Stefan Mesken, DeepL:n päätietsija – Haastattelusarja

Stefan Mesken, DeepL:n päätietsija, on viettänyt yli viisi vuotta DeepL:llä edistäen sen keskeistä tutkimusta ja tieteellistä johtajuutta, alkaen tutkijana lokakuussa 2020, edeten tutkimuksen varapuheenjohtajaksi marraskuussa 2023 ja siirtyen nykyiseen rooliinsa huhtikuussa 2025 Münchenissä. Ennen DeepL:ää hän työskenteli data-tutkijana real.digitalissa Köln-Bonnin alueella ja suoritti tutkimusta matemaattisesta logiikasta Münsterin yliopistossa. Hänen uransa yhdistää perustavanlaatuista matemaattista tutkimusta ja soveltavaa tekoälyä, mikä mahdollistaa hänen johtamisensa DeepL:n laajamittaisissa kielimallien ja monikielisen tekoälyn järjestelmissä.

DeepL on saksalainen tekoälyyritys, joka keskittyy kehittämään edistyneitä kielitekoälyjärjestelmiä, jotka mahdollistavat tarkan, kontekstiherkän käännöksen ja viestinnän yli 100 kielen välillä. Perustettu vuonna 2017 ja pääkonttori Kölnissä, yritys palvelee miljoonia käyttäjiä maailmanlaajuisesti ja tarjoaa yritysluokan ratkaisuja tilaus- ja API-tarjoajina. Sen alusta on laajentunut käännöksen ulkopuolelle laajempaan kieli-tekolyratkaisuun, johon kuuluvat kirjoittamisen apu ja ääniohjauksella varustettu tekoäly, joka on suunniteltu tukemaan turvallista, skaalautuvaa viestintää globaaleille yrityksille ja organisaatioille.

Milloin aloitit urasi matemaattisessa logiikassa ennen siirtymistä soveltavaan data-tieteeseen ja lopulta DeepL:n tutkimusorganisaation johtoon. Miten tuo varhainen työ formaalisen päättelyn parissa vaikuttaa siihen, miten ajattelet autonomisten, yritysluokan tekoälyjärjestelmien rakentamisesta?

Mikä minua alun perin kiinnosti matemaattisen logiikan ja joukkoteorian parissa, oli ääretön uteliaisuus oppia, miten nämä monimutkaiset järjestelmät toimivat – alkuperäisistä periaatteista ja yhä syvemmin. Tuo uteliaisuus on ollut jatkuvasti läsnä elämässäni lapsesta lähtien. Se on myös se puoli työstäni, josta pidän eniten. Tällä hetkellä haaste on edistää tekoälyn kehitystä todellisen käytännön käytettävyyden kanssa. Turvallisuuden ja luotettavuuden lisäksi omistautun sille, että yritykset ja kaikenlaiset käyttäjät pääsevät hyötymään tästä uskomattomasta teknologiasta. Tähän asti trendi on ollut toinen: Useimmat tekoälyn sovellukset ovat joko täysin passiivisia (esim. suositussysteemit, joita voit kuluttaa, mutta joita et voi hallita) tai pääasiassa teknisesti koulutettujen ihmisten käytössä (esim. koodausavustajat). Haluan tasoittaa tämän kuilun: Jokainen yksilö ja yritys tulisi olla valmis menestykseen ja pystyä vallankumoukseen työskentelytapansa uudelleen.

DeepL on rakentanut maineensa korkean tarkkuuden käännöksillä. Miten tuo perusta kielimallinnuksessa muovasi yrityksen varhaisen ajattelutavan siirtymisestä käännöksestä yleisempiin tekoälyjärjestelmiin?

Mikä tekee tekoälystä niin maagista, on se, että hyvin samankaltaiset käsitteet ja ideat voivat johtaa uusiin ratkaisuihin hyvin erilaisilla aloilla: shakki-ohjelmat, suositussysteemit, proteiinien laskenta, itseohjautuvat autot, käännösmoottorit ja monet muut. Ne kaikki perustuvat samoihin periaatteisiin ja tekniikoihin. Hallitsemme näitä tekniikoita jo melkein vuosikymmenen ajan, ja luonnollisesti ajattelemme uusia ongelmia, joihin voimme keskittyä. Sisäisesti tämä on aina ollut tapana, mikä on johtanut keksintöihin kuten Glossary, Write, Voice, Customization Hub ja moniin muihin.

Kuinka erottuu kielimallien rakentaminen, joka tuottaa sulavaa tulostetta, ja järjestelmien rakentaminen, jotka voivat toimia luotettavasti todellisissa yritysprosesseissa?

Perusideat ovat hämmästyttävän samankaltaisia: Meidän on ymmärrettävä syvällisesti, mitä käyttäjämme haluavat, ja sitten kohdennettava tekoälyjärjestelmämme näiden tavoitteiden ja mieltymysten mukaan. Joskus ne ovat ilmeisiä ja eksplisiittisiä; toisinaan ne ovat hienovaraisia ja ilmaittamattomia. Kummassakin tapauksessa, on meidän vastuu varmistaa, että tuotoksemme on korkean arvoista käyttäjillemme.

DeepL Agent edustaa siirtymistä avustavasta tekoälystä autonomiseen suorittamiseen. Mitkä olivat suurimmat tekniset haasteet tämän siirtymän toteuttamisessa käytännössä?

Ylivoimaisesti suurin haaste DeepL Agentin rakentamisessa on käytettävyys. Vuosien ajan tekoälyekosysteemi on palvellut pääasiassa ohjelmistokehittäjiä ja teknisesti korkeasti koulutettuja asiantuntijoita. DeepL Agentilla pyrimme muuttaa tämän ja varustaa jokainen tietotyöntekijä monimutkaisilla työkaluilla monimutkaisten ongelmien ratkaisemiseen ja automatisointiin. Tämän saavuttamiseksi meidän on luotava yhtenäinen, viimeistelty ja elegantti ratkaisu lopputulojen avustamiseen ja prosessien automatisointiin.

Miten arkkitehtonisesta näkökulmasta tarkasteltuna, mitkä kyvykkyydet on oltava paikallaan, ennen kuin tekoälyjärjestelmä voidaan luottaa toimimaan autonomisesti yritysympäristöissä?

Laajalle valikoimalle hallinnollisia tehtäviä teknologia on jo täällä. DeepL Agent voi toimia luotettavasti ympäristössänne, etsiä neuvoa, kun sitä tarvitaan, ja tarjota ihmisten toiminnan varmistusta, kun haluat. Tämänkaltaista synteettistä älykkyyttä ei ollut olemassa vielä muutama kuukausi sitten. Kuitenkin on vielä pitkä matka edessä. Seuraavien vuosien aikana tekoälyagentit tulevat olemaan vaakasuorassa tuottavuuden kerroksessa yrityksissä — työskentelemällä ahkerasti taustalla, yhteistyössä ihmisten ja muiden agenttien kanssa, poistamaan turhat työt ja antamaan meille mahdollisuuden ratkaista ongelmia, jotka aiemmin olivat ulottumattomissa.

Olet puhunut syvän kieliymmärryksen tarpeesta vastuullisten tekoälyagenttien kehittämisessä. Mitä “syvä” tarkoittaa tässä kontekstissa pinta-alaisen sulavuuden lisäksi?

Kieli on hämmästyttävän monitulkintainen ja kontekstiriippuvainen — erityisesti ammattimaisilla aloilla. Olet todennäköisesti kokenut tämän itse: kuuntelet ryhmää ystäviä, jotka keskustelevat harrastuksesta, jota et jaa, tai ammattialasta, jolla et ole kokemusta… Se saattaa ei ole järkeä ulkopuolisille, mutta jotenkin he ymmärtävät toisensa täydellisesti. Haluamme tekoälyavun tuntuvan yhtä vaivattomalta kuin puhuminen kokeneelle, luotettavalle työtoverille, jonka kanssa jaat vuosia yhteistyötä. Implisiittiset mieltymykset tulisi pysyä implisiittisinä. Et tarvitse toistuvasti selittää, miten haluat työn tehtävän. Tämä saattaa kuulostaa ilmeiseltä, mutta se vaatii valtavan tutkimuksen oikean toteuttamiseen. Tämä on, mitä tarkoitan “syvällä” kieliymmärryksellä.

Kuinka lähestyt turvallisuutta ja valvontaa käyttäessäsi autonomisia järjestelmiä, jotka voivat tehdä todellisia toimia eikä vain antaa suosituksia?

Jotta tekoälyavustus voisi toimia liiketoimintaympäristöissä, meidän on tarkasti tasapainotettava kyvykkyyttä ja valvontaa. Suurempi kyvykkyyden kehittää valtavat mahdollisuudet tuottavuudelle, mutta jos jätetään valvomatta, se muuttuu vastuullisuudeksi. Tämä ei voi tapahtua. DeepL Agentista lähtien se on varustettu yritysluokan turvallisuusjärjestelmillä, joita on toteutettu useissa muodoissa. Jaetut työtilat antavat käyttäjille tarkan valvonnan datan ja pääsyn hallinnan, samalla mahdollistaen audit-merkintöjen, ihmisten valvonnan ja ihmisten toiminnan varmistamisen. Lisäksi järjestelmän ylläpitäjillä on hienojakoinen valvonta järjestelmistä, joissa DeepL Agent voi toimia, ja mekanismit ilmoittaa perustuvien työkalujen käytöstä, kun ne ovat agentin toiminnassa.

Mitkä opit olet oppinut ideoita siirtäessäsi tutkimuksesta tuotantoon ilman luotettavuuden ja tieteellisen kurin menettämistä?

Tutkimuksen ja tuotekehityksen välinen kuilu on laajempi kuin yleisesti uskotaan. Molemmat alkavat tarkasta lähestymistavasta ratkaisemiseen aiemmin ratkaisemattomiin ongelmiin ja tarkkaan kirjattuun asiakirjaan siitä, mitä toimii ja mitä ei. Tutkimuksessa voidaan yksinkertaisia asioita ja olettaa yksinkertaista maailmanmallia, mutta tuotekehityksessä on otettava huomioon todellisten käyttäjien kontekstien monimutkaisuus. Tekoälyavustuksessa työkalujen käyttö on esimerkki. On kiehtovaa olettaa, että ympäristöt aina valmistellaan automaatioon, järjestelmän pääsy on järjestetty ja API:t ovat valmiina. Todellisuus eroaa. Niin kuin itseohjautuvat autot on selviydyttävä nykyisen infrastruktuurin monimutkaisuudesta, tekoälyagenttien on toimittava tehokkaasti niiden järjestelmien ja tietojen kanssa, joihin yritykset luottavat.

Kuinka päättäät, mitkä kyvykkyydet tulisi pitää tiukasti hallinnassa ja mitkä tulisi antaa enemmän autonomiseen käyttäytymiseen, kun DeepL laajentaa kielialustasta laajempaan yritysten tekoälyjärjestelmään?

Tehtävän vaatima valvonnan taso määräytyy kahden tekijän mukaan: tehtävän suorittajan (ihmisen tai järjestelmän) luotettavuuden ja virheiden mahdollisen vaikutuksen mukaan. Tämä koskee sekä ihmisten että koneiden suorittamista. Tekoälyjärjestelmien luotettavuus on lisääntynyt valtavasti viime vuosina ja jatkaa parantumistaan. Näin ollen, tiukka valvonta tulee olemaan välttämätöntä vähemmille ja vähemmille tehtäville. Lopulta tekoälyjärjestelmien luotettavuus ylittää jopa asiantuntijoiden tason monissa tehtävissä. Tämä koskee myös valvontamekanismeja, jotka siirtyvät yhä enemmän tekoälyvalvontaan. DeepL Agentissa tämä on jo toteutunut, ja se pyytää apua, kun itsekorjaus ei ole mahdollista.

Miten näet tulevaisuuden murroksia kielien ymmärtämisessä tai agenttien suunnittelussa, jotka muokkaavat vahvimmin yritysten tekoälyä seuraavien kahden vuoden aikana?

Tehtävän kuvaus: Tekoälyagentit eivät auta vain yksittäisissä tehtävissä. Ne muodostavat yhteistyössä tuottavuuden kerroksen yrityksissä, joka toimii meidän puolesta vähentämällä häiriöitä, valmistamalla ja esittämällä tietoa juuri silloin, kun sitä tarvitaan, ja ratkaisemalla ongelmia ja yhä monimutkaisempia tehtäviä kokonaan taustalla.

Kiitos hienosta haastattelusta. Lukijat, jotka haluavat oppia lisää, voivat vierailla DeepL:n sivustolla.