures, de la chimie et de bien d'autres domaines.

Ce que j'aime dans l'ad tech en général, c'est sa dimension interdisciplinaire. On ne peut pas tout savoir, mais chacun a quelque chose à apporter, et on apprendra toujours des autres tout en rencontrant de nombreux problèmes fascinants à résoudre.

Chez Amazon, on est vraiment encouragés à partager de nouvelles idées. On nous pose beaucoup de questions sur nos idées, et généralement, on participe à de nombreux échanges pour argumenter les mérites de ce qu'on a en tête. Mais les gens sont très réceptifs aux nouvelles idées, et ce processus nous aide vraiment à tester notre réflexion et à fournir un travail de haute qualité. C'est une organisation qui offre un grand soutien.

La publicité en ligne existe depuis de nombreuses années. Nous avons fait beaucoup de chemin, mais il reste encore beaucoup à faire. Pour donner un peu de contexte, quand je suis arrivé dans ce secteur, il n'y avait pas de données utilisateur, les algorithmes étaient rudimentaires, et les annonceurs ne comprenaient pas bien ce que la publicité automatisée pouvait faire pour eux.

Aujourd'hui, une énorme quantité 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 avertis et exigeants, et ils attendent un bon retour sur investissement. Malgré les progrès considérables réalisés au cours des 20 dernières années, il reste encore énormément à accomplir, ce qui nécessitera des personnes possédant une grande diversité de compétences pour mener des recherches et résoudre les problèmes. Pour les personnes ayant une expérience dans le machine learning, l'intelligence artificielle, le contrôle par rétroaction, les statistiques et les mathématiques appliquées, il y aura selon moi de nombreuses opportunités pour évoluer dans des carrières passionnantes chez Amazon Ads ou dans le secteur de la publicité.