Nuestra visión en Index Exchange es la eficiencia total del mercado, y nuestros equipos de ingeniería están utilizando el machine learning y la optimización para diseñar sistemas que allanen el camino para lograr precisamente ese objetivo.
Me senté con nuestro equipo (Eran Udassin, VP, Machine Learning and Optimization Engineering, Vance Wei, Engineering Lead Manager, y Jaspreet Singh, Senior Data Scientist) para conocer mejor los proyectos en los que están trabajando, su enfoque de la colaboración y las potentes optimizaciones que están aportando a nuestros sistemas y al sector en general.
¿Qué proyecto reciente de machine learning te ha resultado especialmente gratificante?
Vance Wei: Estamos construyendo un marco de inferencia de machine learning optimizado que puede servir modelos a escala y con una latencia inferior al milisegundo, lo cual es esencial para tareas como las recomendaciones personalizadas y los real-time bidding en el ecosistema de la ad tech. El sistema gestiona el tráfico pesado sin problemas, impulsando nuestra visión de la eficiencia total del mercado.
Trabajar en este marco brinda a los miembros del equipo la oportunidad de trabajar con tecnología punta, fomentando una valiosa experiencia en la gestión de sistemas de alta velocidad y gran escala.
Jaspreet Singh: Utilizamos redes neuronales para escalar nuestros modelos de conformación del tráfico, lo cual nos permite aprender de conjuntos de datos masivos.El uso de estos modelos avanzados nos ayuda a analizar segmentos más pequeños y detallados del tráfico de exchange con mayor precisión, mejorando la eficacia y el rendimiento en general.
¿Qué resultados tangibles han hecho posibles nuestros modelos de machine learning este año?
VW: Trasladamos el entrenamiento de nuestros modelos de machine learning de la nube a nuestra propia nube privada, reduciendo con éxito nuestros costes operativos de machine learning en más de un 80 %.
JS: Procesamos millones de ad requests únicas por segundo con una latencia ultra baja, gracias a nuestros propios centros de datos, modelos y software. Nuestros modelos son muy sensibles a los cambios rápidos del mercado y a las interrupciones, lo que nos permite confiar plenamente en que podremos hacer frente a los repuntes de tráfico durante los picos de streaming TV y los periodos de gran demanda, como la temporada navideña.
Nuestro equipo de machine learning y optimización está formado por Indexers de todo el mundo. ¿Cómo colaboráis entre vosotros y con el resto de las empresas?
Eran Udassin: Nuestros ingenieros de machine learning y científicos de datos se encuentran en cuatro países y ocho ciudades distintas. Vivimos y respaldamos el trabajo global y distribuido. Colaboramos con otros equipos ayudándoles a optimizar y alcanzar los objetivos de sus proyectos, utilizando productos de machine learning existentes y modificados.
JS: Planificamos las tareas lo mejor que podemos para que todo el mundo pueda trabajar dentro del horario laboral estándar de su localidad. Como nos movemos en distintos husos horarios, a veces utilizamos la comunicación asíncrona cuando es necesario y sincronizamos una vez al día cuando los husos horarios coinciden en horas de trabajo. Utilizamos una combinación de reuniones en persona, Slack y documentos en directo para colaborar.
VW: Nos comunicamos demasiado en nuestras reuniones de equipo. Las cosas que merece la pena decir, merece la pena decirlas dos veces. También tenemos la suerte de contar con una cultura muy transparente y de confianza, que ayuda enormemente a salvar cualquier distancia física entre nuestros equipos.
¿Dónde ves el mayor potencial del machine learning para impulsar el cambio en Index Exchange o en todo el sector de la ad tech?
UE: En el mundo de la ad tech, la compra y venta de espacios publicitarios digitales implica muchos pasos y actores: profesionales del marketing, propietarios de medios y diversos intermediarios que facilitan la transacción. Estos intermediarios garantizan que los anuncios lleguen al público adecuado, pero pueden añadir complejidad y coste al proceso.
Aplicando machine learning avanzado, nuestros equipos de ingeniería pueden simplificar estas transacciones, de forma muy parecida a cómo funcionan los sistemas de tarjetas de crédito. Cuando pasas una tarjeta de crédito, el proceso es casi instantáneo: tu banco verifica el pago, la empresa de la tarjeta lo procesa y el vendedor recibe sus fondos, rápidamente y con unos gastos generales mínimos. El machine learning puede aportar este mismo nivel de eficiencia a las transacciones publicitarias mediante la automatización de las decisiones, la reducción de la redundancia y la garantía de que cada dólar de publicidad se gasta de la forma más eficaz posible.
El machine learning también puede descubrir patrones en Internet, ayudando a los profesionales del marketing a aprovechar nuevas oportunidades. Puede identificar tendencias en la forma en que la gente navega, con qué contenidos se relaciona o incluso nichos de público para productos específicos. Mediante el análisis de estos patrones, el machine learning conecta a los profesionales del marketing con las personas adecuadas y en el lugar adecuado, haciendo que las campañas sean más eficaces y los anuncios más relevantes para los consumidores.
VW: El machine learning ya está impulsando la eficiencia y la toma de decisiones en Index Exchange y en todo el sector de la ad tech. La interacción de los productos y algoritmos de machine learning entre los distintos partners con los que trabajamos es un área prometedora para el impacto en todo el sector que permanece en gran medida inexplorada, especialmente a medida que aumenta la dependencia del machine learning para las decisiones de bidding y emparejamiento.
Por ejemplo, si un exchange pretende anticiparse a las preferencias de los usuarios y estos, al mismo tiempo, se esfuerzan por comprender las ofertas del exchange, esta dinámica puede crear complejos bucles de retroalimentación de varios niveles, conformados por los objetivos de cada parte.
JS: Personalmente, creo que el machine learning está en el centro de la capacidad de adaptar y filtrar solicitudes de anuncios individuales en tiempo real a medida que las Demand Side Platform (DSP) cambian sus campañas y estrategias. Ser capaz de hacer esto con un alto nivel de precisión impulsará grandes ganancias de eficiencia para las DSP.
En conjunto, el machine learning a esta escala y velocidad es poco frecuente y tenemos una gran oportunidad de innovar, no solo para nuestros clientes, sino también para el machine learning aplicado en general.
Más información sobre los equipos de ingeniería de Index Exchange.
