Ben Faes, CEO RWS – Seri Wawancara

Ben Faes adalah Chief Executive Officer dari RWS Group. Ia membawa lebih dari 25 tahun pengalaman dalam memimpin transformasi digital dan mengembangkan bisnis yang didorong oleh teknologi, dengan catatan yang kuat dalam menghasilkan pertumbuhan yang menguntungkan, membangun model go-to-market yang inovatif, dan mengembangkan tim internasional yang berkinerja tinggi.

Sebelum bergabung dengan RWS, Ben menjabat posisi kepemimpinan senior di sektor teknologi dan jasa bisnis. Di AOL, ia naik ke posisi Managing Director untuk Prancis, sebelum pindah ke Alphabet (GOOG ) (GOOGL ) pada tahun 2008 di mana ia mempelopori monitisasi YouTube di Eropa dan kemudian memimpin beberapa bisnis Google di wilayah EMEA, yang berpuncak sebagai Managing Director of Google Cloud untuk Eropa Selatan dan Pasar Emerging. Pada tahun 2021, ia menjadi CEO UK dari Webhelp, dan setelah akuisisi oleh Concentrix, ia memimpin inisiatif transformasi global dan teknologi di Concentrix Catalyst.

RWS adalah perusahaan solusi AI global dan layanan konten yang membantu organisasi menciptakan, mengelola, menerjemahkan, dan melindungi informasi dalam skala besar, dengan menggabungkan teknologi canggih dengan keahlian manusia. Perusahaan ini berspesialisasi dalam bidang seperti terjemahan bahasa dan lokalasi, layanan hak cipta, dan solusi konten dan data yang ditenagai AI, yang memungkinkan bisnis untuk berkomunikasi secara efektif di seluruh pasar dan menerapkan sistem AI perusahaan dengan akurasi budaya dan kontekstual. Dengan tenaga kerja global yang besar dan dekade pengalaman, RWS mendukung perusahaan besar dalam mengubah data kompleks menjadi konten yang jelas dan dipercaya, sambil mempercepat inovasi dan memastikan ide dipahami di seluruh dunia.

Anda telah memimpin transformasi besar di perusahaan seperti Google Cloud dan sekarang di RWS. Bagaimana pengalaman Anda dalam mengembangkan platform AI perusahaan telah membentuk pendekatan Anda dalam membangun Language Weaver Pro sebagai sistem terjemahan yang kritis, bukan sebagai alat umum?

Apa yang saya pelajari dari mengembangkan platform AI perusahaan adalah ini: alat umum mencapai batasnya dengan cepat di lingkungan yang berisiko tinggi.

Perusahaan tidak hanya membutuhkan sesuatu yang berfungsi sebagian besar waktu. Mereka membutuhkan sesuatu yang dapat diandalkan – sesuatu yang mereka nyaman untuk diintegrasikan ke dalam alur kerja kritis, dari SDM hingga lokalasi hingga dukungan pelanggan.

Dengan Language Weaver Pro, kami tidak memulai dengan pertanyaan, “Bagaimana kami membangun model terjemahan yang lebih baik?” Kami bertanya, “Apa yang diperlukan oleh sistem terjemahan agar perusahaan dapat mempercayainya dalam skala besar?”

Itu menggeser fokus. Bukan hanya tentang kualitas model. Bukan hanya tentang konsistensi, kontrol, skalabilitas, dan keamanan – hal-hal yang membuat sistem dapat digunakan di dunia nyata.

Salah satu hal yang saya banggakan adalah bahwa Language Weaver Pro tidak perlu disesuaikan untuk perusahaan nanti. Ini dirancang untuk itu dari hari pertama.

Ketika yang lain sekarang bergerak menuju spesialisasi, itu adalah sesuatu yang Language Weaver telah bangun ke dalam fondasinya selama bertahun-tahun. Kemitraan kami dengan Cohere memberikan kami kemampuan AI kelas dunia – dan kami melapisi kontrol perusahaan dan keahlian linguistik yang diperlukan untuk membuatnya benar-benar dapat digunakan dalam skala besar.

Language Weaver Pro dibangun di atas model dengan lebih dari 100 miliar parameter. Apa keputusan arsitektur atau pelatihan yang kritis untuk mencapai kinerja yang kuat pada tingkat paragraf dan dokumen, di mana banyak sistem terjemahan biasanya mengalami kesulitan?

Sebagian besar sistem terjemahan dioptimalkan untuk kalimat sebagai unit terjemahan – yang mencerminkan bagaimana industri lokalasi telah bekerja secara historis. Masalahnya adalah bahwa makna tidak selalu hidup pada tingkat kalimat. Ambiguitas, konsistensi terminologi, dan nada semua beroperasi di seluruh rentang teks yang lebih panjang. Mendapatkan kinerja paragraf yang kuat memerlukan keputusan yang disengaja, termasuk memilih jendela konteks yang jauh lebih besar daripada sistem terjemahan biasa.

Satu masalah yang sebagian besar sistem lihat di sini adalah bahwa menangani konteks yang lebih besar biasanya datang dengan waktu pemrosesan yang meningkat. Di sinilah arsitektur Mixture of Experts berperan. MoE memungkinkan Language Weaver Pro untuk bersamaan besar enough untuk menangani konten yang kompleks dan panjang, serta efisien enough untuk diterapkan dalam skala perusahaan.

Platform ini menduduki peringkat pertama dalam 31 dari 32 bahasa dalam benchmark yang dipimpin manusia. Bagaimana evaluasi manusia berbeda dari metrik otomatis, dan mengapa perbedaan itu penting untuk kasus penggunaan perusahaan?

Metrik otomatis sangat penting untuk skala. Untuk secara konsisten memantau kualitas, Anda tidak dapat terus-menerus menjalankan evaluasi manusia di seluruh 32 bahasa dan ribuan segmen tanpa mereka. Namun, ada keterbatasan juga. Metrik tradisional seperti BLEU mengukur tumpang tindih kata permukaan, yang berarti terjemahan dapat mencetak skor yang baik sementara melewatkan nuansa, atau mencetak skor yang buruk sementara benar. Bahkan metrik neural yang lebih canggih adalah proksi untuk penilaian manusia, bukan pengganti untuk itu. Terjemahan yang secara teknis akurat tetapi salah nada dalam konteks budaya dapat menyebabkan kerusakan nyata.

Ini adalah mengapa kami menjalankan keduanya. Evaluasi manusia buta yang kami jalankan dengan penerjemah profesional kami sendiri memberikan kami domain dan sensitivitas budaya yang benar-benar peduli bagi pelanggan perusahaan kami dan pengguna akhir mereka.

Banyak sistem terjemahan AI mengalami kesulitan dalam mempertahankan konsistensi di seluruh dokumen panjang. Bagaimana Language Weaver Pro mempertahankan makna dan konteks di seluruh paragraf, terutama dalam konten hukum atau regulasi?

Konsistensi adalah salah satu tantangan terberat dalam terjemahan dalam skala – dan ini bukan sesuatu yang model umum dapat selesaikan sendiri.

Ini juga merupakan area di mana kami telah memiliki keunggulan nyata. Solusi seperti Trados dan Language Weaver telah lama membangun kontrol terminologi yang kuat, sehingga Anda dapat memaksakan bahasa yang konsisten di seluruh konten yang paling besar dan paling kompleks.

Itu sangat penting dalam lingkungan yang diatur. Dalam konten hukum atau kepatuhan, konsistensi bukanlah sesuatu yang enak – itu kritis. Satu variasi dalam cara istilah yang didefinisikan diterjemahkan dapat membatalkan kontrak, mengacaukan pengajuan regulasi, atau memperkenalkan risiko nyata.

Kontrol terminologi menghilangkan ketidakpastian itu. Ini memastikan bahwa output akhir menggunakan bahasa yang tepat yang telah disetujui oleh tim hukum dan kepatuhan – konsisten, dalam skala besar.

Anda telah menggambarkan ini sebagai pergeseran dari terjemahan ke Intelijen Bahasa. Apa yang dimaksud dengan ini dalam praktek, dan bagaimana ini mengubah cara perusahaan berinteraksi dengan konten multibahasa?

Untuk beberapa dekade, industri telah memandang terjemahan sebagai proses mekanis yang mengubah kata-kata dari satu bahasa ke bahasa lain. Dan sementara proses terjemahan khusus seperti transkreatif telah ada selama beberapa waktu, ini semua bergantung pada proses yang relatif lambat yang berfokus pada hitungan kata. “Intelijen Bahasa” secara fundamental mengubah paradigma ini. Ini adalah pergeseran dari mengubah kata-kata ke memahami makna yang sebenarnya; ini tentang memahami konteks, nuansa, suara merek, dan niat spesifik di balik konten, terlepas dari bahasa aslinya. Kami bergerak dari tugas pasif, reaktif, ke kemampuan proaktif, strategis.

Dalam praktek, ketika alat AI kami dapat membuat terjemahan lebih lancar dan sadar konteks, lapisan intelijen budaya manusia dapat melakukan lebih dari sekadar mengedit konten, mereka dapat fokus pada relevansi dan dampak.

Platform ini menekankan pemerintahan, kontrol terminologi, dan keamanan data. Apa sistem spesifik yang ada untuk memastikan terjemahan memenuhi persyaratan kepatuhan di industri seperti keuangan dan kesehatan?

Kepercayaan adalah fondasi dari platform kami, terutama untuk industri yang diatur. Pertama, kami menawarkan fleksibilitas penerapan yang tidak dapat dilakukan oleh alat publik. Klien dapat menjalankan Language Weaver on-premises atau di awan pribadi mereka sendiri. Ini memastikan bahwa data sensitif tidak pernah meninggalkan lingkungan yang aman mereka, yang tidak dapat dinegosiasikan untuk memenuhi persyaratan residensi data.

Kedua, kami menyediakan kontrol granular atas output yang dapat berubah dengan kebutuhan industri. Klien dapat memasukkan glosarium yang disetujui langsung ke dalam model. Ini menjamin bahwa disclaimer hukum tertentu dalam keuangan atau istilah medis yang disetujui dalam kesehatan diterjemahkan dengan benar dan konsisten setiap saat, menghilangkan risiko bahasa yang tidak sesuai.

Akhirnya, pemerintahan dibangun ke dalam. Platform ini terintegrasi dengan kerangka keamanan perusahaan yang ada, menyediakan jejak audit penuh dan kontrol akses, dan pelanggan dapat selalu mengarahkan konten ke ahli manusia dalam loop untuk sertifikat akurasi atau untuk tinjauan yang diwajibkan.

Tidak seperti model AI umum, Language Weaver Pro dibangun khusus untuk terjemahan. Apa yang menjadi pertukaran antara spesialisasi dan fleksibilitas, dan mengapa spesialisasi menjadi lebih penting untuk AI perusahaan?

Model umum adalah seperti pisau Swiss Army. Ini serba guna – dapat menyarankan resep dari apa yang ada di kulkas, menggambar rencana lanskap, menulis puisi atau bahkan mencoba beberapa kode.

Namun, ketika datang ke pekerjaan perusahaan yang kritis, “cukup baik” tidak cukup baik. Anda tidak akan menggunakan pisau Swiss Army untuk operasi kecuali jika Anda tidak memiliki pilihan lain. Anda akan ingin alat presisi.

Itulah perbedaan dengan model yang dibangun khusus seperti Language Weaver Pro. Kami tidak mencoba melakukan segalanya. Kami fokus melakukan satu hal dengan sangat baik – menyampaikan terjemahan yang akurat dan dapat diandalkan dalam skala besar.

Itulah tingkat spesialisasi yang menjadi sangat penting. Taruhan terlalu tinggi untuk alat umum. Perusahaan membutuhkan terjemahan yang dapat dipercaya – konten yang jelas, dapat diandalkan, dan akurat setiap saat.

Kolaborasi dengan Cohere menggabungkan keahlian bahasa dan infrastruktur AI yang aman. Bagaimana sistem ini dirancang untuk menyeimbangkan kinerja, privasi, dan fleksibilitas penerapan di seluruh cloud, on-premises, dan lingkungan hibrida?

Kolaborasi itu fundamental bagi strategi kami karena dirancang di sekitar prinsip inti bahwa AI kelas dunia harus menyesuaikan diri dengan postur keamanan klien, bukan sebaliknya. Kami menolak untuk memaksa perusahaan ke dalam model cloud publik yang seragam.

Rancangan kami mencapai keseimbangan ini dengan memisahkan model AI dari infrastruktur yang dijalankannya. Cohere menyediakan model dasar kelas dunia sementara menjadi mitra kelas dunia bagi kami, dan kami menyediakan keahlian linguistik dan fleksibilitas penerapan yang sudah kami kenal. Ini memungkinkan kami untuk menerapkan model yang performant dan lancar ini di mana pun data klien berada. Untuk bank atau badan intelijen, itu berarti menjalankannya sepenuhnya terisolasi di mesin on-premises mereka. Untuk penyedia layanan kesehatan, itu dapat berada di cloud pribadi mereka sendiri untuk memenuhi peraturan HIPAA. Dan untuk perusahaan teknologi global, model hibrida dapat menyediakan kinerja dan fleksibilitas di seluruh wilayah, sambil mempertahankan keamanan data di mana mereka membutuhkannya.

Kunci dari ini adalah bahwa klien selalu dalam kontrol. Mereka mendapatkan kinerja penuh dari model terjemahan terbesar dan paling canggih di industri tanpa pernah harus mengorbankan privasi data atau mandat kepatuhan mereka. Kami menyampaikan kekuatan ke perbatasan mereka.

Salah satu risiko terbesar bagi perusahaan adalah terjemahan yang tampak benar tetapi mengandung kesalahan halus. Bagaimana platform Anda mengidentifikasi dan mengurangi risiko ini, terutama dalam skenario yang berisiko tinggi?

Ini adalah kelemahan fundamental dari AI umum, dan sebagai perusahaan yang berspesialisasi dalam Intelijen Bahasa, kami memahami bahwa ini adalah risiko yang tidak dapat diterima. Omong kosong yang terdengar masuk akal adalah liabilitas, bukan aset.

Kami berusaha untuk memitigasi risiko ini dengan beberapa cara. Pertama, model kami tidak dilatih pada internet publik yang tidak disaring. Mereka dibangun di atas dasar empat dekade data linguistik kualitas tinggi, diterjemahkan oleh manusia, dan spesifik domain. Ini mengajarkan model untuk benar, bukan hanya lancar. Ini belajar cara menerjemahkan klausa hukum yang kompleks dan instruksi medis yang tepat karena telah belajar dari data yang bersih, bukan dari obrolan internet.

Kami juga memberikan klien kontrol langsung atas output. Melalui manajemen terminologi dan umpan balik, mereka dapat mengunci terjemahan yang benar untuk istilah yang paling kritis dan ambigu mereka. Ini memastikan bahwa klaim paten tertentu atau interaksi obat diterjemahkan dengan benar setiap kali.

Akhirnya, kami menutup loop. Sistem kami dirancang untuk mengintegrasikan keahlian manusia untuk tinjauan dan penyempurnaan. Ini menciptakan siklus perbaikan terus-menerus, menangkap nuansa dan kesalahan halus yang model umum tidak dapat lihat.

Dengan persaingan yang kuat dari alat seperti DeepL dan Gemini Google, apakah Anda melihat masa depan terjemahan AI bergeser ke arah model spesifik domain, dan apa yang dimaksud dengan ini bagi ekosistem AI yang lebih luas?

Biarkan saya menjawab ini dengan anekdot. Kami memiliki pelanggan, sebuah nama besar dalam komputasi, yang bekerja dengan beberapa penyedia terjemahan. Kami bekerja dengan sebagian besar portofolio mereka, dan salah satu alasan utama mereka memilih kami adalah bahwa ketika sesuatu tidak benar, kami dapat memperbaikinya. Terminologi teknis Korea yang tidak quite mendarat? Kami memiliki tim untuk itu. Angka Jerman yang menyebabkan masalah? Kami memiliki orang yang dapat membantu.

Itulah poin yang lebih luas. Kami berharap kemajuan masa depan dalam AI akan datang kurang dari kemajuan model murni, dan lebih dari solusi yang dapat memanfaatkan konteks yang relevan – linguistik, budaya, dan spesifik domain. RWS, melalui portofolio produk yang luas, dekade data proprietary, dan hubungan pelanggan yang dalam, memiliki akses ke konteks seperti itu. Penyedia umum dapat mencocokkan benchmark model; tetapi mereka tidak dapat mereplikasi itu. Masa depan milik penyedia yang menggabungkan AI frontier dengan keahlian manusia dan institusional untuk membuatnya bekerja di dunia nyata – dan itulah di mana kami berada.

Terima kasih atas wawancara yang luar biasa, siapa saja yang ingin mempelajari lebih lanjut dapat mengunjungi RWS.