Stefan Mesken, Ilmuwan Kepala di DeepL – Seri Wawancara

Stefan Mesken, Ilmuwan Kepala di DeepL, telah menghabiskan lebih dari lima tahun di DeepL untuk memajukan penelitian inti dan kepemimpinan ilmiah perusahaan, dimulai sebagai Ilmuwan Peneliti pada Oktober 2020, kemudian menjadi Wakil Presiden Penelitian pada November 2023, dan akhirnya menjabat sebagai Ilmuwan Kepala pada April 2025 di Munich. Sebelum bergabung dengan DeepL, ia bekerja sebagai Ilmuwan Data di real.digital di wilayah Cologne-Bonn dan melakukan penelitian tentang logika matematika di Universitas Münster. Karirnya membangun jembatan antara penelitian matematika dasar dan penerapan AI, sehingga ia dapat memimpin arah ilmiah di balik model bahasa skala besar DeepL dan sistem AI multibahasa.

DeepL adalah perusahaan AI Jerman yang fokus membangun sistem AI bahasa canggih yang memungkinkan terjemahan akurat, sadar konteks, dan komunikasi di lebih dari 100 bahasa. Didirikan pada 2017 dan berkantor pusat di Cologne, perusahaan ini melayani jutaan pengguna di seluruh dunia dan menyediakan solusi kelas perusahaan melalui langganan dan penawaran API. Platformnya telah berkembang melampaui terjemahan menjadi suite AI Bahasa yang lebih luas, termasuk bantuan penulisan dan kemampuan suara, dirancang untuk mendukung komunikasi yang aman, skalabel, dan mendukung bisnis dan organisasi global.

Anda memulai karir Anda dalam logika matematika sebelum beralih ke ilmu data terapan dan akhirnya memimpin organisasi penelitian DeepL. Mengingat kembali, bagaimana pekerjaan awal Anda dalam penalaran formal mempengaruhi cara Anda sekarang memikirkan tentang membangun sistem AI otonom kelas perusahaan?

Apa yang menarik saya ke bidang teori himpunan dan logika matematika dari awal adalah rasa ingin tahu yang tak terpuaskan untuk memahami bagaimana sistem kompleks ini bekerja – dari prinsip dasar dan ke dalam kedalaman yang semakin meningkat. Rasa ingin tahu itu telah menjadi konstan dalam hidup saya sejak masa kecil. Ini juga aspek pekerjaan saya yang paling saya cintai. Saat ini, tantangan adalah untuk memajukan keadaan pengembangan AI dengan fokus intens pada kegunaan nyata. Di luar keamanan dan kepercayaan, saya menghabiskan waktu saya untuk memastikan bahwa bisnis dan pengguna dari semua jenis dapat memanfaatkan teknologi luar biasa ini. Sampai sekarang, trennya berbeda: Sebagian besar penggunaan AI nyata adalah sama sekali pasif (misalnya, sistem rekomendasi yang Anda konsumsi tetapi tidak kontrol) atau terutama digunakan oleh orang-orang yang sangat terlatih dan teknis (misalnya, asisten pengkodean). Saya ingin menutup kesenjangan itu: Setiap individu dan perusahaan harus disiapkan untuk sukses dan dapat merevolusi cara mereka mendekati pekerjaan.

DeepL telah membangun reputasinya pada terjemahan presisi tinggi. Bagaimana fondasi itu dalam pemodelan bahasa membentuk pemikiran awal perusahaan tentang melangkah melampaui terjemahan ke sistem AI umum?

Apa yang membuat AI begitu ajaib adalah bahwa konsep dan ide yang sangat mirip dapat mengarah pada solusi baru dalam domain yang sangat berbeda: mesin catur, sistem rekomendasi, pelipatan protein, mobil self-driving, mesin terjemahan, dan banyak lagi. Mereka semua ditenagai oleh serangkaian prinsip dan teknik yang sama. Setelah menguasai teknik-teknik ini selama hampir satu dekade sekarang, kita secara alami memikirkan masalah baru untuk fokus. Secara internal, ini selalu terjadi, mengarah pada penemuan Glossary, Write, Voice, Customization Hub, dan lain-lain.

Sebagai Ilmuwan Kepala, bagaimana Anda membedakan antara membangun model bahasa yang menghasilkan output yang lancar dan membangun sistem yang dapat bekerja secara andal di dalam alur kerja perusahaan nyata?

Idenya sangat mirip: Kita perlu memahami secara mendalam apa yang diinginkan pengguna kita dan kemudian menyelaraskan sistem AI kita dengan tujuan dan preferensi tersebut. Terkadang, mereka jelas dan eksplisit; terkadang, mereka halus dan tidak terucap. Dalam kedua kasus, ini adalah tugas kita untuk memastikan bahwa pekerjaan yang kita produksi memiliki nilai tinggi bagi pengguna kita.
DeepL selalu menonjol dalam area ini karena fokus pelanggan kita. Kita tidak mengejar benchmark buatan atau publikasi akademis – kita mengejar kepuasan pelanggan. Ini tidak pernah lebih penting daripada sekarang, karena kita memperluas cakrawala kita dan membantu orang-orang dengan pekerjaan sehari-hari mereka.

DeepL Agent mewakili pergeseran dari AI asisten ke eksekusi otonom. Apa tantangan teknis terbesar dalam membuat transisi itu bekerja dalam prakteknya?

Secara jauh, tantangan terbesar dalam membangun DeepL Agent adalah kemudahan penggunaan. Selama bertahun-tahun, ekosistem AI telah melayani terutama pengembang perangkat lunak dan ahli teknis yang sangat terlatih. Dengan DeepL Agent, kita bertujuan untuk mengubah itu dan mempersenjatai setiap pekerja pengetahuan dengan alat canggih untuk memecahkan dan mengotomatisasi masalah kompleks. Untuk mencapai ini, kita perlu tingkat kesopanan yang sama dalam pengenalan, penalaran, perencanaan, dan tindakan. Alih-alih menyajikan pengguna dengan set alat kaya tetapi kompleks, kita telah bekerja keras untuk menciptakan solusi koheren, seamless, dan elegan untuk asisten ujung-ke-ujung dan otomatisasi alur kerja.

Dari perspektif arsitektur, apa kemampuan yang harus ada sebelum sistem AI dapat dipercaya untuk beroperasi secara otonom di lingkungan perusahaan?

Untuk berbagai tugas administratif, teknologinya sudah ada. DeepL Agent dapat bekerja secara andal di lingkungan Anda, mencari saran ketika diperlukan, dan menawarkan verifikasi human-in-the-loop kapan pun diinginkan. Tingkat kecerdasan sintetis ini adalah fiksi murni hanya beberapa bulan yang lalu. Namun, masih ada jalan panjang untuk ditempuh. Dalam beberapa tahun ke depan, agen AI akan menjadi lapisan produktivitas kolaboratif di perusahaan — bekerja tanpa lelah di latar belakang, berkolaborasi dengan manusia dan satu sama lain untuk menghilangkan pekerjaan sibuk dan memberdayakan kita untuk memecahkan masalah yang sebelumnya tidak terjangkau.

Anda telah berbicara tentang pemahaman bahasa dalam sebagai prasyarat untuk agen AI yang bertanggung jawab. Apa yang dimaksud dengan “dalam” dalam konteks ini di luar kelancaran permukaan?

Bahasa sangat ambigu dan bergantung pada konteks — terutama di domain profesional. Anda mungkin telah mengalami ini sendiri: mendengar sekelompok teman membahas hobi yang tidak Anda bagikan atau spesialisasi profesional yang Anda kurang pengalaman di dalamnya… Ini mungkin tidak masuk akal bagi orang luar, tetapi entah bagaimana mereka memahami satu sama lain dengan sempurna. Kita ingin bantuan AI merasa sama lancarnya dengan berbicara dengan rekan kerja berpengalaman dan tepercaya dengan siapa Anda berbagi tahun-tahun kolaborasi. Preferensi implisit harus tetap implisit. Anda tidak perlu menjelaskan berulang-ulang bagaimana Anda ingin pekerjaan dilakukan. Ini mungkin terdengar jelas, tetapi memerlukan penelitian besar untuk mendapatkannya dengan benar. Itulah yang saya maksud dengan “dalam” pemahaman bahasa.

Bagaimana Anda mendekati pengamanan dan pengawasan ketika menggelar sistem otonom yang dapat mengambil tindakan nyata daripada hanya membuat rekomendasi?

Untuk AI asisten bekerja dalam konteks bisnis, kita harus menjaga keseimbangan antara kemampuan dan kontrol dengan hati-hati. Kemampuan yang lebih besar menciptakan peluang besar untuk produktivitas, tetapi jika dibiarkan tidak terkendali, itu menjadi liabilitas. Ini tidak bisa terjadi. Sejak hari pertama, DeepL Agent telah dilengkapi dengan pengamanan kelas perusahaan, diimplementasikan dalam berbagai bentuk. Ruang kerja bersama memberikan pengguna kontrol presisi atas data dan akses, sementara memungkinkan jejak audit, pengawasan manusia, dan verifikasi human-in-the-loop. Selain itu, administrator sistem memiliki kontrol yang halus atas sistem yang dapat dinavigasi oleh DeepL Agent dan mekanisme untuk meminta alat dasar ketika dioperasikan oleh agen.

Apa pelajaran yang Anda pelajari tentang memindahkan ide dari penelitian ke produksi tanpa mengorbankan keandalan atau disiplin ilmiah?

Gap antara penelitian dan pengembangan produk lebih lebar daripada yang umum dipercaya. Keduanya dimulai dengan pendekatan yang ketat untuk memecahkan masalah yang sebelumnya tidak terpecahkan dan catatan yang teliti tentang apa yang berhasil dan apa yang tidak. Sementara penelitian dapat menyederhanakan cakupan dan mengasumsikan model dunia yang lebih sederhana, pengembangan produk harus mempertimbangkan kompleksitas konteks pengguna nyata. Dalam AI asisten, penggunaan alat adalah contoh utama. Sangat menggoda untuk mengasumsikan bahwa lingkungan akan selalu siap untuk otomatisasi, dengan akses sistem yang diatur dan API siap. Kenyataan berbeda. Sama seperti mobil self-driving harus menangani kompleksitas infrastruktur saat ini, agen AI harus beroperasi secara efektif dalam pola akses, data, dan sistem yang digunakan bisnis. Pemahaman awal ini ada di jantung desain DeepL Agent.

Ketika DeepL memperluas dari platform bahasa yang terfokus ke sistem AI perusahaan yang lebih luas, bagaimana Anda memutuskan kemampuan mana yang harus tetap terkendali erat dan mana yang harus diungkapkan untuk perilaku otonom lebih?

Tingkat kontrol yang diperlukan untuk sebuah tugas ditentukan oleh dua faktor: keandalan manusia atau sistem yang melakukannya dan dampak potensial dari kesalahan. Ini berlaku sama untuk eksekusi manusia dan mesin. Keandalan AI telah meningkat secara besar-besaran selama beberapa tahun terakhir dan akan terus membaik. Oleh karena itu, kontrol ketat akan diperlukan untuk lebih sedikit tugas. Akhirnya, keandalan AI akan melebihi bahkan tingkat ahli manusia untuk banyak tugas. Ini juga berlaku untuk mekanisme kontrol, yang akan semakin bergeser ke pengawasan AI. Secara internal, DeepL Agent sudah melakukannya, meminta bantuan pengguna kapan pun koreksi diri tidak memungkinkan.

Menghadap ke depan, apa kemajuan dalam pemahaman bahasa atau desain agen yang Anda percaya akan membentuk AI perusahaan selama dua tahun ke depan?

Agen AI tidak hanya akan membantu dengan tugas individu. Mereka akan membentuk lapisan produktivitas kolaboratif di perusahaan yang bekerja atas nama kita untuk mengurangi gangguan, menyiapkan dan menyajikan informasi tepat saat dibutuhkan dan memecahkan masalah serta tugas yang semakin kompleks sepenuhnya di latar belakang.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi DeepL.