Stefan Mesken, Chief Scientist at DeepL – Σειρά Συνεντεύξεων

Stefan Mesken, Chief Scientist at DeepL, έχει περάσει πάνω από πέντε χρόνια στη DeepL, προωθώντας την πυρήνα έρευνας και επιστημονικής ηγεσίας, αρχίζοντας ως Ερευνητικός Επιστήμονας τον Οκτώβριο του 2020, προχωρώντας στο VP της Έρευνας τον Νοέμβριο του 2023 και αναλαμβάνοντας το τρέχον του ρόλο τον Απρίλιο του 2025 στο Μόναχο. Πριν από τη DeepL, εργάστηκε ως Επιστήμονας Δεδομένων στη real.digital στην περιοχή του Κολωνίας-Βόννης και διεξήγαγε έρευνα στη μαθηματική λογική στο Πανεπιστήμιο του Μύνστερ. Η καριέρα του γεφυρώνει την θεμελιώδη μαθηματική έρευνα και την εφαρμοσμένη τεχνητή νοημοσύνη, τοποθετώντας τον σε θέση να οδηγήσει την επιστημονική κατεύθυνση πίσω από τα μεγάλης κλίμακας γλωσσικά μοντέλα και τα πολυγλωσσικά συστήματα τεχνητής νοημοσύνης της DeepL.

DeepL είναι eine γερμανική εταιρεία τεχνητής νοημοσύνης που επικεντρώνεται στην κατασκευή προηγμένων γλωσσικών συστημάτων τεχνητής νοημοσύνης που επιτρέπουν ακριβείς, контекστο-ευαίσθητες μεταφράσεις και επικοινωνίες σε πάνω από 100 γλώσσες. Ιδρυθείσα το 2017 και με έδρα την Κολωνία, η εταιρεία εξυπηρετεί εκατομμύρια χρήστες παγκοσμίως και παρέχει λύσεις επιχειρηματικού επιπέδου μέσω συνδρομών και προσφορών API. Η πλατφόρμα της έχει επεκταθεί πέρα από τη μετάφραση σε ένα ευρύτερο σύνολο γλωσσικής τεχνητής νοημοσύνης, συμπεριλαμβανομένης της βοήθειας γραφής και των φωνητικών ικανοτήτων, σχεδιασμένων για την υποστήριξη ασφαλούς, κλιμακωτής επικοινωνίας για τις παγκόσμιες επιχειρήσεις και οργανισμούς.

Ξεκινήσατε την καριέρα σας στη μαθηματική λογική πριν μεταπηδήσετε στην εφαρμοσμένη επιστήμη δεδομένων και τελικά στην ηγεσία της ερευνητικής οργάνωσης της DeepL. Όταν κοιτάζετε πίσω, πώς επηρέασε η πρώιμη δουλειά σας στη формική λογική τον τρόπο με τον οποίο σκέφτεστε τώρα για την κατασκευή αυτόνομων, επιχειρηματικών συστημάτων τεχνητής νοημοσύνης;

Αυτό που με drew στην περιοχή της θεωρίας συνόλων και της μαθηματικής λογικής από την αρχή ήταν μια αμείωτη περιέργεια να μάθω πώς λειτουργούν αυτά τα σύνθετα συστήματα – από τις πρώτες αρχές και σε όλο και μεγαλύτερο βάθος. Αυτή η περιέργεια έχει παραμείνει σταθερή στη ζωή μου από την παιδική ηλικία. Είναι επίσης το μέρος της δουλειάς μου που αγαπώ περισσότερο. Τώρα, η πρόκληση είναι να προωθήσουμε την κατάσταση της ανάπτυξης της τεχνητής νοημοσύνης με έντονη εστίαση στην πρακτική χρησιμότητα. Πέρα από την ασφάλεια και την εμπιστοσύνη, αφιερώνω το χρόνο μου για να διασφαλίσω ότι οι επιχειρήσεις και οι χρήστες όλων των ειδών θα επωφεληθούν από αυτή την απίστευτη τεχνολογία. Μέχρι τώρα, η τάση ήταν διαφορετική: Η περισσότερη χρήση της τεχνητής νοημοσύνης στη πραγματική ζωή είναι είτε εντελώς παθητική (π.χ. συστήματα συστάσεων που καταναλώνετε αλλά δεν ελέγχετε) ή κυρίως χρησιμοποιείται από υψηλά εκπαιδευμένους, τεχνικούς ανθρώπους (π.χ. βοηθοί προγραμματισμού). Θέλω να κλείσω αυτό το χάσμα: Κάθε άτομο και εταιρεία πρέπει να είναι έτοιμο για επιτυχία και να μπορεί να επαναπροσδιορίσει τον τρόπο με τον οποίο προσεγγίζει τη δουλειά.

Η DeepL έχει κατασκευάσει τη φήμη της σε υψηλής ακρίβειας μετάφραση. Πώς αυτή η βάση στη γλωσσική μοντελοποίηση σχήμασε την πρώιμη σκέψη της εταιρείας για την κίνηση πέρα από τη μετάφραση σε πιο γενικά συστήματα τεχνητής νοημοσύνης;

Αυτό που κάνει την τεχνητή νοημοσύνη τόσο μαγική είναι ότι πολύ παρόμοιες έννοιες και ιδέες μπορούν να οδηγήσουν σε νέες λύσεις σε πολύ διαφορετικά πεδία: μηχανές σκακιού, συστήματα συστάσεων, πτύχωση πρωτεϊνών, αυτονομικά οχήματα, μηχανές μετάφρασης και πολλά άλλα. Όλα αυτά λειτουργούν με το ίδιο σύνολο αρχών και τεχνικών. Έχοντας εξασφαλίσει αυτές τις τεχνικές για σχεδόν μια δεκαετία τώρα, φυσικά σκεφτόμαστε για νέα προβλήματα να εστιάσουμε. Εσωτερικά, αυτό ήταν πάντα το caso, οδηγώντας στην εφεύρεση του Λεξικού, Γράφω, Φωνή, Προσωποποίηση Κέντρου και πολλά άλλα.

Ως Chief Scientist, πώς διακρίνετε μεταξύ της κατασκευής γλωσσικών μοντέλων που παράγουν ροή εξόδου και της κατασκευής συστημάτων που μπορούν να λειτουργούν με αξιοπιστία μέσα σε πραγματικές επιχειρηματικές ροές εργασίας;

Οι βασικές ιδέες είναι αξιοπρεπώς παρόμοιες: Chúng tôi πρέπει να κατανοήσουμε σε βάθος τι θέλουν οι χρήστες μας και στη συνέχεια να ευθυγραμμίσουμε τα συστήματα τεχνητής νοημοσύνης μας με αυτούς τους στόχους και τις προτιμήσεις. Κάποιες φορές, είναι σαφείς και ρητές· άλλες φορές, είναι νюανσированные και ανείπωτες. Σε κάθε περίπτωση, είναι η δουλειά μας να διασφαλίσουμε ότι η δουλειά που παράγουμε έχει υψηλή αξία για τους χρήστες μας.
Η DeepL έχει πάντα ξεχωρίσει σε αυτή την περιοχή λόγω του εστιασμού μας στην ικανοποίηση του πελάτη. Δεν κυνηγούμε τεχνητά βραχιολικά ή ακαδημαϊκές δημοσιεύσεις – κυνηγούμε την ικανοποίηση του πελάτη. Αυτό δεν ήταν ποτέ πιο σημαντικό από τώρα, καθώς επεκτείνουμε τον ορίζοντά μας και βοηθάμε τους ανθρώπους με την καθημερινή τους δουλειά.

Το DeepL Agent αντιπροσωπεύει μια μετατόπιση από τη βοηθητική τεχνητή νοημοσύνη στην αυτόνομη εκτέλεση. Ποια ήταν τα μεγαλύτερα τεχνικά προβλήματα στη μετάβαση αυτή για να λειτουργήσει στην πράξη;

Από μακρού, η μεγαλύτερη πρόκληση στη κατασκευή του DeepL Agent είναι η χρηστικότητα. Για χρόνια, το οικοσύστημα της τεχνητής νοημοσύνης έχει εξυπηρετήσει κυρίως τους προγραμματιστές λογισμικού και τους υψηλά τεχνικούς εμπειρογνώμονες. Με το DeepL Agent, στοχεύουμε να αλλάξουμε αυτό και να εξοπλίσουμε κάθε γνώστη εργασίας με sophistikated εργαλεία για να λύσουν και να αυτοματοποιήσουν σύνθετα προβλήματα. Για να επιτύχουμε αυτό, χρειαζόμαστε το ίδιο επίπεδο sophistikation στη αναγνώριση, τη λογική, τη σχεδίαση και την ενέργεια. Αντί να παρουσιάζουμε στους χρήστες ένα πλούσιο αλλά σύνθετο σύνολο εργαλείων, έχουμε εργαστεί σκληρά για να δημιουργήσουμε μια συνοχή, ομαλή και εύκολη λύση για την ολοκληρωμένη βοήθεια και την αυτοματοποίηση της ροής εργασίας.

Από μια αρχιτεκτονική προοπτική, ποια χαρακτηριστικά πρέπει να υπάρχουν πριν από ένα σύστημα τεχνητής νοημοσύνης να μπορεί να εμπιστεύεται να λειτουργεί αυτόνομα σε επιχειρηματικά περιβάλλοντα;

Για μια ευρεία γκάμα διοικητικών εργασιών, η τεχνολογία είναι ήδη εδώ. Το DeepL Agent μπορεί να λειτουργήσει με αξιοπιστία στο περιβάλλον σας, να ζητήσει συμβουλή όταν χρειάζεται και να προσφέρει ανθρώπινη επαλήθευση όποτε επιθυμητό. Αυτό το επίπεδο συνθετικής νοημοσύνης ήταν καθαρό μύθο πριν από λίγους μήνες. Ωστόσο, υπάρχει ακόμη ένας μακρύς δρόμος να διανυθεί. Τα επόμενα χρόνια, τα συστήματα τεχνητής νοημοσύνης θα γίνουν ένα οριζόντιο επίπεδο στις επιχειρήσεις — εργαζόμενα αδιάκοπα στο παρασκήνιο, συνεργαζόμενα με ανθρώπους και τα άλλα για να εξαλείψουν τη δουλειά και να ενδυναμώσουν μας να λύσουμε προβλήματα που προηγουμένως ήταν εκτός φάσματος.

Έχετε μιλήσει για τη βαθιά γλωσσική κατανόηση ως προαπαιτούμενο για υπεύθυνους πράκτορες. Τι σημαίνει “βαθιά” σε αυτό το контέκστ beyond επιφανειακής ροής;

Η γλώσσα είναι αξιοπρεπώς αμφίσημη και контекστο-εξαρτώμενη — ιδιαίτερα σε επαγγελματικά πεδία. Πιθανότατα έχετε βιώσει αυτό το ίδιο: ακούγοντας μια ομάδα φίλων να συζητούν ένα χόμπι που δεν μοιράζεστε ή μια επαγγελματική ειδίκευση που δεν έχετε εμπειρία σε αυτή… Μπορεί να μην έχει νόημα για τους εξωτερικούς, αλλά κάποιο τρόπο, κατανοούν το ένα το άλλο απόλυτα. Θέλουμε η βοήθεια της τεχνητής νοημοσύνης να feels σαν να μιλάτε με έναν έμπειρο, αξιόπιστο συνεργάτη με τον οποίο μοιράζεστε χρόνια συνεργασίας. Οι άρρητες προτιμήσεις πρέπει να παραμείνουν άρρητες. Δεν πρέπει να εξηγήσετε επανειλημμένα πώς θέλετε να γίνει η δουλειά. Αυτό μπορεί να φαίνεται προφανές, αλλά απαιτεί τεράστια έρευνα για να το κάνουμε σωστά. Αυτό είναι αυτό που εννοώ με “βαθιά” γλωσσική κατανόηση.

Πώς προσεγγίζετε τα μέτρα ασφαλείας και την εποπτεία όταν αναπτύσσετε αυτόνομα συστήματα που μπορούν να λάβουν πραγματικές ενέργειες αντί να κάνουν μόνο συστάσεις;

Για να λειτουργήσει η βοήθεια της τεχνητής νοημοσύνης σε επιχειρηματικά περιβάλλοντα, πρέπει να ισορροπήσουμε προσεκτικά την ικανότητα με τον έλεγχο. Μεγαλύτερη ικανότητα δημιουργεί τεράστιες ευκαιρίες για παραγωγικότητα, αλλά αν αφήνεται ανεξέλεγκτη, γίνεται ένα πρόβλημα. Αυτό δεν μπορεί να συμβεί. Από την πρώτη ημέρα, το DeepL Agent έχει εξοπλιστεί με μέτρα ασφαλείας επιχειρηματικού επιπέδου, εφαρμοσμένα σε πολλές μορφές. Οι κοινές εργασιακές περιοχές δίνουν στους χρήστες ακριβή έλεγχο над τα δεδομένα και την πρόσβαση, ενώ ενεργοποιούν τα ίχνη ελέγχου, την ανθρώπινη εποπτεία και την ανθρώπινη επαλήθευση. Επιπλέον, οι διαχειριστές συστήματος έχουν λεπτομερή έλεγχο над τα συστήματα που το DeepL Agent μπορεί να πλοηγηθεί και μηχανισμούς για να ειδοποιήσουν τα υποκείμενα εργαλεία όταν λειτουργούνται από τον πράκτορα.

Τι μαθήματα έχετε μάθει σχετικά με την κίνηση ιδεών από την έρευνα στην παραγωγή χωρίς να θυσιάζετε την αξιοπιστία ή την επιστημονική πειθαρχία;

Το χάσμα μεταξύ έρευνας και ανάπτυξης προϊόντων είναι ευρύτερο από ό,τι πιστεύεται συνήθως. Και τα δύο ξεκινούν με μια αυστηρή προσέγγιση για την επίλυση προηγουμένως αδιάλυτων προβλημάτων και μια μελετημένη εγγραφή του τι λειτουργεί και τι όχι. Ενώ η έρευνα μπορεί να απλοποιήσει το πεδίο και να υποθέσει ένα απλούστερο μοντέλο του κόσμου, η ανάπτυξη προϊόντων πρέπει να λάβει υπόψη την πολυπλοκότητα του πραγματικού контέκστου των χρηστών. Στη βοήθεια της τεχνητής νοημοσύνης, η χρήση εργαλείων είναι ένα πρώτο παράδειγμα. Είναι σαγηνευτικό να υποθέσουμε ότι τα περιβάλλοντα θα είναι πάντα προετοιμασμένα για αυτοματοποίηση, με πρόσβαση συστήματος ταξινομημένη και API έτοιμα. Η πραγματικότητα διαφέρει. Όπως τα αυτονομικά οχήματα πρέπει να χειριστούν την πλήρη πολυπλοκότητα της σημερινής υποδομής, τα συστήματα τεχνητής νοημοσύνης πρέπει να λειτουργούν αποτελεσματικά μέσα στα πρότυπα πρόσβασης, τα δεδομένα και τα συστήματα που βασίζονται οι επιχειρήσεις.

Όταν η DeepL επεκτείνει από μια εστιασμένη γλωσσική πλατφόρμα σε ένα ευρύτερο επιχειρηματικό σύστημα τεχνητής νοημοσύνης, πώς αποφασίζετε ποια ικανότητες πρέπει να παραμείνουν στενά ελεγχόμενες και ποια πρέπει να εκτεθούν για πιο αυτόνομη συμπεριφορά;

Το επίπεδο ελέγχου που απαιτείται για μια εργασία καθορίζεται από δύο παράγοντες: την αξιοπιστία του ανθρώπου ή του συστήματος που την εκτελεί και την πιθανή επίδραση των λαθών. Αυτό ισχύει εξίσου για την ανθρώπινη και την μηχανική εκτέλεση. Η αξιοπιστία της τεχνητής νοημοσύνης έχει αυξηθεί τεράστια τα τελευταία χρόνια και θα συνεχίσει να βελτιώνεται. Ως εκ τούτου, ο στενός έλεγχος θα είναι απαραίτητος για λιγότερες και λιγότερες εργασίες. Τελικά, η αξιοπιστία της τεχνητής νοημοσύνης θα υπερβεί ακόμη και τα επίπεδα εμπειρογνωμόνων ανθρώπων για πολλές εργασίες. Αυτό ισχύει επίσης για τα μηχανισμοί ελέγχου, οι οποίοι θα μετατοπιστούν όλο και περισσότερο στην εποπτεία της τεχνητής νοημοσύνης. Εσωτερικά, το DeepL Agent ήδη το κάνει αυτό, ζητώντας βοήθεια από τους χρήστες όταν δεν είναι δυνατή η αυτοδιόρθωση.

Κοιτάζοντας μπροστά, ποια прорывτά σε γλωσσική κατανόηση ή σχεδιασμό πράκτορα πιστεύετε ότι θα διαμορφώσουν πιο ισχυρά την επιχειρηματική τεχνητή νοημοσύνη τα επόμενα δύο χρόνια;

Τα συστήματα τεχνητής νοημοσύνης δεν θα βοηθήσουν μόνο με ατομικές εργασίες. Θα σχηματίσουν ένα συνεργατικό επίπεδο παραγωγικότητας στις επιχειρήσεις που λειτουργεί για λογαριασμό μας για να μειώσει τις διαταραχές, να ετοιμάσει και να επιφέρει πληροφορίες ακριβώς όταν χρειάζονται και να λύσει προβλήματα και όλο και πιο σύνθετες εργασίες完全 στο παρασκήνιο.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν DeepL.