Ben Faes, CEO af RWS – Intervieuserie

Ben Faes er administrerende direktør for RWS Group. Han har mere end 25 års erfaring i at lede digitale transformationer og skalerbarhed af teknologi-drevne virksomheder, med en stærk track record i at drive profitable vækst, opbygge innovative markedsstrategier og udvikle højpræsterende internationale hold.

Før han tiltrådte RWS, havde Ben ledende stillinger i teknologi- og forretningsvirksomheder. Hos AOL avancerede han til direktør for Frankrig, før han i 2008 skiftede til Alphabet (GOOG ) (GOOGL ), hvor han var med til at udvikle YouTubes monetarisering i Europa og senere ledede flere Google-forretninger i EMEA-regionen, kulminerende som direktør for Google Cloud i Sydeuropa og udviklingslande. I 2021 blev han UK-direktør for Webhelp, og efter virksomhedens overtagelse af Concentrix, ledede han globale transformations- og teknologiinitiativer hos Concentrix Catalyst.

RWS er en global virksomhed, der tilbyder AI-løsninger og indholdsservices, som hjælper organisationer med at oprette, administrere, oversætte og beskytte informationer i stor målestok, ved at kombinere avanceret teknologi med menneskelig ekspertise. Virksomheden specialiserer sig i områder som sprogoversættelse og lokalisation, immaterielle rettigheder og AI-drevne indhold- og datasolutions, der giver virksomheder mulighed for at kommunikere effektivt på tværs af markeder og implementere enterprise AI-systemer med kulturel og kontekstuel nøjagtighed. Med en stor global arbejdsstyrke og årtiers erfaring, støtter RWS store virksomheder i at omdanne komplekse data til klare, troværdige indhold, samtidig med at de accelererer innovation og sikrer, at idéer forstås verden over.

De har ledet store transformationer i virksomheder som Google Cloud og nu i RWS. Hvordan har deres erfaring med at skalerbarhed af enterprise AI-platforme formet deres tilgang til at bygge Language Weaver Pro som et mission-kritisk oversættelsessystem frem for et generelt formål-værktøj?

Hvad jeg har lært af at skalerbarhed af enterprise AI, er, at generelle formål-værktøjer rammer en grænse hurtigt i højt-spændings-miljøer.

Virksomheder har brug for noget, de kan stole på – noget, de kan integrere i kritiske arbejdsgange, fra HR til lokalisation til kundesupport.

Med Language Weaver Pro startede vi ikke med at spørge, “Hvordan bygger vi et bedre oversættelsesmodel?” Vi spurgte, “Hvad skal et oversættelsessystem se ud som for en virksomhed at stole på det i stor målestok?”

Det skifter fokus. Det handler ikke kun om modelkvalitet. Det handler om konsistens, kontrol, skalerbarhed og sikkerhed – de ting, der gør et system brugbart i den virkelige verden.

En af de ting, jeg er mest stolt af, er, at Language Weaver Pro ikke behøvede at tilpasses for enterprise senere. Det var designet til det fra dag én.

Mens andre nu bevæger sig mod specialisering, er det noget, Language Weaver har bygget ind i sin grundlæggelse i årevis. Vores partnerskab med Cohere gav os verdensklasse AI-kapaciteter – og vi lagde til de enterprise-kontroller og lingvistiske ekspertise, der var nødvendige for at gøre dem virkelig brugbare i stor målestok.

Language Weaver Pro er bygget på et 100 plus milliarder parameter-model. Hvordan var de arkitektoniske eller træningsbeslutninger kritiske for at opnå stærk præstation på afsnits- og dokumentniveau, hvor mange oversættelsessystemer typisk kæmper?

De fleste oversættelsessystemer er optimeret til at oversætte sætninger – hvilket afspejler, hvordan lokaliseringsindustrien historisk har arbejdet. Problemet er, at betydning ikke altid bor på sætningsniveau. Tvetydighed, terminologisk konsistens og tone opererer alle på tværs af længere tekstspænd. At opnå stærk præstation på afsnitsniveau krævede bevidste beslutninger, herunder at vælge en langt større kontekstvindue end typiske oversættelsessystemer.

Et problem, som de fleste systemer ser her, er, at håndtering af større kontekst typisk medfører øgede processtider. Her kommer Mixture of Experts-arkitekturen ind i billedet. MoE giver Language Weaver Pro mulighed for at være både stor nok til at håndtere komplekse, langformige indhold og effektiv nok til at implementere det på enterprise-niveau.

Platformen blev rangeret som nummer ét i 31 af 32 sprog i menneskeledede benchmarks. Hvordan adskiller menneskelig evaluering sig fra automatiserede metrikker, og hvorfor er denne forskel vigtig for enterprise-brugstilfælde?

Automatiserede metrikker er essentielle for skala. For at kunne benchmark kvalitet konsekvent, kan man ikke løbende udføre menneskelig evaluering på tværs af 32 sprog og tusinder af segmenter uden dem. Men der er også begrænsninger. Traditionelle metrikker som BLEU måler overfladisk ordoverlappende, hvilket betyder, at en oversættelse kan score højt, mens den mangler nuance, eller score lavt, mens den er fuldstændig præcis. Endda mere sofistikerede neurale metrikker er proxyer for menneskelig vurdering, ikke erstatninger for den. En oversættelse, der er teknisk korrekt, men tonalt forkert i en kulturel kontekst, kan forårsage reel skade.

Dette er hvorfor vi kørte begge. De blinde menneskelige evalueringer, vi udførte med vores egne professionelle oversættere, gav os den domæne- og kulturelle følsomhed, som vores enterprise-kunder og deres slutbrugere virkelig bekymrer sig om.

Mange AI-oversættelsessystemer kæmper med at opretholde konsistens på tværs af lange dokumenter. Hvordan bevarer Language Weaver Pro betydning og kontekst på tværs af afsnit, især i juridiske eller regulatoriske indhold?

Konsistens er en af de sværeste udfordringer i oversættelse i stor målestok – og det er ikke noget, generelle formål-modeller kan løse alene.

Det er også et område, hvor vi har haft en reel fordel. Løsninger som Trados og Language Weaver har længe bygget ind i stærke terminologikontroller, så man kan påtvinge konsistent sprog på tværs af selv de største og mest komplekse indholdssæt.

Det betyder mere end nogensinde i regulerede miljøer. I juridiske eller compliance-indhold er konsistens ikke en nice-to-have – det er kritisk. En enkelt variation i, hvordan en defineret term oversættes, kan ugyldiggøre en kontrakt, forvrænge en regulatorisk indberetning eller introducere reel risiko.

Terminologikontrol fjerner den usikkerhed. Det sikrer, at den endelige output bruger præcis det sprog, som juridiske og compliance-hold har godkendt – konsistent, i stor målestok.

De har beskrevet dette som en skift fra oversættelse til Sprogintelligens. Hvad betyder det i praksis, og hvordan ændrer det, hvordan virksomheder interagerer med flersproget indhold?

I årtier har branchen set på oversættelse som en mekanisk proces, der konverterer ord fra ét sprog til et andet. Og selvom specialiserede menneskelige oversættelsesprocesser som transkreation har eksisteret i længe, har det alt hængt sammen med en relativt langsom proces, der fokuserede på ordantal. “Sprogintelligens” ændrer fundamentalt denne paradigm. Det er en skift fra at konvertere ord til at forstå betydning; det handler om at fatte kontekst, nuance, brandstemme og specifik intention bag indholdet, uanset det oprindelige sprog. Vi bevæger os fra en passiv, reaktiv opgave til en proaktiv, strategisk kapacitet.

I praksis, når vores AI-værktøjer kan gøre oversættelser mere flydende og kontekstbevidste, kan den kulturelle intelligens-humane lag fokusere på relevans og impact.

Platformen lægger vægt på styring, terminologikontrol og datasikkerhed. Hvordan sikrer systemerne, at oversættelser opfylder kravene i brancher som finans og sundhed?

Tillid er hjørnestenen i vores platform, især for regulerede brancher. Først tilbyder vi fleksibilitet i implementering, som offentlige værktøjer ikke kan. Kunder kan køre Language Weaver på deres egne lokale maskiner eller i deres egen dedikeret private cloud. Dette sikrer, at følsomme data aldrig forlader deres sikre miljø, hvilket er uafviseligt for at opfylde dataresidenskrav.

Anden, giver vi kunderne granuleret kontrol over output, der kan ændre sig med en branchekrav. Kunder kan integrere deres egne godkendte glossarer direkte i modellen. Dette garanterer, at en specifik juridisk disclaimer i finans eller en godkendt medicinsk term i sundhed oversættes korrekt og konsistent hver eneste gang, og eliminerer risikoen for ikke-kompatible sprog.

Til sidst er styring indbygget. Platformen integrerer med eksisterende enterprise-sikkerhedsrammer, giver fuld audit-sporing og adgangskontrol, og kunder kan altid routere indholdet til eksperthumane i loopet for certifikater om nøjagtighed eller for påkrævet gennemgang.

I modsætning til generelle formål-AI-modeller er Language Weaver Pro specialbygget til oversættelse. Hvordan er afvejningen mellem specialisering og fleksibilitet, og hvorfor bliver specialisering mere vigtig for enterprise-AI?

En generel formål-model er lidt som en schweizerkniv. Den er alsidig – den kan foreslå en opskrift ud fra, hvad der er i dit køleskab, skitsere en landskabsplan, skrive et digt eller endda forsøge at kode.

Men når det kommer til mission-kritisk enterprise-arbejde, er “godt nok” ikke godt nok. Man ville ikke bruge en schweizerkniv til operationer, medmindre man havde ingen anden mulighed. Man ville ønske et præcisionsværktøj.

Det er forskellen med en specialbygget model som Language Weaver Pro. Vi prøver ikke at gøre alt. Vi fokuserer på at gøre én ting ekstraordinært godt – leverer nøjagtig, pålidelig oversættelse i stor målestok.

Det niveau af specialisering bliver mere essentiel. Spillet er for højt for generelle værktøjer. Virksomheder har brug for oversættelser, de kan stole på – indhold, der er klart, handlerbart og nøjagtigt hver gang.

Samarbejdet med Cohere bringer sprog-ekspertise og sikker AI-infrastruktur sammen. Hvordan er systemet designet til at balancere præstation, privatliv og implementeringsfleksibilitet på tværs af cloud, lokale og hybride miljøer?

Det samarbejde er fundamentalt for vores strategi, fordi det var arkitekteret omkring en kerneprincip, der siger, at verdensklasse-AI må tilpasse sig kundens sikkerhedsstilling, ikke omvendt. Vi nægter at tvinge virksomheder ind i en én-størrelse-til-alles offentlig cloud-model.

Vores design opnår denne balance ved at adskille AI-modellen fra den infrastruktur, den kører på. Cohere giver os den nyeste AI-model, og vi giver den lingvistiske ekspertise og implementeringsfleksibilitet, vi allerede er kendt for. Dette giver os mulighed for at implementere disse performante, flydende modeller, hvor vores kunders data befinder sig. For en bank eller efterretningstjeneste betyder det, at de kan køre det fuldstændigt isoleret på deres egne lokale maskiner. For en sundhedsudbyder kan det være i deres dedikeret private cloud for at opfylde HIPAA-reglerne. Og for en global teknologivirksomhed kan en hybridmodel give præstation og fleksibilitet på tværs af regioner, samtidig med at de opretholder datasikkerhed, hvor de har brug for det.

Nøglen er, at kunden altid er i kontrol. De får fuld præstation af branchens største, mest avancerede oversættelsesmodel uden nogensinde at skulle gå på kompromis med deres dataprivatliv eller compliance-krav. Vi leverer kraften til deres periferi.

En af de største risici for virksomheder er oversættelser, der ser korrekte ud, men indeholder subtile fejl. Hvordan identificerer og reducerer platformen disse risici, især i højt-spændings-scenarier?

Dette er en grundlæggende fejl i generelle formål-AI, og som en virksomhed, der specialiserer sig i Sprogintelligens, forstår vi, at dette er en uacceptabel risiko. Plausibelt-lydende nonsens er en byrde, ikke en aktiv.

Vi søger at mindske denne risiko på flere måder. Først er vores modeller ikke trænet på det ufiltroede offentlige internet. De er bygget på en grundlæggelse af fire årtiers højkvalitets, menneske-oversatte og domænespecifikke lingvistiske data. Dette lærer modellen at være korrekt, ikke bare flydende. Den lærer den korrekte måde at oversætte komplekse juridiske klausuler og præcise medicinske instruktioner, fordi den har lært fra rent data, ikke internet-snak.

Vi giver også vores kunder direkte kontrol over output. Gennem terminologistyring og feedback kan de låse den korrekte oversættelse for deres mest kritiske og tvetydige termer. Det sikrer, at en specifik patentkrav eller en lægemiddelinteraktion udtrykkes med den korrekte oversættelse hver gang.

Til sidst lukker vi cirklen. Vores systemer er designet til at integrere menneskelig ekspertise til gennemgang og forbedring. Denne konstante feedback fra eksperthold og kundens egne gennemgang giver en cyklus af kontinuerlig forbedring, der fanger de meget nuancer og subtile fejl, generelle modeller er blinde for.

Med stærk konkurrence fra værktøjer som DeepL og Google’s Gemini, ser de fremtiden for AI-oversættelse skifte mod domænespecifikke modeller, og hvad betyder det for det bredere AI-økosystem?

Lad mig svare på dette med en anekdote. Vi har en kunde, en stor navn i computing, der arbejder med flere oversættelsesleverandører. Vi arbejder med det meste af deres portefølje, og en af de vigtigste årsager, de vælger os, er, at når noget ikke er i orden, kan vi fikse det. Koreansk teknisk terminologi ikke helt på plads? Vi har et hold til det. Tyske numeriske problemer? Vi har mennesker, der kan hjælpe.

Det er det bredere punkt. Vi forventer, at fremtidig fremgang i AI kommer mindre fra ren model-fremgang og mere fra løsninger, der kan udnytte relevant kontekst – lingvistisk, kulturel og domænespecifik. RWS, gennem sin omfattende produktportefølje, årtiers proprietære data og dybe kunderelationer, har adgang til netop den slags kontekst. Generelle leverandører kan matche en model-benchmark, men de kan ikke replikere det. Fremtiden tilhører leverandører, der kombinerer frontiers AI med menneskelig og institutionel ekspertise for at gøre det fungere i den virkelige verden – og det er præcis, hvor vi sidder.

Tak for det gode interview, enhver, der ønsker at lære mere, skal besøge RWS.