Phía sau bài báo: Niklas Karlsson áp dụng kiểm soát phản hồi để đáp ứng nhu cầu quảng cáo phức tạp

Các kỹ sư đều biết rằng kiểm soát phản hồi là quá trình điều chỉnh một hệ thống và chỉnh sửa để có kết quả mong muốn; ví dụ: một robot gặp phải chướng ngại vật và tự thay đổi tuyến đường. Phương pháp tiếp cận này cũng chính là nền tảng cho công trình gần đây của Niklas Karlsson, một Nhà khoa học chính cấp cao tại Amazon Ads. Là một cựu kỹ sư robot, Niklas đã áp dụng nền tảng đó - cũng như gần hai thập kỷ kinh nghiệm về công nghệ quảng cáo - để giải bài toán đáp ứng các mục tiêu quảng cáo phức tạp cho khách hàng.

Niklas có bằng các bằng sau đại học về kỹ thuật và thống kê của Đại học California ở Santa Barbara và Đại học Lund ở Thụy Điển, đồng thời là thành viên của Viện Kỹ sư Điện và Điện tử (IEEE). Mong muốn chuyển hướng sau khi thử sức với lĩnh vực robot vào đầu những năm 2000, Niklas đã gia nhập Advertising.com để giúp cải tổ hệ thống tối ưu hóa quảng cáo của công ty. Niềm yêu thích công nghệ quảng cáo vẫn chảy trong huyết quản, và Niklas đã gia nhập Amazon vào tháng 7 năm 2022. Sau đây là những chia sẻ của Niklas về sự nghiệp và bài báo gần đây của ông - công trình nghiên cứu đã được xét duyệt để trình bày tại Hội nghị IEEE lần thứ 63 về Quyết định và Kiểm soát (2023) tại Singapore.

Tại sao ông lại gia nhập Amazon Ads?

Tôi đã làm việc trong ngành quảng cáo trực tuyến từ năm 2005, và vào đầu năm 2022, một nhà tuyển dụng đã liên hệ với tôi để trao đổi về khả năng gia nhập Amazon Ads. Tôi bị thôi thúc bởi ý nghĩ có thể giải quyết những dạng vấn đề tương tự mà tôi đã quen thuộc, nhưng cho một công ty khác. Triển vọng làm việc tại Amazon rất hấp dẫn. Quy mô, danh tiếng và các Nguyên tắc lãnh đạo đầy tham vọng của Amazon - Thiên hướng hành động, Nghĩ lớn, Thực hiện ra kết quả - đều đồng điệu với tôi.

Lĩnh vực nghiên cứu chính của ông là gì?

Mối quan tâm nghiên cứu của tôi là kiểm soát phản hồi, hệ thống động và tối ưu hóa. Tại Amazon, tôi có trách nhiệm đóng góp chuyên môn về các thuật toán để tối ưu hóa và kiểm soát các chiến dịch quảng cáo được quản lý bởi Nền tảng bên yêu cầu của Amazon (ADSP) và nâng cao ADSP vì lợi ích của khách hàng. Khách hàng của chúng tôi là các nhà quảng cáo muốn sử dụng ngân sách của họ để đạt được mục tiêu chiến dịch nhất định. Ví dụ: nhà quảng cáo có thể tìm đến chúng tôi với ngân sách hàng tháng là 100.000 đô la để chi tiêu sao cho tối đa hóa tổng số lượt chuyển đổi hoặc doanh số. Họ muốn phân bổ đều ngân sách trong cả tháng – chứ không phải là chi tiêu mọi thứ vào ngày đầu tháng hoặc ngày cuối tháng. Ngoài ra, họ cũng thường đưa ra thêm các ràng buộc phân phối – chẳng hạn như phân phối một nửa số lượt hiển thị quảng cáo cho người dùng nữ, hoặc giới hạn mức chi tiêu trung bình tối đa cho mỗi lượt chuyển đổi hoặc mỗi lượt hiển thị. Lượt hiển thị quảng cáo là khi quảng cáo được hiển thị cho người dùng.

Có thể định nghĩa chiến dịch quảng cáo là một bài toán tối ưu hóa với nhiều biến số và nhiều ràng buộc cực kỳ phức tạp. Thông qua một số phương pháp toán học thông minh, bài toán này có thể được chia thành các bài toán nhỏ dễ giải hơn một chút. Giải pháp cho các vấn đề nhỏ liên quan đến các kỹ thuật tiên tiến từ máy học, kiểm soát phản hồi và thống kê. Chúng tôi kết hợp và sử dụng các giải pháp này để tính giá thầu được gửi cho lượt hiển thị quảng cáo thay mặt cho nhà quảng cáo.

Hãy cho chúng tôi biết về bài báo của ông.

Bài báo của tôi, “Tối ưu hóa chiến dịch quảng cáo đa ràng buộc theo cấu trúc phân cấp dựa trên kiểm soát phản hồi”, giải quyết một vấn đề tối ưu hóa trước đây từng bị bỏ qua. Lưu ý rằng các nhà quảng cáo thường muốn tối đa hóa, ví dụ: tổng số lượt chuyển đổi sẽ chịu một hoặc nhiều ràng buộc về việc phân phối. Trước đây, những ràng buộc như vậy áp dụng cho toàn bộ ngân sách chiến dịch. Nhưng trong những năm gần đây, các nhà quảng cáo thường áp một số ràng buộc phân phối nhất định cho ngân sách chiến dịch tổng thể và một số ràng buộc chỉ áp cho các chiến dịch con. Chiến dịch con là chiến dịch có một nội dung quảng cáo duy nhất và phải chịu các ràng buộc riêng – ví dụ: về chi tiêu, tỷ lệ nữ so với nam và chi tiêu trung bình cho mỗi lượt hiển thị hoặc mỗi lượt chuyển đổi.

Có thể thấy rằng các mục tiêu chiến dịch ngày nay thường giống như các bài toán tối ưu hóa đa ràng buộc theo cấu trúc phân cấp. Từ đó sinh ra các vấn đề nghiên cứu thú vị và đầy thách thức. Một giải pháp đơn giản đã được phát triển trước nghiên cứu của tôi, nhưng giải pháp đó có những hạn chế đáng kể và không tương thích với tầm nhìn lớn của ADSP. Nghiên cứu và bài báo của tôi giải quyết vấn đề một cách tổng thể bằng cách rút ra giải pháp tối ưu về mặt toán học và đưa ra cách triển khai giải pháp theo kiểu phi tập trung.

Bài báo ra đời trong hoàn cảnh nào?

Bài báo bắt nguồn từ một cuộc kiểm toán mà tôi đã thực hiện đối với hệ thống tối ưu hóa ADSP tổng thể trong vài tháng đầu làm việc tại Amazon. Trong quá trình kiểm toán, tôi đã xác định điểm mạnh và điểm yếu của hệ thống tối ưu hóa này, từ đó xác lập các cơ hội cải thiện việc phân phối chiến dịch và hiệu suất cho các nhà quảng cáo của chúng tôi. Trong đó có một điểm yếu khiến tôi phải suy nghĩ rất nhiều. Mặc dù tôi biết rằng có thể cải thiện được, nhưng ngay thời điểm đó tôi không biết mô tả vấn đề như thế nào và cũng chưa nghĩ ra giải pháp nào. Tuy nhiên, vào gần cuối năm 2022 khi tôi đang tạm thời không có dự án và có nhiều thời gian hơn để suy nghĩ, tôi đã thông tỏ và vạch ra kế hoạch chi tiết – đầu tiên là xác định vấn đề một cách đầy đủ bằng toán học, sau đó rút ra giải pháp tối ưu và cách triển khai hợp lý. Tôi đã chuẩn bị bản thảo đầu tiên của bài báo vào tháng 12 năm 2022 và khái quát hóa hơn nữa các kết quả trong những tuần sau đó. Khi bài báo đang được hoàn thiện, chúng tôi bắt đầu phát triển một nguyên mẫu để minh họa cho ý tưởng và kết quả thu được vô cùng tích cực. Bài báo đã chứng minh một cách thuyết phục rằng giải pháp này nên được đưa vào sản xuất và áp dụng rộng rãi - điều này giờ đây đã trở thành hiện thực.

Ông nhận thấy giải pháp này đã mang đến những tác động nào?

Trước hết, giải pháp này đã ngay lập tức cho phép các chiến dịch quảng cáo phân phối ngân sách hiệu quả hơn. Ngân sách quảng cáo được cắt giảm và hiệu suất chiến dịch được đo lường bằng các chỉ số, chẳng hạn như chi phí trung bình cho mỗi lượt chuyển đổi cùng các chỉ số hiệu suất chính khác, mỗi chỉ số đều đã cải thiện thêm vài điểm phần trăm.

Nhưng bên cạnh việc cải thiện các chỉ số, giải pháp mới còn cho phép áp dụng nhiều ràng buộc phân phối khác mà trước đây không tương thích với giải pháp cũ. Để đạt được gần mức tối ưu, hệ thống cũ chỉ có thể được sử dụng cho các chiến dịch chỉ có ràng buộc chi tiêu. Điều này có nghĩa là hệ thống không thể đáp ứng được các chiến dịch có ràng buộc về chi phí cho mỗi lượt chuyển đổi, chi phí cho mỗi lượt hiển thị,chi phí cho mỗi lượt nhấp chuột, tỷ lệ hiển thị thực tế, tỷ lệ tiếp cận đúng đối tượng, v.v. Hệ thống mới mang tính tổng quát và tiên tiến, dễ dàng xử lý một số vấn đề đa ràng buộc theo cấu trúc phân cấp.

Điều đáng chú ý ở phương pháp tiếp cận này là gì?

Điểm khác biệt của hệ thống mới là cách vấn đề được chia nhỏ theo mô-đun và sau đó là cách nhiều bộ kiểm soát phản hồi được triển khai phối hợp để giải quyết nhiều vấn đề nhỏ khác nhau một cách mạnh mẽ và hiệu quả.

Mọi người rất thích thú với việc biến một bài toán kỹ thuật quảng cáo phức tạp thành một bài toán kiểm soát bởi vì đó không phải là cách sử dụng thông thường của kiểm soát phản hồi – vốn thường được áp dụng trong các lĩnh vực như hàng không vũ trụ và robot. Nhưng điều tuyệt vời của kiểm soát phản hồi với tư cách là một ngành khoa học là nó dựa trên sự trừu tượng, cho phép sử dụng cùng một bộ công cụ cho nhiều lĩnh vực ứng dụng khác nhau. Bạn có thể biến các bài toán trong lĩnh vực công nghệ quảng cáo thành một dạng bài toán cho phép bạn sử dụng chính các công cụ được dùng để phát triển hệ thống điều khiển cho động cơ phản lực, ô tô tự lái và nhà máy điện.

Trong bài báo, tôi đã tiếp cận vấn đề một cách toàn diện và áp dụng tối đa phương pháp suy luận từ nguyên lý nền tảng. Phần lớn nội dung của bài báo là về toán học, nhưng một khi bạn đã quen thuộc với các ký hiệu, nó sẽ khá đơn giản và trực quan.

Nền tảng kinh nghiệm trong lĩnh vực robot có giúp ông tư duy theo cách này không?

Chắc chắn rồi. Nhiều người hỏi tôi liệu việc chuyển từ ngành robot sang quảng cáo trực tuyến có phải là một sự thay đổi lớn hay không. Tôi nói là không bởi vì khi làm việc trong lĩnh vực robot, tôi cũng sử dụng phương pháp tiếp cận tương tự. Tôi biến vấn đề kinh doanh thành một bài toán; tôi giải bài toán và sau đó thực hiện giải pháp trong hệ thống thực. Đó cũng chính là những gì tôi đang làm bây giờ. Tất cả đều xoay quanh sự trừu tượng hóa.

Khi làm việc với vai trò là nhà khoa học tại Amazon Ads, ông thấy có những điểm sáng nào?

Xung quanh tôi có rất nhiều người thông minh với khao khát tạo nên sự ảnh hưởng. Cộng đồng khoa học của Amazon góp mặt trong nhiều nền tảng học thuật khác nhau. Đương nhiên là có rất nhiều nhà khoa học máy tính, nhưng cũng có những người đến từ các lĩnh vực như thống kê, kinh tế học, kiểm soát phản hồi, toán học thuần túy, hóa học, v.v.

Điều tôi thích ở công nghệ quảng cáo nói chung là tính liên ngành rất cao. Không ai biết hết mọi thứ; mỗi người đều mang đến giá trị riêng, bạn sẽ luôn học hỏi được từ những người khác và đối diện với rất nhiều vấn đề thú vị đang chờ giải quyết.

Amazon mang lại một văn hóa thực sự khuyến khích mọi người chia sẻ ý tưởng mới. Bạn sẽ nhận được rất nhiều câu hỏi về ý tưởng của mình, và thường có rất nhiều trao đổi qua lại để bạn tranh luận về giá trị của những điều bạn đang nghĩ đến. Nhưng mọi người rất cởi mở tiếp thu ý tưởng mới, và quá trình này giúp bạn thực sự thử thách tư duy của mình cũng như mang đến những “sản phẩm” chất lượng cao trong công việc. Đó là một tổ chức hỗ trợ lẫn nhau nhiệt tình.

Trong vai trò của mình, ông đang định hình lại quảng cáo như thế nào?

Quảng cáo trực tuyến đã xuất hiện trong nhiều năm. Chúng tôi đã đi một chặng đường dài, nhưng vẫn còn rất nhiều việc phải làm. Nói cách khác, khi tôi bước vào ngành này, dữ liệu cấp người dùng vẫn chưa có, các thuật toán còn thô sơ và các nhà quảng cáo chưa thực sự hình dung được những gì quảng cáo tự động có thể mang lại cho họ.

Giờ đây, một lượng lớn dữ liệu chi tiết đã có sẵn để mô hình hóa và tối ưu hóa; các thuật toán nâng cao để tối ưu hóa và kiểm soát đã được phát triển; và các loại định dạng quảng cáo mới đã xuất hiện. Ngoài ra, các nhà quảng cáo ngày nay rất hiểu biết và đòi hỏi cao, họ cũng mong đợi lợi tức đầu tư tốt. Dù ngành quảng cáo đã đạt được những tiến bộ to lớn trong 20 năm qua, nhưng vẫn còn rất nhiều điều phía trước đòi hỏi nhiều người với nhiều bộ kỹ năng khác nhau nghiên cứu và giải quyết vấn đề. Đối với những người có nền tảng về máy học, AI, kiểm soát phản hồi, thống kê và toán học ứng dụng, tôi hy vọng họ sẽ có nhiều cơ hội để phát triển sự nghiệp thú vị tại Amazon Ads hoặc trong ngành quảng cáo.