Unsere Vision bei Index Exchange ist die totale Markteffizienz und unsere Engineering Teams nutzen Machine Learning und Optimierung, um Systeme zu entwickeln, die den Weg zu genau diesem Ziel ebnen.
Ich habe mich mit unseren Kollegen Eran Udassin, VP, Machine Learning and Optimization Engineering, Vance Wei, Engineering Lead Manager, und Jaspreet Singh, Senior Data Scientist, zusammengesetzt, um mehr über die Projekte zu erfahren, an denen sie arbeiten, über ihren Ansatz bei der Zusammenarbeit und die leistungsstarken Optimierungen, die sie für unsere Systeme und die gesamte Branche bewirken.
Welches Projekt im Bereich Machine Learning hat euch in letzter Zeit besonders viel Spaß gemacht?
Vance Wei: Wir entwickeln ein optimiertes Framework für Machine Learning Inferenz, das Modelle in großem Maßstab und mit einer Latenzzeit von weniger als einer Millisekunde bedienen kann, was für Aufgaben wie personalisierte Empfehlungen und Echtzeit-Bids im Ad-Tech-Ökosystem unerlässlich ist. Das System bewältigt hohen Traffic reibungslos und unterstützt unsere Vision von absoluter Markteffizienz.
Die Arbeit an diesem Framework bietet den Teammitgliedern die Möglichkeit, mit modernster Technologie zu arbeiten und wertvolle Erfahrungen bei der Verwaltung von Hochgeschwindigkeitssystemen in großem Maßstab zu sammeln.
Jaspreet Singh: Wir verwenden Neural Networks, um unsere Modelle zum Traffic Shaping zu skalieren, sodass wir aus riesigen Datensätzen lernen können. Mithilfe dieser fortschrittlichen Modelle können wir kleinere, detailliertere Segmente des Exchange-Traffics genauer analysieren und so die Effizienz und Leistung insgesamt verbessern.
Welche greifbaren Ergebnisse haben unsere maschinellen Lernmodelle in diesem Jahr möglich gemacht?
VW: Wir haben das Training unseres Machine-Learning-Modells von der Cloud in unseren eigenen privaten Cloud-Stack verlagert und konnten so unsere Betriebskosten für Machine Learning um mehr als 80 % senken.
JS: Wir verarbeiten Millionen von einzigartigen Ad Requests pro Sekunde mit extrem geringer Latenz, angetrieben von unseren eigenen Rechenzentren, Modellen und Software. Unsere Modelle reagieren sehr schnell auf schnelle Marktveränderungen und Ausfälle, sodass wir sehr zuversichtlich sind, dass wir Traffic-Spitzen während hoher Streaming-TV-Nutzung und in Zeiten hoher Nachfrage, wie zum Beispiel an Feiertagen, bewältigen können.
Unser Team für Machine Learning und Optimierung besteht aus Indexern aus der ganzen Welt. Wie arbeitet ihr untereinander und mit dem Rest des Unternehmens zusammen?
Eran Udassin: Unsere Machine Learning Engineers und Data Scientists sind in vier Ländern und acht Städten tätig. Globales und verteiltes Arbeiten ist für uns eine Selbstverständlichkeit. Wir arbeiten mit anderen Teams zusammen, indem wir sie bei der Optimierung und Erreichung ihrer Projektziele unterstützen und dabei vorhandene und angepasste Machine-Learning-Produkte einsetzen.
JS: Wir planen Aufgaben nach bestem Wissen und Gewissen, damit jeder innerhalb der für seinen Standort üblichen Geschäftszeiten arbeiten kann. Da wir uns über mehrere Zeitzonen erstrecken, nutzen wir bei Bedarf manchmal asynchrone Kommunikation und synchronisieren uns einmal täglich, wenn sich die Zeitzonen in den Arbeitszeiten überschneiden. Wir nutzen eine Mischung aus persönlichen Treffen, Slack und Live-Dokumenten, um zusammenzuarbeiten.
VW: Wir kommunizieren sehr viel in unseren Teambesprechungen. Dinge, die es wert sind, gesagt zu werden, sind es wert, zweimal gesagt zu werden. Wir haben auch das Glück, eine sehr transparente und vertrauensvolle Kultur zu leben, die enorm hilfreich ist, um die räumliche Distanz zwischen unseren Teams zu überbrücken.
Wo seht ihr das größte Potenzial für Machine Learning, um Veränderungen bei Index Exchange oder in der gesamten Ad-Tech-Branche voranzutreiben?
EU: In der Welt der Ad Tech umfasst der Kauf und Verkauf von digitalen Werbeflächen viele Schritte und Akteure – Werbetreibende, Media Owner und verschiedene Vermittler, die die Transaktion unterstützen. Diese Vermittler stellen sicher, dass die Anzeigen die richtigen Zielgruppen erreichen, können den Prozess jedoch komplexer und kostspieliger machen.
Durch die Anwendung von fortgeschrittenem Machine Learning können unsere Engineering Teams diese Transaktionen vereinfachen, ähnlich wie bei Kreditkartensystemen. Wenn Sie eine Kreditkarte durch das Lesegerät ziehen, erfolgt der Vorgang fast augenblicklich: Ihre Bank überprüft die Zahlung, das Kartenunternehmen verarbeitet sie und der Verkäufer erhält sein Geld – schnell und mit minimalen Gemeinkosten. Machine Learning kann die gleiche Effizienz auch bei Anzeigentransaktionen erzielen, indem es Entscheidungen automatisiert, Redundanzen reduziert und sicherstellt, dass jeder Werbe-Euro so effektiv wie möglich ausgegeben wird.
Machine Learning kann auch Muster im offenen Internet aufdecken und Werbetreibenden dabei helfen, neue Möglichkeiten zu erschließen. Es kann Trends beim Browsen erkennen, welche Inhalte für die Nutzer interessant sind, oder sogar Nischenzielgruppen für bestimmte Produkte identifizieren. Durch die Analyse dieser Muster bringt Machine Learning Werbetreibende mit den richtigen Personen am richtigen Ort zusammen und macht Kampagnen effektiver und Anzeigen für Verbraucher relevanter.
VW: Machine Learning ist bereits ein wichtiger Faktor für die Effizienz und Entscheidungsfindung bei Index Exchange und in der gesamten Ad-Tech-Branche. Ein vielversprechender Ansatz für branchenweite Auswirkungen, der noch weitgehend unerforscht ist, ist die Interaktion von Machine-Learning-Produkten und -Algorithmen zwischen den verschiedenen Partnern, mit denen wir zusammenarbeiten, insbesondere da die Abhängigkeit von Machine Learning für Bidding- und Matching-Entscheidungen zunimmt.
Wenn beispielsweise eine Exchange die Präferenzen der Benutzer vorhersehen möchte, während die Benutzer gleichzeitig versuchen, die Angebote der Exchange zu verstehen, kann diese Dynamik komplexe, vielschichtige Feedbackschleifen erzeugen, die von den Zielen jeder Partei geprägt sind.
JS: Ein Schlüsselbereich, den ich persönlich im Zentrum des Machine Learnings sehe, ist die Fähigkeit, individuelle Ad Requests in Echtzeit anzupassen und zu filtern, wenn Demand Side Platforms (DSPs) ihre Kampagnen und Strategien ändern. Die Fähigkeit, dies mit einem hohen Maß an Präzision zu tun, wird zu großen Effizienzgewinnen für DSPs führen.
Insgesamt ist Machine Learning in dieser Größenordnung und Geschwindigkeit selten und wir haben eine riesige Chance, nicht nur für unsere Kunden, sondern auch für die angewandte KI als Ganzes innovativ zu sein.
Erfahren Sie mehr über die Engineering Teams bei Index Exchange.
