Stefan Mesken, Chief Scientist hos DeepL – Interview Serie

Stefan Mesken, Chief Scientist hos DeepL, har brugt over fem år på at udvikle virksomhedens kerneforskning og videnskabelige ledelse, starting som Research Scientist i oktober 2020, avanceret til VP of Research i november 2023 og trådt ind i sin nuværende stilling i april 2025 i München. Før DeepL arbejdede han som Data Scientist hos real.digital i Köln-Bonn-regionen og udførte forskning i matematisk logik ved Universitetet i Münster. Hans karriere spænder over grundlæggende matematisk forskning og anvendt AI, hvilket giver ham den rette position til at lede den videnskabelige retning bag DeepL’s store sprogmodeller og multilingvale AI-systemer.

DeepL er et tysk AI-selskab, der fokuserer på at udvikle avancerede sprog-AI-systemer, der muliggør præcise, kontekstafhængige oversættelser og kommunikation på over 100 sprog. Selskabet blev grundlagt i 2017 og har hovedsæde i Köln. Det betjener millioner af brugere verden over og tilbyder virksomhedsgrads løsninger gennem abonnementer og API-ydelser. Deres platform er udvidet fra oversættelse til en bredere Language AI-suite, der inkluderer skrivehjælp og talefunktioner, designet til at understøtte sikker, skalerbar kommunikation for globale virksomheder og organisationer.

Hvordan har din tidlige arbejde med matematisk logik og formal reasoning påvirket din tilgang til at bygge autonome, virksomhedsgrads AI-systemer?

Det, der fik mig til at gå ind i feltet setteori og matematisk logik, var en uudslukkelig nysgerrighed efter at lære, hvordan disse komplekse systemer fungerer – fra grundlæggende principper og ind i stadig større dybde. Denne nysgerrighed har været en konstant i mit liv siden barndommen. Det er også det aspekt af mit arbejde, som jeg elsker mest. For tiden er udfordringen at fremme udviklingen af AI med en intens fokus på virkelighedsnær brugbarhed. Ud over sikkerhed og tillid bruger jeg min tid på at sikre, at virksomheder og brugere af alle slags kan drage fordel af denne fantastiske teknologi. Indtil nu har trenden været anderledes: De fleste virkelighedsnære AI-brug er enten fuldstændigt passive (f.eks. anbefalingsystemer, som du kan bruge, men ikke kontrollere) eller primært anvendt af højt trænede, tekniske personer (f.eks. kodestøtte). Jeg vil lukke denne åbning: Hver enkelt person og virksomhed skal være klar til succes og i stand til at revolutionere, hvordan de arbejder.

Hvordan har DeepL’s grundlæggende fokus på højpræcis oversættelse påvirket selskabets tidlige tanker om at gå ud over oversættelse og udvikle mere generelle AI-systemer?

Hvad der gør AI så magisk, er, at meget lignende koncepter og ideer kan føre til nye løsninger i vidt forskellige domæner: skakmotorer, anbefalingsystemer, protein-foldning, selvstyrende biler, oversættelsesmotorer og mange flere. De er alle drevet af samme sæt principper og teknikker. Da vi har mestret disse teknikker i næsten et årti nu, tænker vi naturligt på nye problemer at fokusere på. Internt har dette altid været tilfældet, hvilket har ført til opfindelsen af Glossary, Write, Voice, Customization Hub og mere.

Hvordan adskiller du mellem at bygge sprogmodeller, der genererer flydende output, og bygge systemer, der kan pålideligt fungere inden for virksomhedsarbejdsgange?

De grundlæggende ideer er bemærkelsesværdigt ens: Vi skal forstå i dybden, hvad vores brugere ønsker, og derefter afstemme vores AI-systemer med disse mål og præferencer. Nogle gange er de åbenlyse og eksplicitte; andre gange er de nuancerede og uudtalte. I begge tilfælde er det vores opgave at sikre, at det arbejde, vi producerer, er af høj værdi for vores brugere.

Hvad var de største tekniske udfordringer i at gøre denne overgang til DeepL Agent, der repræsenterer en skift fra assistent-AI til autonom udførelse?

Langt den største udfordring i opbygningen af DeepL Agent er brugervenlighed. I årevis har AI-økosystemet primært været rettet mod softwareudviklere og højt teknisk kyndige eksperter. Med DeepL Agent ønsker vi at ændre dette og udstyre hver enkelt videnarbejder med sofistikerede værktøjer til at løse og automatisere komplekse problemer. For at opnå dette har vi arbejdet hårdt på at skabe en samlet, ubrudt og elegant løsning til slut-til-slut-hjælp og arbejdsgangsautomatisering.

Set fra et arkitekturperspektiv, hvilke funktioner skal være på plads, før et AI-system kan betrodes til at fungere autonomt i virksomhedsomgivelser?

Til en bred vifte af administrative opgaver er teknologien allerede her. DeepL Agent kan pålideligt fungere i jeres omgivelser, søge råd, når det er nødvendigt, og tilbyde menneske-i-løkken-verificering, når det ønskes. Dette niveau af syntetisk intelligens var ren fiktion for blot få måneder siden. Alligevel er der stadig langt tilbage. Over de næste par år vil AI-agenter blive et vandret lag i virksomheder – ufortrødent arbejdende i baggrunden, samarbejdende med mennesker og hinanden for at eliminere travlhed og give os mulighed for at løse problemer, der tidligere var utilgængelige.

Du har talt om dyb sprogforståelse som en forudsætning for ansvarlige AI-agenter. Hvad mener du med “dyb” i denne kontekst ud over overfladisk flydende?

Sprog er bemærkelsesværdigt tvetydigt og kontekstafhængigt – især i professionelle domæner. Du har sandsynligvis oplevet dette selv: At lytte til en gruppe venner, der diskuterer en fritidsinteresse, du ikke deler, eller en professionel specialisering, du mangler erfaring i… Det kan ikke give mening for udefrakommende, men på en eller anden måde forstår de hinanden perfekt. Vi ønsker, at AI-hjælp skal føles lige så ubesværet som at tale med en erfaren, betroet kollega, som du har samarbejdet med i årevis. Implicitte præferencer skal forblive implicitte. Du skal ikke være nødt til at gentage, hvordan du ønsker arbejdet udført. Dette kan lyde åbenlyst, men det kræver enorm forskning for at få det rigtigt. Det er, hvad jeg mener med “dyb” sprogforståelse.

Hvordan nærmer du dig sikkerhedsforanstaltninger og tilsyn, når du implementerer autonome systemer, der kan udføre virkelige handlinger snarere end blot give anbefalinger?

Til at AI-hjælp kan fungere i virksomheds kontekster, må vi nøje afbalancere kapacitet med kontrol. Større kapacitet skaber enorme muligheder for produktivitet, men hvis det bliver utilgengiveligt, bliver det en byrde. Dette kan ikke ske. Fra dag én har DeepL Agent været udstyret med virksomhedsgrads sikkerhedsforanstaltninger, implementeret i flere former. Fælles arbejdsområder giver brugerne præcis kontrol over data og adgang, samtidig med at de driver audit-spor, menneskelig tilsyn og menneske-i-løkken-verificering. Derudover har systemadministratorene finmasket kontrol over de systemer, DeepL Agent kan navigere, og mekanismer til at underrette underliggende værktøjer, når de opereres af agenten.

Hvad har du lært om at flytte ideer fra forskning til produktion uden at ofre pålidelighed eller videnskabelig disciplin?

Afvænningen mellem forskning og produktudvikling er bredere, end man normalt tror. Begge starter med en rigorøs tilgang til at løse tidligere uløselige problemer og en omhyggelig optegnelse af, hvad der fungerer, og hvad der ikke gør. Forskning kan forenkle omfanget og antage en simplere verdensmodel, mens produktudvikling må tage højde for kompleksiteten i virkelige brugeres kontekster. I AI-hjælp er værktøjsbrug et primært eksempel. Det er fristende at antage, at miljøer altid vil være forberedt til automatisering, med systemadgang ordnet og API’er klar. Virkeligheden afviger. Ligesom selvstyrende biler må håndtere den fulde kompleksitet af i dag’s infrastruktur, må AI-agenter fungere effektivt inden for adgangsmønstre, data og systemer, som virksomheder afhænger af. Denne tidlige erkendelse ligger til grund for DeepL Agents design.

Hvordan beslutter du, hvilke funktioner der skal forblive stramt kontrollerede, og hvilke der skal være åbne for mere autonom adfærd, da DeepL udvider fra et fokuseret sprogplatform til et bredere virksomheds-AI-system?

Niveauet af kontrol, der kræves for en opgave, bestemmes af to faktorer: pålideligheden af den menneskelige eller systematiske udførelse og potentialet for fejl. Dette gælder lige så vel for menneskelig som for maskinmæssig udførelse. AI-pålideligheden er øget massivt over de seneste par år og vil fortsætte med at forbedre sig. Derfor vil stram kontrol kun være nødvendig for færre og færre opgaver. Til sidst vil AI-pålideligheden overstige selv eksperterniveau for mange opgaver. Dette gælder også for kontrolmekanismer, der vil skifte til AI-tilsyn. Internt gør DeepL Agent allerede dette, ved at bede brugerne om hjælp, når selvkorrektion ikke er mulig.

Set fremad, hvilke gennembrud i sprogforståelse eller agentdesign tror du vil have den stærkeste indvirkning på virksomheds-AI de næste to år?

AI-agenter vil ikke blot hjælpe med enkeltopgaver. De vil danne et samarbejdende produktivitetslag i virksomheder, der arbejder på vores vegne for at reducere forstyrrelser, forberede og fremme information præcis, når det er nødvendigt, og løse problemer og stadig mere komplekse opgaver fuldstændigt i baggrunden.

Tak for det store interview. Læsere, der ønsker at lære mere, kan besøge DeepL.