Ben Faes, CEO van RWS – Interview Serie

Ben Faes is Chief Executive Officer van RWS Group. Hij brengt meer dan 25 jaar ervaring mee in het leiden van digitale transformatie en het opschalen van technologiegedreven bedrijven, met een sterke trackrecord van het stimuleren van winstgevende groei, het opbouwen van innovatieve go-to-marktmodellen en het ontwikkelen van hoogpresterende internationale teams.

Voordat hij bij RWS kwam, had Ben senior leiderschapsrollen in de technologie- en bedrijfsdienstensector. Bij AOL klom hij op tot Managing Director voor Frankrijk, voordat hij in 2008 naar Alphabet (GOOG ) (GOOGL ) verhuisde, waar hij de monitisering van YouTube in Europa introduceerde en later meerdere Google-bedrijven leidde in de EMEA-regio, met als hoogtepunt Managing Director van Google Cloud voor Zuid-Europa en opkomende markten. In 2021 werd hij UK CEO van Webhelp, en na de overname door Concentrix leidde hij wereldwijde transformatie- en technologie-initiatieven bij Concentrix Catalyst.

RWS is een wereldwijd bedrijf voor AI-oplossingen en contentservices dat organisaties helpt bij het creëren, beheren, vertalen en beschermen van informatie op grote schaal, door geavanceerde technologie te combineren met menselijke expertise. Het bedrijf is gespecialiseerd in gebieden zoals taalvertaling en lokaliseren, intellectueel eigendomsdiensten en AI-gebaseerde contents- en dataservices, waardoor bedrijven effectief kunnen communiceren over markten heen en ondernemingsbrede AI-systemen kunnen implementeren met culturele en contextuele nauwkeurigheid. Met een grote wereldwijde workforce en decennia aan ervaring ondersteunt RWS grote ondernemingen bij het transformeren van complexe gegevens in duidelijke, betrouwbare content, terwijl innovatie wordt versneld en ervoor wordt gezorgd dat ideeën wereldwijd worden begrepen.

U heeft grote transformaties geleid bij bedrijven zoals Google Cloud en nu bij RWS. Hoe heeft uw ervaring met het opschalen van ondernemingsbrede AI-platforms uw aanpak beïnvloed voor het opbouwen van Language Weaver Pro als een missie-kritisch translatiesysteem in plaats van een algemeen doel instrument?

Wat ik heb geleerd van het opschalen van ondernemingsbrede AI, is dit: algemene doelmodellen bereiken snel een plafond in high-stakesomgevingen.

Ondernemingen hebben niet alleen iets nodig dat meestal werkt. Ze hebben iets nodig waarop ze kunnen vertrouwen – iets dat ze comfortabel kunnen integreren in kritieke workflows, van HR tot lokaliseren tot klantenservice.

Met Language Weaver Pro zijn we niet begonnen met de vraag: “Hoe kunnen we een beter translatiemodel bouwen?” We vroegen: “Hoe moet een translatiesysteem eruitzien voor een onderneming om het op grote schaal te vertrouwen?”

Dat verandert de focus. Het gaat niet alleen om de kwaliteit van het model. Het gaat om consistentie, controle, schaalbaarheid en beveiliging – de dingen die een systeem bruikbaar maken in de echte wereld.

Een van de dingen waar ik het meest trots op ben, is dat Language Weaver Pro niet later hoefde te worden aangepast voor ondernemingen. Het was vanaf het begin ontworpen voor ondernemingen.

Terwijl anderen nu naar specialisatie bewegen, is dat iets wat Language Weaver al jarenlang in zijn fundamenten heeft gebouwd. Onze samenwerking met Cohere gaf ons wereldklasse AI-mogelijkheden – en we voegden de ondernemingscontroles en linguïstische expertise toe die nodig waren om ze echt bruikbaar te maken op grote schaal.

Language Weaver Pro is gebouwd op een model met meer dan 100 miljard parameters. Welke architectonische of trainingsbeslissingen waren cruciaal voor het bereiken van sterke prestaties op alinea- en documentniveau, waar veel translatiesystemen typisch worstelen?

De meeste translatiesystemen zijn geoptimaliseerd voor de zin als de translatie-eenheid – wat weerspiegelt hoe de lokaliseringsindustrie historisch heeft gewerkt. Het probleem is dat de betekenis niet altijd op zinsniveau leeft. Ambiguïteit, terminologische consistentie en toon werken allemaal over langere tekstspannen. Het bereiken van sterke prestaties op alineaniveau vereiste bewuste beslissingen, waaronder het kiezen voor een veel grotere contextwindow dan typische translatiesystemen.

Een van de problemen die de meeste systemen hier zien, is dat het verwerken van grotere context meestal gepaard gaat met verhoogde verwerkingstijden. Hier komt de Mixture of Experts-architectuur om de hoek kijken. MoE laat Language Weaver Pro toe om tegelijkertijd groot genoeg te zijn om complexe, langere inhoud te verwerken en efficiënt genoeg om het op ondernemingsniveau te implementeren.

Het platform behaalde de eerste plaats in 31 van de 32 talen in menselijke benchmarks. Hoe verschilt menselijke evaluatie van geautomatiseerde metingen, en waarom is dat onderscheid belangrijk voor ondernemingsgevallen?

Geautomatiseerde metingen zijn essentieel voor schaal. Om de kwaliteit consistent te meten, kunt u niet voortdurend menselijke evaluaties uitvoeren over 32 talen en duizenden segmenten heen. Maar er zijn ook beperkingen. Traditionele metingen zoals BLEU meten oppervlakte-overeenkomst tussen woorden, wat betekent dat een vertaling goed kan scoren terwijl nuances ontbreken, of slecht kan scoren terwijl het perfect accuraat is. Zelfs meer geavanceerde neurale metingen zijn proxies voor menselijke oordelen, geen vervanging ervan. Een vertaling die technisch accuraat is maar toonfouten bevat in een culturele context, kan echte schade veroorzaken.

Dat is waarom we beide hebben uitgevoerd. De blind menselijke evaluaties die we hebben uitgevoerd met onze eigen professionele vertalers, gaven ons het domein en de culturele gevoeligheid die onze ondernemingsklanten en hun eindgebruikers echt belangrijk vinden.

Veel AI-translatiesystemen worstelen met het behouden van consistentie over lange documenten. Hoe behoudt Language Weaver Pro de betekenis en context over alinea’s, vooral in juridische of regelgevende inhoud?

Consistentie is een van de moeilijkste uitdagingen bij vertaling op grote schaal – en het is niet iets wat algemene doelmodellen alleen kunnen oplossen.

Het is ook een gebied waar we een echte voorsprong hebben. Oplossingen zoals Trados en Language Weaver hebben lang sterk terminologische controles ingebouwd, zodat u consistent taalgebruik kunt afdwingen over zelfs de grootste, meest complexe inhoudssets.

Dat maakt meer dan ooit uit in gereguleerde omgevingen. In juridische of compliance-inhoud is consistentie geen nice-to-have – het is kritiek. Een enkele variatie in hoe een gedefinieerde term wordt vertaald, kan een contract ongeldig maken, een regelgevende indiening verstoren of echte risico’s introduceren.

Terminologische controle verwijdert die onzekerheid. Het zorgt ervoor dat de uiteindelijke output exact de taal gebruikt die juridische en compliance-teams hebben goedgekeurd – consistent, op grote schaal.

U heeft dit beschreven als een verschuiving van vertaling naar Language Intelligence. Wat betekent dat in de praktijk, en hoe verandert het hoe ondernemingen omgaan met meertalige inhoud?

Voor decennia heeft de industrie vertaling gezien als een mechanisch proces dat woorden van de ene taal naar de andere omzet. En hoewel gespecialiseerde menselijke vertaalkundige processen zoals transcreatie al een tijdje bestaan, is dit allemaal afhankelijk van een relatief langzaam proces dat is gericht op woordaantallen. “Language Intelligence” verandert deze paradigma fundamenteel. Het is een verschuiving van het omzetten van woorden naar het echt begrijpen van betekenis; het is het begrijpen van context, nuances, merkstem en specifieke intentie achter de inhoud, ongeacht de oorspronkelijke taal. We bewegen van een passief, reactief proces naar een proactief, strategisch vermogen.

In de praktijk, wanneer onze AI-hulpmiddelen vertalingen meer vloeiend en contextueel maken, kan de menselijke laag van Culturele Intelligentie meer doen dan alleen inhoud post-editen; ze kunnen hun inspanningen richten op relevantie en impact.

Het platform benadrukt governance, terminologische controle en gegevensbeveiliging. Welke specifieke systemen zijn er om ervoor te zorgen dat vertalingen voldoen aan compliance-eisen in branches zoals financiën en gezondheidszorg?

Vertrouwen is de hoeksteen van ons platform, vooral voor gereguleerde branches. Ten eerste bieden we implementatieflexibiliteit die openbare tools niet kunnen. Klanten kunnen Language Weaver on-premises of in hun eigen toegewijde private cloud uitvoeren. Dit zorgt ervoor dat gevoelige gegevens nooit de beveiligde omgeving van de klant verlaten, wat ononderhandelbaar is voor het voldoen aan gegevensresidencieregelingsvereisten.

Ten tweede bieden we granulaire controle over de uitvoer die kan veranderen met de vereisten van een branche. Klanten integreren hun eigen goedgekeurde glossaria rechtstreeks in het model. Dit garandeert dat een specifieke juridische disclaimer in financiën of een goedgekeurde medische term in de gezondheidszorg correct en consistent wordt vertaald, elke keer, waardoor het risico van niet-conforme taal wordt geëlimineerd.

Ten slotte is governance ingebouwd. Het platform integreert met bestaande ondernemingsbeveiligingskaders, waardoor volledige audittrails en toegangscontroles mogelijk zijn, en klanten kunnen de inhoud altijd doorsturen naar menselijke experts voor certificaten van nauwkeurigheid of voor verplichte beoordeling.

In tegenstelling tot algemene doel-AI-modellen is Language Weaver Pro specifiek gebouwd voor vertaling. Wat zijn de compromissen tussen specialisatie en flexibiliteit, en waarom wordt specialisatie belangrijker voor ondernemings-AI?

Een algemeen doelmodel is een beetje als een Zwitsers zakmes. Het is veelzijdig – het kan een recept suggereren op basis van wat er in uw koelkast zit, een landschapsplan schetsen, een gedicht schrijven of zelfs een poging doen tot code.

Maar wanneer het gaat om missie-kritische ondernemingswerk, is “goed genoeg” niet goed genoeg. U zou een Zwitsers zakmes niet gebruiken voor een operatie, tenzij u geen andere keuze had. U zou een precisie-instrument willen.

Dat is het verschil met een specifiek gebouwd model zoals Language Weaver Pro. We proberen niet alles te doen. We richten ons op het uitzonderlijk goed doen van één ding – het leveren van nauwkeurige, betrouwbare vertaling op grote schaal.

Die mate van specialisatie wordt essentieel. De inzet is te hoog voor generalistische tools. Ondernemingen hebben vertalingen nodig die ze kunnen vertrouwen – inhoud die duidelijk, actiegericht en accuraat is, elke keer.

De samenwerking met Cohere brengt taalexpertise en beveiligde AI-infrastructuur samen. Hoe is het systeem ontworpen om prestaties, privacy en implementatieflexibiliteit in evenwicht te brengen over cloud, on-premises en hybride omgevingen?

Die samenwerking is fundamenteel voor onze strategie, omdat het is ontworpen rond een kernprincipe dat wereldklasse-AI moet worden aangepast aan de beveiligingspositie van de klant, niet andersom. We weigeren ondernemingen te dwingen tot een one-size-fits-all, openbare cloudmodel.

Ons ontwerp bereikt dit evenwicht door het AI-model te scheiden van de infrastructuur waarop het draait. Cohere levert het state-of-the-art basismodel, en wij leveren de linguïstische expertise en de implementatieflexibiliteit waarvoor we al bekend zijn. Dit stelt ons in staat om deze prestatiegerichte, vloeiende modellen te implementeren waar de gegevens van de klant ook wonen. Voor een bank of inlichtingendienst betekent dit dat het volledig geïsoleerd kan worden uitgevoerd op hun on-premises machines. Voor een zorgverlener kan het in hun eigen toegewijde private cloud worden geplaatst om te voldoen aan HIPAA-regelgeving. En voor een wereldwijd technologiebedrijf kan een hybride model prestaties en flexibiliteit bieden over regio’s heen, terwijl gegevensbeveiliging op de gewenste locaties wordt gehandhaafd.

De sleutel is dat de klant altijd de controle heeft. Zij krijgen de volledige prestaties van het industrie’s grootste, meest geavanceerde translatiemodel zonder ooit compromissen te hoeven sluiten over hun gegevensprivacy of compliance-mandaten. Wij leveren de kracht naar hun perimeter.

Een van de grootste risico’s voor ondernemingen is vertaling die correct lijkt maar subtiele fouten bevat. Hoe identificeert en vermindert uw platform deze risico’s, vooral in high-stakes scenario’s?

Dit is een fundamenteel gebrek aan algemene doel-AI, en als een bedrijf dat gespecialiseerd is in Language Intelligence, begrijpen wij dat dit een onaanvaardbaar risico is. Plausibele nonsens is een aansprakelijkheid, geen activum.

We proberen dit risico te mitigeren op verschillende manieren. Ten eerste zijn onze modellen niet getraind op het ongefilterde openbare internet. Ze zijn gebouwd op een fundament van vier decennia aan hoogwaardige, door mensen vertaalde en domeinspecifieke linguïstische gegevens. Dit leert het model om correct te zijn, niet alleen vloeiend. Het leert de correcte manier om complexe juridische clausules en precieze medische instructies te vertalen, omdat het heeft geleerd van schone gegevens, niet van internetgeklets.

We geven onze klanten ook directe controle over de uitvoer. Door middel van terminologisch beheer en feedback kunnen ze de correcte vertaling voor hun meest kritieke en dubbelzinnige termen vastzetten. Het zorgt ervoor dat een specifieke octrooiaanspraak of een medicatie-interactiezin met de correcte vertaling wordt weergegeven, elke keer.

Ten slotte sluiten we de cirkel. Onze systemen zijn ontworpen om menselijke expertise te integreren voor beoordeling en verfijning. Deze constante feedback van expert-linguïsten en de recensenten van de klant zelf creëert een cyclus van continue verbetering, waardoor de nuances en subtiele fouten die generalistische modellen blind voor zijn, worden gevangen.

Met sterke concurrentie van tools zoals DeepL en Google’s Gemini, zie ik de toekomst van AI-vertaling verschuiven naar domeinspecifieke modellen, en wat betekent dat voor het bredere AI-ecosysteem?

Laat me dit beantwoorden met een anekdote. We hebben een klant, een grote naam in computing, die werkt met meerdere vertaalproviders. We werken met de meerderheid van hun portfolio, en een van de belangrijkste redenen waarom ze voor ons kiezen, is dat wanneer iets niet goed is, we het kunnen repareren. Koreaanse technische terminologie niet helemaal goed? We hebben een team daarvoor. Duitse cijfers die problemen veroorzaken? We hebben mensen die kunnen helpen.

Dat is het bredere punt. We verwachten dat toekomstige vooruitgang in AI minder zal komen van pure modelvooruitgang en meer van oplossingen die relevantie context – linguïstisch, cultureel en domeinspecifiek – kunnen benutten. RWS, door zijn uitgebreide productportfolio, decennia aan eigen gegevens en diepe klantrelaties, heeft toegang tot precies dat soort context. Algemene dienstverleners kunnen een modelbenchmark evenaren; maar ze kunnen dat niet repliceren. De toekomst behoort toe aan dienstverleners die frontier-AI combineren met menselijke en institutionele expertise om het te laten werken in de echte wereld – en dat is precies waar wij zitten.

Bedankt voor het geweldige interview, iedereen die meer wil leren, kan een bezoek brengen aan RWS.