Nos bastidores do artigo: Niklas Karlsson aplica o controle por realimentação para manobrar demandas de anúncios complexas
Entre os engenheiros, o controle por realimentação é conhecido como o processo de ajustar e corrigir um sistema para obter um desfecho desejado; por exemplo, ao encontrar um obstáculo, um robô é capaz de se redirecionar. Essa mesma abordagem fundamenta o trabalho recente de Niklas Karlsson, cientista principal sênior na Amazon Ads. Na qualidade de um ex-engenheiro de robótica, Niklas aplicou essa experiência — e também suas quase duas décadas em tecnologia de publicidade — ao problema de cumprir metas de publicidade complexas para os clientes.
Niklas tem formação avançada em engenharia e estatística pela Universidade da Califórnia em Santa Barbara e pela Universidade de Lund na Suécia, e é membro do Instituto de Engenheiros Eletricistas e Eletrônicos (IEEE). Em busca de uma mudança após sua incursão inicial em robótica no início dos anos 2000, Niklas se juntou à equipe do Advertising.com para ajudar na reformulação do sistema de otimização de anúncios do site. Seu interesse em tecnologia de publicidade se perpetuou e Niklas entrou para a Amazon em julho de 2022. Nesta entrevista, ele fala sobre sua carreira e seu artigo técnico mais recente, que foi aceito na 63ª Conferência do IEEE sobre Decisão e Controle em Singapura (2023).
Por que você entrou na Amazon Ads?
Eu já estava no setor de publicidade online desde 2005 quando, no início de 2022, um recrutador me procurou para falar sobre a possibilidade de eu trabalhar na Amazon Ads. Senti-me atraído pela ideia de lidar com tipos de problemas semelhantes àqueles com que estava acostumado, mas em uma empresa diferente. A possibilidade de trabalhar na Amazon me pareceu intrigante. Senti-me inspirado pela dimensão, reputação e pelos ambiciosos Princípios de Liderança da Amazon: Predisposição para a Ação, Pensar Grande, Entregar Resultados.
Qual é a sua principal área de pesquisa?
Os objetos da minha pesquisa são controle por realimentação, sistemas dinâmicos e otimização. Minha missão na Amazon é fornecer um conhecimento especializado em algoritmos para otimização e controle das campanhas de publicidade gerenciadas pela Plataforma de Demanda da Amazon (ADSP), além de aprimorar a ADSP para o benefício de nossos clientes. Nossos clientes são anunciantes cuja intenção é investir seu orçamento para alcançar um objetivo de campanha. Por exemplo, um anunciante pode nos procurar com um orçamento mensal de US$ 100.000 disponível para gastar de forma a maximizar o número total de conversões ou vendas. A ideia é gastar o orçamento ao longo do mês, não tudo de uma vez no primeiro ou no último dia. Algumas restrições de inserção adicionais são comuns, como, por exemplo, inserir metade das impressões de anúncios para usuários do sexo feminino ou gastar no máximo uma determinada quantia, em média, por conversão ou por impressão. Uma impressão de anúncio ocorre quando um anúncio é exibido para um usuário.
Uma campanha de publicidade pode ser definida como um problema de otimização com dimensões extremamente altas e várias restrições. Se usarmos algumas equações matemáticas inteligentes, esse problema pode ser decomposto em vários subproblemas um pouco mais fáceis de resolver. As soluções dos subproblemas envolvem técnicas avançadas de aprendizado de máquina, controle por realimentação e estatísticas que, quando combinadas, são usadas para calcular lances que são enviados para impressões de anúncios em nome do anunciante.
Conte-nos mais sobre o seu artigo.
Meu artigo, "Otimização de campanhas publicitárias com múltiplas restrições hierárquicas baseadas no controle por realimentação", resolve um problema de otimização anteriormente negligenciado. Observe que os anunciantes costumam querer maximizar, por exemplo, o número total de conversões sujeitas a uma ou mais restrições de inserção. Historicamente, tais restrições se aplicavam ao orçamento da campanha inteira, mas, nos últimos anos, os anunciantes com frequência começaram a impor certas restrições de inserção ao orçamento total da campanha e outras apenas às subcampanhas. Uma subcampanha é definida por um criativo de anúncio exclusivo e está sujeita às suas próprias restrições — como, por exemplo, com relação aos gastos, à proporção entre homens e mulheres e ao gasto médio por impressão ou por conversão.
Vai daí que, atualmente, os objetivos da campanha costumam corresponder a problemas de otimização hierárquicos com várias restrições, resultando em problemas de pesquisa tão interessantes quanto desafiadores. Antes da minha pesquisa uma solução simples tinha sido desenvolvida, mas continha limitações importantes e era incompatível com a visão grandiosa da ADSP. Minha pesquisa e meu artigo abordam o problema holisticamente, deduzindo a solução matematicamente ideal e elaborando uma implementação descentralizada da solução.
Como o artigo técnico surgiu?
Tudo começou com uma auditoria do sistema geral de otimização da ADSP que eu conduzi durante meus primeiros meses na Amazon. Durante a auditoria, identifiquei pontos fortes e pontos problemáticos do sistema de otimização e estabeleci oportunidades de aprimorar a inserção e o desempenho da campanha para nossos anunciantes. Um ponto problemático específico provocou muita reflexão. Embora eu soubesse que seria possível melhorar, a descrição do problema não ficou clara para mim de imediato e não consegui elaborar rapidamente uma solução. No entanto, quase no final de 2022, durante um intervalo entre projetos, tive mais tempo para pensar, obtive mais clareza e elaborei os detalhes, primeiro definindo o problema adequadamente usando cálculos matemáticos e, em seguida, deduzindo a solução ideal e uma implementação sólida. Preparei a primeira versão preliminar do artigo em dezembro de 2022 e generalizei ainda mais os resultados nas semanas que se seguiram. Enquanto o artigo estava sendo finalizado, começamos a desenvolver um protótipo para demonstrar o conceito e o resultado foi extremamente positivo. Ficou comprovado, sem sombra de dúvida, que essa solução deveria ser colocada em produção e implementada de forma abrangente, o que efetivamente ocorreu desde então.
Que tipo de impacto você observou?
Em primeiro lugar, a solução permitiu de imediato que as campanhas de publicidade inserissem seus orçamentos com mais eficiência. Houve menos desperdício do orçamento de publicidade e o desempenho da campanha passou a ser medido por métricas como o custo médio por conversão e outros indicadores-chave de desempenho, cada um resultando em uma melhoria de vários pontos percentuais.
Porém, além das métricas aprimoradas, a nova solução também permitiu uma ampla gama de outras restrições de inserção que eram incompatíveis com a solução antiga. Para alcançar um nível quase ideal, o sistema antigo só podia ser usado para campanhas com nada além de restrições de gastos. Isso significava que campanhas com restrições de custo por conversão, custo por impressão, custo por clique, taxa de visualização, taxa de segmentação etc. estavam fora de alcance. O novo sistema é geral, inovador e à prova de futuro, além de manipular com facilidade um número arbitrário de problemas hierárquicos com várias restrições.
O que é mais marcante com relação a essa abordagem?
O diferencial do novo sistema é a forma como o problema é modularizado e, posteriormente, como vários controladores por realimentação são implementados em conjunto para resolver os diversos subproblemas com consistência e eficiência.
As pessoas ficam fascinadas ao ver como é possível transformar um problema técnico de publicidade complexo em um problema de controle, já que essa ideia difere do uso tradicional do controle por realimentação, cujas aplicações convencionais são encontradas na indústria aeroespacial e na robótica. Mas a beleza do controle por realimentação como uma disciplina científica é que se baseia em abstrações que permitem que as mesmas ferramentas sejam usadas em diversas aplicações. Você pode transformar problemas de tecnologia de publicidade em um formulário que permite que você use exatamente as mesmas ferramentas que são usadas para desenvolver sistemas de controle para motores de avião, carros autônomos e usinas de energia.
No artigo, adoto uma abordagem integrada e incorporo o raciocínio por primeiros princípios sempre que possível. A maior parte do artigo gira em torno da matemática, mas assim que você se acostuma com a notação, tudo fica bastante simples e intuitivo.
Seu conhecimento em robótica permitiu que você pensasse dessa forma?
Com certeza. Muita gente me perguntou se foi uma grande mudança passar da robótica para a publicidade online. Minha resposta é não, porque quando trabalhava com robótica, eu usava essa mesma abordagem. Eu pegava um problema comercial e o transformava em um problema matemático; em seguida, solucionava o problema matemático e implementava a solução em um sistema real, exatamente a mesma coisa que estou fazendo agora. Tudo gira em torno da abstração.
Qual seria para você um aspecto positivo de trabalhar como cientista na Amazon Ads?
Estou rodeado de pessoas inteligentes ansiosas por causar um impacto. Diversos tipos de formação acadêmica estão representados na comunidade científica da Amazon. Com certeza temos cientistas da computação de sobra, mas também temos profissionais de estatística, economia, controle por realimentação, matemática pura, química... e por aí vai.
Uma característica que eu aprecio na tecnologia de publicidade em geral é o fato de ser tão multidisciplinar. Ninguém consegue saber tudo; cada pessoa traz sua própria contribuição e você sempre irá aprender com os demais e se deparar com muitos problemas interessantes simplesmente à espera de serem resolvidos.
A Amazon oferece uma cultura onde você é verdadeiramente incentivado a compartilhar novas ideias. Você recebe muitas perguntas sobre suas ideias e de modo geral há um debate bastante intenso sobre os méritos do que você está planejando. Mas as pessoas são muito receptivas a novas ideias e o processo ajuda você a realmente testar seu modo de pensar e produzir um trabalho de alta qualidade. Trata-se de uma organização muito solidária.
Como você está reimaginando a publicidade na sua função?
A publicidade online já existe há muitos anos. Já percorremos um longo caminho, mas ainda há muito a ser feito. Em termos de uma análise mais abrangente, quando entrei no setor não tínhamos dados no nível de usuário, os algoritmos eram primitivos e os anunciantes tinham uma ideia limitada de como poderiam se beneficiar de uma publicidade automatizada.
Agora, temos uma imensa quantidade de dados granulares disponíveis para modelagem e otimização, foram desenvolvidos algoritmos avançados para otimização e controle e novos tipos de formatos de anúncios surgiram. Além disso, os anunciantes da atualidade são experientes, exigentes e esperam um bom retorno sobre seu investimento. Apesar do tremendo progresso experimentado nos últimos 20 anos, temos muita coisa pela frente e uma ampla variedade de competências será exigida das pessoas encarregadas de pesquisar e solucionar problemas. Para as pessoas com experiência em aprendizado de máquina, IA, controle por realimentação, estatística e matemática aplicada, minha expectativa é de que teremos muitas oportunidades de desenvolver carreiras empolgantes na Amazon Ads ou no setor de publicidade.