Makalenin ötesinde: Niklas Karlsson karmaşık reklam taleplerini idare etmek için geri beslemeli kontrolü uyguladı

Geri beslemeli kontrol, mühendisler tarafından, bir sistemi ayarlama ve istenen sonuca göre düzeltme süreci olarak bilinir. Örneğin, bir robot engelle karşılaştığında yönünü değiştirir. Aynı yaklaşım, Amazon Ads Kıdemli Baş Bilim İnsanı Niklas Karlsson'un son çalışmasının da zeminini oluşturuyor. Eski bir robotik mühendisi olan Niklas bu alandaki birikimini (ve aynı zamanda reklam teknolojileri alanındaki yaklaşık 20 yıllık bilgi birikimini) müşteriler için karmaşık reklamcılık hedefleri sunma sorununa uyguladı.

Santa Barbara'daki California Üniversitesi ve İsveç'teki Lund Üniversitesi'nde lisansüstü derecelere sahip olan Niklas, aynı zamanda Institute of Electrical and Electronics Engineers (IEEE) üyesidir. Niklas, 2000'lerin başında girdiği robotik alanından sonra bir değişiklik ararken reklam optimizasyon sisteminin revize edilmesine yardımcı olmak için Advertising.com'a katıldı. Reklam teknolojilerine duyduğu ilgi kalıcı olan Niklas Temmuz 2022'de Amazon'a katıldı. Bu yazıda kariyerinden ve Singapur'daki 63. IEEE Karar ve Kontrol Konferansı'na kabul edilen son makalesinden (2023) bahsediyor.

2022'nin başlarında bir işe alım uzmanı bana ulaşarak Amazon Ads'e katılma olasılığından bahsettiğinde 2005'ten beri çevrim içi reklamcılık sektöründe çalışıyordum. Aşina olduğum benzer türde sorunları farklı bir şirket için çözme fikri ilgi çekiciydi. Amazon'da çalışma olasılığı cazip geldi. Amazon'un ölçeği, ünü ve iddialı Liderlik İlkeleri (Doğru zamanda harekete geçi, Büyük düşün, Sonuç yarat) bana hitap ediyordu.

Araştırma alanım geri beslemeli kontrol, dinamik sistemler ve optimizasyon. Amazon ile, Amazon Talep Tarafı Platformu tarafından yönetilen reklam kampanyalarının optimizasyonu ve kontrolüyle ilgili olarak algoritmalar konusundaki uzmanlığımı sunmak ve Amazon Talep Tarafı Platformu'nu müşterilerimizin yararına geliştirmek üzere anlaştım. Müşterilerimiz, bütçelerini belirli kampanya hedeflerine ulaşmak için harcamak isteyen reklamverenlerden oluşuyor. Örneğin, bir müşteri toplam dönüşüm veya satış miktarını en üst seviyeye çıkaracak şekilde harcamak istediği aylık 100.000 $ bütçesiyle bize başvurabilir. Burada istenen, ayın ilk günü veya son günü bütçenin tamamını harcamak değil, ay boyunca harcamaktır. Reklam gösterimlerinin yarısını kadın kullanıcılara sunma veya maksimum, ortalama, dönüşüm başına ya da gösterim başına belirli bir maksimum harcama tutarı gibi ek gösterim kısıtlamalarıyla da yaygın olarak karşılaşırız. Reklam gösterimi, bir reklamın kullanıcıya gösterilmesini ifade eder.

Reklam kampanyası, son derece yüksek boyutlu ve çeşitli kısıtlamalar barındıran bir optimizasyon problemi olarak tanımlanabilir. Bazı etkili matematik hesaplamalar sayesinde bu problem çözülmesi daha kolay olan alt problemlere ayrıştırılabilir. Alt problemlerin çözümlerinde, makine öğrenimi, geri beslemeli kontrol ve istatistik bilimindeki ileri seviye tekniklerden yararlanılır ve bunlar bir araya getirilerek reklamveren adına reklam gösterimleri için gönderilen teklifleri hesaplamada kullanılır.

Makalem, daha önce göz ardı edilmiş bir optimizasyon problemine çözüm sunuyor. Reklamverenlerin genellikle hedefleri, örneğin, bir veya daha fazla gösterim kısıtlamasına tabi olan toplam dönüşüm sayısını en üst seviyeye çıkarmak ister. Geçmişte bu tür kısıtlamalar kampanya bütçesinin tamamına uygulanırdı. Ancak son yıllarda reklamverenler bazı gösterim kısıtlamalarını kampanya bütçesi genelinde uygularken bazı kısıtlamaları da sadece alt kampanyalara uyguluyor. Bir alt kampanya, benzersiz reklam materyali ile tanımlanır ve harcama, kadın-erkek oranı ve gösterim veya dönüşüm başına ortalama harcama gibi kendi kısıtlamalarına tabidir.

Buradan da anlaşılacağı gibi günümüzde kampanya hedefleri, genellikle hiyerarşik çok kısıtlı optimizasyon problemlerine karşılık gelir. Bu, ilginç ve zorlu araştırma sorunlarına yol açar. Araştırmamdan önce basit bir çözüm geliştirilmişti ancak bu çözüm, önemli sınırlamalar içeriyordu ve Amazon Talep Tarafı Platformu'nun büyük vizyonuyla uyumlu değildi. Araştırmamda ve makalemde, en uygun matematiksel çözümü üreterek ve çözümün uygulamasını merkezi olmayan bir şekilde tasarlayarak problemi bütünsel olarak ele alıyorum.

Amazon'daki ilk birkaç ayımda Amazon Talep Tarafı Platformu optimizasyonu sistemi genelinde gerçekleştirdiğim bir denetimle başladı. Denetim sırasında optimizasyon sisteminin güçlü ve zayıf yönlerini tespit ettim ve reklamverenlerimiz için gelişmiş kampanya gösterimi ve performansı fırsatlarını belirledim. Bir zayıflık oldukça düşündürücüydü. Geliştirme yapılabileceğini bilmeme rağmen sorunu nasıl tanımlayacağımı bilmiyordum ve aklıma gelen bir çözüm de yoktu. Ancak 2022'nin sonlarına doğru, projeler arasında geçiş dönemindeyken daha fazla düşünmek için zamanım oldu ve sorunu zihnimde netleştirerek detayları anladım. Bunun için önce matematik aracılığıyla sorunu gerektiği şekilde tanımladım, ardından uygun bir çözüm ve etkili bir uygulama biçimi geliştirdim. Makalenin ilk taslağını Aralık 2022'de oluşturdum ve ilerleyen haftalarda sonuçları genelleştirdim. Makale tamamlanırken biz de bu fikri tanıtmak için bir prototip geliştirmeye başladık ve sonuç son derece olumlu oldu. Bu çözümün üretime geçirilmesi gerektiğini ve geniş çapta yaygınlaştırılması (artık gerçekleşti) gerektiğini şüpheye yer bırakmayacak şekilde kanıtlıyordu.

Öncelikle çözüm, hemen reklam kampanyalarının bütçelerini daha verimli kullanmasını sağladı. Kullanılmayan reklam bütçesi azaldı ve dönüşüm başına ortalama maliyet ve temel performans göstergeleri gibi istatistiklerle ölçülen kampanya performansında her bir göstergede birkaç yüzde puanı artış görüldü.

Ancak artan istatistiklerin ötesinde bu yeni çözüm, eski çözümle uyumlu olmayan çok çeşitli gösterim kısıtlamalarının uygulanmasına olanak tanıdı. Optimal çözüme en yakın sonucu elde etmek için eski sistem yalnızca harcama kısıtlaması dışında başka herhangi bir kısıtlamaya sahip olmayan kampanyalarda kullanılabilirdi. Bu, dönüşüm başına maliyet, gösterim başına maliyet, tıklama başına maliyet, görünüm oranı, hedef doğruluk oranı gibi kısıtlamalara sahip kampanyaların kapsam dışında kalacağı anlamına geliyordu. Genel ve ileriye dönük olan yeni sistem, çeşitli hiyerarşik çok kısıtlı problemleri kolayca çözebiliyor.

Yeni sistemin diğerlerinden ayrıştıran unsur, problemin modüler hâle getirilme ve bu aşamadan sonra çeşitli alt problemleri etkili ve verimli bir şekilde çözmek için farklı geri beslemeli kontrolcülerin uyum içinde uygulanma biçimidir.

İnsanlar, karmaşık bir reklam teknolojisi probleminin bir kontrol problemine dönüştürülmesini etkileyici buluyorlar. Çünkü bu, geri beslemeli kontrolün geleneksel bir kullanımı değil ve geleneksel uygulamalar havacılık ve robotik alanlarında kullanılır. Bilimsel bir disiplin olarak geri beslemeli kontrolün iyi tarafı, aynı araçların birçok uygulama genelinde kullanılmasına izin veren bir soyutlamaya dayanmasıdır. Reklam teknolojisiyle ilgili problemleri, jet motorları, sürücüsüz arabalar ve elektrik santralleri için kontrol sistemleri geliştirmede kullanılan araçların aynılarını kullanmanıza olanak tanıyan bir forma dönüştürebilirsiniz.

Makalede bütünsel yaklaşım benimsedim ve elimden geldiğince temel bileşenlere indirerek düşünme yöntemini kullandım. Makalenin çoğunda matematik işlemleri var ancak formülleri tanıdıktan sonra anlaşılması oldukça basit ve sezgisel.

Kesinlikle. Pek çok insan bana robotikten çevrim içi reklamcılığa geçmenin büyük bir değişiklik olup olmadığını sordu. Onlara verdiğim yanıt hayır oldu. Çünkü robotik alanında çalışırken de aynı yaklaşımı kullandım. İşle ilgili bir sorunu aldım ve bunu bir matematik problemine dönüştürdüm. Matematik problemini çözdüm ve ardından çözümü gerçek bir sisteme uyguladım. Şu anda tam olarak bunu yapıyorum. Tümüyle soyutlamaya bağlı.

Çevremde bir etki yaratmayı gerçekten isteyen çok sayıda insan var. Amazon bilim topluluğunda birçok akademik uzmanlık temsil ediliyor. Elbette çok sayıda bilgisayar bilimcisi var. Ancak aynı zamanda istatistik, ekonomi, geri beslemeli kontrol, soyut matematik ve kimya gibi birçok alandan uzmanlar da var.

Genel olarak reklam teknolojisini, disiplinler arası bir alan olduğu için seviyorum. Her şeyi bilmek mümkün olmadığından herkes bir katkıda bulunuyor, daima başkalarından bir şeyler öğreniyor ve çözülmeyi bekleyen birçok ilginç problemle karşılaşıyorsunuz.

Amazon, sizi yeni fikirleri paylaşmaya teşvik eden bir kültür sunuyor. Fikirlerinizle ilgili çok sayıda soruyla karşılaşıyor ve genellikle aklınıza gelen önerinin avantajlarıyla ilgili fikir alışverişin bulunarak konu üzerinde tartışıyorsunuz. Ancak insanlar yeni fikirlere çok açık ve bu süreç, düşünme biçiminizi gerçekten test etmenize ve yüksek kaliteli işler sunmanıza yardımcı oluyor. Çok destekleyici bir organizasyon.

Çevrim içi reklamcılık uzun yıllardan beri var. Hayli mesafe kat ettik ancak hâlâ yapılacak çok şey var. Daha açık olmak gerekirse sektöre girdiğimde kullanıcı seviyesi veriler yoktu, algoritmalar ilkeldi ve reklamverenler, otomatik reklamların kendileri için neler yapabileceği hakkında çok az bilgiye sahipti.

Artık modelleme ve optimizasyon için çok büyük miktarda ayrıntılı veri mevcut, optimizasyon ve kontrole yönelik ileri seviye algoritmalar geliştirildi ve yeni türde reklam biçimleri ortaya çıktı. Ayrıca günümüzde reklamverenler, bilgi sahibi ve talepleri yüksek; yaptıkları yatırımın getirisinin iyi olmasını bekliyorlar. Geçtiğimiz 20 yıldaki büyük ilerlemeye rağmen yapılacak çok şey var. Bu işler için araştırma yapmak ve problem çözmek üzere çeşitli becerilere sahip insanlar gerekiyor. Makine öğrenimi, yapay zeka, geri beslemeli kontrol, istatistik ve uygulamalı matematik alanında uzmanlığa sahip kişiler açısından Amazon Ads'de veya reklamcılık sektöründe heyecan verici kariyerler inşa etmek için çok sayıda fırsat olacağını düşünüyorum.