Sebastian Enderlein, Chief Technology Officer i DeepL – Interviewserie

Sebastian Enderlein, Chief Technology Officer i DeepL, er en europæisk født teknolog med mere end et årti af erfaring i Silicon Valley, hvor han havde senior ingeniørlederroller i virksomheder som Uber, Salesforce (CRM ) og Personio. Med en stærk baggrund i cloud-infrastruktur, distribuerede systemer og opbygning af højpræsterende ingeniørorganisationer, har han hjulpet med at skala nogle af de hurtigst voksende tech-virksomheder i både USA og Europa. I dag deler han sin tid mellem San Francisco og Europa, hvor han fungerer som CTO i DeepL, samtidig med at han rådgiver og investerer i startups, med fokus på at løse komplekse tekniske udfordringer og hjælpe scale-ups på deres vej til at blive enhjørninger.

DeepL, lanceret i 2017, er en neural maskinoversættelsestjeneste, der er kendt for at levere meget præcise og naturligt lydende oversættelser på mere end 30 sprog. Ved hjælp af avancerede neurale netværk og proprietære AI-forbedringer, overgår den konstant konkurrenterne i flyd og præcision. Tilgængelig via web, desktop- og mobilapps, browser-udvidelser og API, tilbyder DeepL også en Pro-version med virksomhedsklassefunktioner, ubegrænset brug og forbedret sikkerhed.

DU har tilbragt tid med at bygge ingeniørhold på begge sider af Atlanterhavet – Silicon Valley og Europa. Hvad personlige lærepenge har formet din tilgang til ledelse og innovation over disse meget forskellige tekniske økosystemer?

Begge økosystemer har deres unikke styrker og karakteristika, og jeg er taknemlig for at have fået dyb indsigt og erfaring i begge kulturer. I Silicon Valley er der en spændende startup-kultur med højmotiverede, globalt diverse ingeniører, der jagter store idéer, bakket op af en mentalitet, der bevæger sig hurtigt og omfatter dristige risici. Der er også meget pres, og tempoet kan være intensivt – virksomheder har ofte ambitiøse visioner, skalerer hurtigt og enten lykkes eller fejler hurtigt. Min tid der har lært mig meget om at skala hold og teknologi hurtigt, og om, hvordan man balancerer ambition med de pres, som tempoet kan bringe.

I Europa er der også stærk talent, idéer og innovation med hold, der ofte er flersprogede og multikulturelle, og der er en tydelig fokus på sikkerhed, overholdelse og præcision. Kontinentets diversitet kan være en styrke, der bringer rigelige perspektiver, men også en udfordring med fragmenterede markeder, varierende retssystemer og højere krav til overholdelse. Jeg har også bemærket, at startups der er mere tilbøjelige til at selvfinansiere, hvilket kan nogle gange langsommere vækst, men også bygger resilience og langsigtede muligheder. For DeepL har det at have vores rødder i Europa været en tydelig styrke. Det har formet vores fokus på præcision, sikkerhed og kulturel nuance, hvilket hjælper os med at skille os ud som en leder i det hurtigt skiftende AI-landskab.

Hvad motiverede dig til at tilslutte dig DeepL som CTO efter din tid i Personio og din erfaring med virksomheder som Uber og Salesforce?

Da jeg første gang mødte Jarek, DeepL’s CEO og grundlægger, sammen med resten af ledelsesholdet, blev jeg straks draget til deres klare vision og passion for at løse et virkelig meningsfuldt problem med AI. DeepL bygger ikke bare cool AI-teknologi for innovationens skyld. De er laserfokuserede på at bygge produkter, der løser virkelige, daglige problemer for mennesker og virksomheder – og de er passionerede om det. Denne fornemmelse af formål og potentiale, og virksomhedens kultur, der er så dybt rodnet i praktisk innovation og virkelige resultater, var en stor motivator for mig og gjorde mig begejstret for at tilslutte mig holdet. Jeg har set effekten af målrettet hold under min tid i Personio, Uber og Salesforce.

Som en person, der tilbringer meget tid på begge sider af Atlanterhavet, stod virksomhedens mission om at bryde sprogbarriererne også ud til mig. DeepL løser en meget virkelig udfordring, som mennesker og virksomheder overalt står overfor; en udfordring, som jeg både har oplevet personligt og også set førstehånds. Enten det er globale hold, der forsøger at samarbejde mere effektivt, eller virksomheder, der søger at vokse ind i nye markeder, kan sprogbarrierer langsommere alt ned. Så jeg var også begejstret over muligheden for at tilslutte mig holdet og hjælpe med at tackle denne udfordring på en meningsfuld måde.

Lad os tale om Clarify. Det er ikke bare en oversætter – det er interaktivt, kontekstuel og adaptivt. Hvad var den oprindelige gnist til at udvikle det, og hvordan løfter det grænserne for, hvad sprog-AI kan gøre?

Et stort fokus for os i år har været at se på, hvordan vi kan forbedre de produkter, vi tilbyder gennem vores Language AI-platform – fra DeepL Oversætter til vores realtids taleoversættelsesløsning, DeepL Voice – så de kan blive endnu mere personlige, samarbejdende og intuitive. Vi ønsker, at DeepL-oplevelsen skal føles mindre som traditionel software og mere som at arbejde med en smart samarbejdspartner, og det er præcis, hvad Clarify leverer.

Sprog er utroligt nuancerede. Ord og sætninger kan have multiple betydninger, kulturelle implikationer eller grammatiske variationer, som f.eks. kønsbestemte navne eller idiom, der ikke oversættes renligt. Clarify, der er tilgængelig via DeepL Oversætter, blev bygget for at hjælpe vores kunder med at navigere disse kompleksiteter, og fungerer som en interaktiv AI-sprog-ekspert, der engagerer sig direkte med brugerne for at løse tvetydighed og fremhæve dybere kontekst. F.eks. vil Clarify hjælpe med at bestemme, om “bank” i en sætning kan referere til en flod eller en finansielle institution, eller om at oversætte “professoren” uden at vide kønnet.

Det, der er spændende ved Clarify, er, at det transformerer DeepL-oversættelsesprocessen fra en envejs input-output-model til et sandt samarbejde. I stedet for at modtage resultater passivt, interagerer brugerne med Clarify under hele processen. Værktøjet vil proaktivt foreslå redigeringer og forslag, så du kommer til det mest præcise resultat sammen.

En af de mest fascinerende aspekter af Clarify er dets evne til at registrere tvetydighed og bede brugere om klarhed. Hvordan definerer du teknisk “tvetydighed” på en måde, som en maskine kan genkende og handle på?

Det er et godt spørgsmål – tvetydighed er en kendt udfordring i maskinoversættelse, men er ofte overset eller undgået, fordi det kan være svært at forstå brugerens intention i realtid. Men tvetydighed kan fuldstændigt ændre betydningen af en oversættelse, afhængigt af, hvordan du forstår input. For at løse dette har vores forskere samarbejdet tæt med sprog-eksperter for at identificere tilfælde, hvor dette sker, og udvikle systemer, der kan reagere derefter.

DeepL har en ry for præcision, men nu bevæger det sig ind i personliggørelse og samarbejde. Hvordan balancerer du modelpræstation med brugeroplevelse for at sikre, at AI ikke blot giver “en” oversættelse – men den rigtige for den pågældende bruger?

Som du siger, er den “rigtige” oversættelse ikke altid universal. Den afhænger af kontekst, sprogpar og brugsområde. En virksomhed kan kræve specifik intern terminologi, mens en anden kan have brug for at fange en bestemt tone eller nuance. For os er præcision og personliggørelse ikke separate mål, men arbejder sammen for at sikre kvalitet.

I DeepL, når vi tænker på kvalitet, er vi fokuserede på at levere oversættelser og output, der er teknisk præcise og kontekstuel passende, men som også er i overensstemmelse med brugerens intention. Vores Language AI-platform afspejler dette – vi kombinerer avanceret modelpræstation med smart brugeroplevelse for at sikre, at vores kunder modtager oversættelsesoutput, der virkelig passer deres behov.

Mange almindelige modeller mangler, når det kommer til sprog-nuancer og kulturel kontekst. Hvad gør DeepL’s modeller forskellige, og hvorfor er specialisering en kritisk fordel?

Modellerne, der driver vores Language AI-platform, er specialbyggede til oversættelse og skrivning. Denne fokus giver os en betydelig fordel i at fange nuancer, kontekster og toner på tværs af sprog, hvilket er kritisk i forretningsområder, hvor præcision er afgørende.

I modsætning til almindelige modeller, der er trænet på bredt internetdata, er DeepL’s proprietære LLM’er trænet på 7+ års domænespecifik indhold og undergår yderligere finjustering af tusinder af professionelle lingvister. Denne specialisering giver os mulighed for at konsekvent levere højere kvalitet og pålidelighed. I blinde tests i 2024 fandt professionelle oversættere, at vores næste generations LLM krævede 2-3 gange færre redigeringer end Google (GOOGL ) eller ChatGPT for at opnå samme kvalitet. Det er derfor, at mere end 200.000 virksomheder verden over stoler på DeepL. I felter som jura, tech, sundhedsvesen og marketing kan små fejl i oversættelsen have alvorlige konsekvenser. Kvalitet og præcision er ikke valgfrie.

Fra din tid med at lede cloud-infrastruktur i Uber til at lede ingeniørarbejde i Personio og nu DeepL, hvad har været den største tekniske udfordring, du har stået overfor – og hvad lærte du af det?

Fra et menneskeligt perspektiv har den største udfordring været at lede hold gennem lange faser af hypervækst, finde den rette balance mellem at bevæge sig hurtigt og blive effektiv, samt sikre, at nye ansættelser bliver godt integreret, forstår virksomhedens mission og har muligheder for at vokse. En stor lærepenge, jeg har lært der, var at undgå pendulsvinget mellem ekstremener. At skifte hurtigt fra “vækst til enhver pris” til “høj effektivitet” er hårdt for en organisation, og at mere end fordoble en teknisk afdeling på et år kan uvægerligt skabe spændinger – jeg har siden sat det som en omtrentlig øvre grænse.

Fra et teknisk perspektiv har jeg tilbragt meget af min karriere med at skala tekniske stakke i skyen og på tværs af verden, og har haft at gøre med komplekse problemer omkring konsistens og pålidelighed for nogle af de mest populære tjenester på planeten. Jeg har lært, at over-arkitektur er et alvorligt problem, og at “over-platformning” kan lamme en organisation og gøre det sværere at nå til bunds i kundeeffekten – med AI, der accelererer forretningsfrekvensen endnu mere, kan virksomheder nu nå $100M ARR på under et år, og hold ser uhørt produktivitetsgevinster – fokus og enkelhed er mere vigtige end nogensinde.

DeepL betjener nu over 200.000 virksomheder og regeringsinstitutioner. Hvordan fastholder du balancen mellem virksomhedsreliabilitet og innovation i hastighed?

Det er en balance, vi tænker over hele tiden. Vores forretningskunder afhænger af DeepL til kritisk, højrisiko-kommunikation, så pålidelighed, sikkerhed og tillid er virkelig afgørende. Samtidig ved vi, at innovation ikke kan gå i stå… AI-industrien bevæger sig i lynets fart! Nøglen er, på en måde, fokus. Når det kommer til vores Language AI-platform, er vi fokuserede på at løse komplekse sprogproblemer med høj præcision og præcision. Denne fokus giver os mulighed for at bevæge os hurtigt uden at gå på kompromis med kvalitet.

Vi er også meget tilpasningsdygtige. Vi kan introducere nye funktioner eller funktioner, der leverer fremadskuende løsninger, der skyder industrien fremad, samtidig med at vi fastholder den virksomhedsgrad af kvalitet, præcision og ydeevne, som vores kunder kender os for og fortsat forventer. Et godt eksempel på dette er den seneste udvidelse af DeepL Voice: vi har lige annonceret, at det nu tilbyder support for taleinput fra kinesisk, ukrainsk og rumænsk, samt forbedrede mødeproduktivitetsfunktioner og en stor kommende integration med Zoom-møder, som er rigtig spændende.

Til sidst, hvad tror du, fremtiden holder for sprog-AI?

Sprog-AI er allerede i gang med at forandre, hvordan vi, som virksomheder, ansatte og mennesker, kommunikerer globalt, og muliggør dybere forbindelse og samarbejde på tværs af forretningsområder, kulturer og brancher. Vi bevæger os mod en fremtid, hvor virksomheder af alle størrelser kan operere og vokse internationalt uden at blive begrænset af sprogbarrierer, og åbner døren til en mere forbundet, inklusiv verden og økonomi.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Deepl.