Notre vision chez Index Exchange est l’efficacité totale du marché et nos équipes d’ingénieurs utilisent le machine learning et l’optimisation pour concevoir des systèmes qui ouvrent la voie pour y parvenir.
J’ai rencontré notre équipe : Eran Udassin, VP, Machine Learning and Optimization Engineering, Vance Wei, Engineering Lead Manager et Jaspreet Singh, Senior Data Scientist, pour en savoir plus sur les projets sur lesquels ils travaillent, sur leur approche de la collaboration et sur les optimisations qu’ils apportent à nos systèmes ainsi qu’à l’ensemble de l’industrie.
Quel est le projet récent en matière de machine learning que vous avez trouvé particulièrement gratifiant ?
Vance Wei : Nous développons un cadre optimisé d’inférence pour le machine learning qui peut servir des modèles à l’échelle et avec une latence inférieure à la milliseconde, ce qui est essentiel pour des tâches telles que les recommandations personnalisées et les real-time bidding dans l’écosystème de l’aad tech. Le système gère un trafic important en toute fluidité, ce qui nous rapproche de notre vision de l’efficacité totale du marché.
Travailler sur ce cadre donne aux membres de l’équipe l’occasion de travailler avec une technologie de pointe, et leur permet de gagner une expérience précieuse dans la gestion de systèmes à grande vitesse et à grande échelle.
Jaspreet Singh : Nous utilisons des réseaux neuronaux pour mettre à l’échelle nos modèles de mise en forme du trafic, ce qui nous permet d’apprendre à partir de très grands ensembles de données. L’utilisation de ces modèles avancés nous permet d’analyser des segments plus petits et plus détaillés du trafic de l’ad exchange avec une plus grande précision, ce qui améliore l’efficacité et les performances dans tous les domaines.
Quels résultats tangibles nos modèles de machine learning ont-ils permis d’obtenir cette année ?
VW : Nous avons déplacé la formation de nos modèles de machine learning du cloud vers notre propre stack de cloud privé, réduisant ainsi nos coûts opérationnels de machine learning de plus de 80 %.
JS : Nous traitons des millions d’ad requests uniques par seconde avec une latence ultra-faible, alimentées par nos propres data centers, modèles et logiciels. Nos modèles sont très réactifs aux changements rapides du marché et aux pannes, ce qui nous permet d’être très confiants quant à notre capacité à gérer les hausses de trafic pendant les pics d’audience en TV en streaming et les périodes de forte demande, telles que les fêtes de fin d’année.
Notre équipe chargée du machine learning et de l’optimisation est composée d’Indexers venant du monde entier. Comment collaborez-vous entre vous et avec le reste de l’entreprise ?
Eran Udassin : Nos ingénieurs en machine learning et nos data scientists sont répartis dans quatre pays et huit villes. Nous vivons et pratiquons véritablement la mondialisation et la répartition des tâches. Nous collaborons avec d’autres équipes en les aidant à optimiser et à atteindre les objectifs de leurs projets, à l’aide de produits de machine learning existants et améliorés.
JS : Nous planifions les tâches au mieux pour que chacun puisse travailler dans les heures ouvrées standard de son lieu de travail. Étant donné que nous couvrons plusieurs fuseaux horaires, nous utilisons parfois la communication asynchrone en cas de besoin et nous nous synchronisons une fois par jour lorsque les fuseaux horaires se chevauchent pendant les heures de travail. Nous utilisons à la fois des réunions en personne, Slack et des documents en ligne pour collaborer.
VW : Nous “surcommunicons” pendant nos réunions d’équipe. Les choses qui valent la peine d’être dites valent la peine d’être dites deux fois. Nous avons également la chance d’avoir une culture très transparente et empreinte de confiance, ce qui nous aide énormément à réduire la distance physique entre nos équipes.
Où pensez-vous que le machine learning puisse apporter le plus de changement que ce soit au niveau d’Index ou bien de l’industrie ?
EU : Dans le monde de l’ad tech, l’achat et la vente d’espaces publicitaires digitaux impliquent de nombreuses étapes et de nombreux acteurs. Les marketeurs, les propriétaires de médias et divers intermédiaires facilitant la transaction. Ces intermédiaires veillent à ce que les publicités atteignent les bonnes audiences, mais ils peuvent ajouter de la complexité et des coûts au processus.
En appliquant un machine learning avancé, nos équipes d’ingénieurs peuvent simplifier ces transactions, à l’image du fonctionnement des systèmes de cartes de crédit. Lorsque vous utilisez une carte de crédit, le processus est presque instantané : votre banque vérifie le paiement, la société émettrice de la carte le traite et le vendeur reçoit ses fonds, rapidement et avec un minimum de frais de fonctionnement. Le machine learning peut apporter ce même niveau d’efficacité aux transactions publicitaires en automatisant les décisions, en réduisant la redondance et en veillant à ce que chaque centime de publicité soit dépensé de la manière la plus efficace possible.
Le machine learning peut également mettre en évidence des schémas à travers l’open internet, aidant les marketeurs à exploiter de nouvelles opportunités. Il est capable d’identifier des tendances dans la manière dont les internautes naviguent, l’engagement qu’ils ont avec un contenu, ou même des audiences de niche pour des produits spécifiques. En analysant ces modèles, le machine learning connecte les marketeurs avec les bonnes personnes, au bon endroit, rendant les campagnes plus efficaces et les publicités plus pertinentes pour les consommateurs.
VW : Le machine learning alimente déjà les performances de base et la prise de décision chez Index Exchange et dans l’ensemble de l’industrie ad tech. Un domaine prometteur en termes d’impact à l’échelle du secteur qui reste largement inexploré est l’interaction des produits et des algorithmes de machine learning entre les différents partenaires avec lesquels nous travaillons, en particulier à mesure que la dépendance à l’égard du machine learning pour les décisions en matière d’enchères et de correspondance s’accroît.
Par exemple, si un exchange vise à anticiper les préférences des utilisateurs tandis que ceux-ci s’efforcent simultanément de comprendre les offres de l’exchange, cette dynamique peut créer des boucles de rétroaction complexes, à plusieurs niveaux, façonnées par les objectifs de chaque partie.
JS : Pour moi, l’un des domaines clés du machine learning est sa capacité à adapter et à filtrer les ad request individuelles en temps réel, à mesure que les demand-side platforms (DSP) modifient leurs campagnes et leurs stratégies. La capacité à accomplir cette tâche avec un niveau de précision élevé permettra aux DSP de réaliser d’importants gains d’efficacité.
Dans l’ensemble, le machine learning à cette échelle et à cette vitesse est rare et c’est une bonne opportunité d’innover non seulement pour nos clients, mais aussi pour le machine learning appliqué dans son ensemble.
En savoir plus sur les équipes d’ingénierie d’Index Exchange.
