Ben Faes, CEO av RWS – Intervju-serie

Ben Faes er administrerende direktør i RWS Group. Han har over 25 års erfaring med å lede digital transformasjon og skalerer teknologidrevne bedrifter, med en sterk rekord av å drive lønnsom vekst, bygge innovative markedsmodeller og utvikle høytytende internasjonale team.

Før han ble med i RWS, hadde Ben ledende roller i teknologi- og næringslivssektorene. Hos AOL ble han direktør for Frankrike, før han gikk til Alphabet (GOOG ) (GOOGL ) i 2008, der han var med på å etablere YouTubes monetering i Europa og senere ledet flere Google-bedrifter i EMEA-regionen, og avsluttet som direktør for Google Cloud i Sør-Europa og nye markeder. I 2021 ble han UK-direktør i Webhelp, og etter at Webhelp ble kjøpt av Concentrix, ledet han globale transformasjons- og teknologi-initiativer i Concentrix Catalyst.

RWS er et globalt selskap som tilbyr AI-løsninger og innholdstjenester som hjelper organisasjoner å skape, håndtere, oversette og beskytte informasjon i stor skala, ved å kombinere avansert teknologi med menneskelig ekspertise. Selskapet spesialiserer seg på områder som språkoversettelse og lokaliserings-, immaterielle rettstjenester og AI-drevne innhold- og datasøknader, som muliggjør at bedrifter kan kommunisere effektivt på tvers av markeder og deployere bedrifts- AI-systemer med kulturell og kontekstuell nøyaktighet. Med en stor global arbeidsstyrke og tiår med erfaring, støtter RWS store bedrifter i å transformere kompleks data til klar, pålitelig innhold, samtidig som de akselererer innovasjon og sikrer at ideer blir forstått over hele verden.

DU har ledet store transformasjoner i selskaper som Google Cloud og nå i RWS. Hvordan har din erfaring med å skalerer bedrifts- AI-plattformer påvirket din tilnærming til å bygge Language Weaver Pro som et kritisk oversettelsessystem, fremfor et generelt formål-verktøy?

Det jeg har lært av å skalerer bedrifts-AI, er dette: generelle formål-verktøy når raskt en grense i høyrisikomiljøer.

Bedrifter trenger ikke bare noe som fungerer mesteparten av tiden. De trenger noe de kan stole på – noe de er komfortable med å integrere i kritiske arbeidsflyter, fra HR til lokaliserings- til kundesupport.

Med Language Weaver Pro, startet vi ikke med å spørre: “Hvordan bygger vi et bedre oversettelsesmodell?” Vi spurte: “Hva må et oversettelsessystem se ut som for at et bedrift kan stole på det i stor skala?”

Det endrer fokus. Det handler ikke bare om modellkvalitet. Det handler om konsistens, kontroll, skalerbarhet og sikkerhet – tingene som gjør et system brukbart i den virkelige verden.

En av de tingene jeg er mest stolt av, er at Language Weaver Pro ikke trengte å tilpasses for bedrift senere. Det var designet for det fra dag én.

Mens andre nå flytter mot spesialisering, er det noe Language Weaver har bygget inn i sin grunn fra år tilbake. Vårt samarbeid med Cohere ga oss verdensklasse AI-kapasiteter – og vi la til de bedrifts-kontrollene og lingvistiske ekspertisen som trengs for å gjøre dem virkelig brukbare i stor skala.

Language Weaver Pro er bygget på et modell med over 100 milliarder parametre. Hva var de kritiske arkitektur- eller treningsbeslutningene for å oppnå sterk ytelse på paragraf- og dokumentnivå, der mange oversettelsessystemer vanligvis sliter?

De fleste oversettelsessystemer er optimert for setningen som oversettelsesenheten – noe som reflekterer hvordan lokaliseringsindustrien historisk har fungert. Problemet er at mening ikke alltid bor på setningsnivå. Tvetydighet, terminologisk konsistens og tone opererer alle over lengre tekstspann. Å få sterk paragraf-nivå-ytelse, krevde bevisste beslutninger, inkludert å velge en mye større kontekstvindu enn typiske oversettelsessystemer.

Et problem som de fleste systemer ser her, er at håndtering av større kontekst vanligvis kommer med økte prosesseringstider. Her kommer Mixture of Experts-arkitekturen inn i bildet. MoE lar Language Weaver Pro være samtidig stor nok til å håndtere kompleks, langformet innhold og effektivt nok til å deployere det i bedrifts-skala.

Plattformen ble rangert som nummer én i 31 av 32 språk i menneske-ledede benchmark. Hvordan er menneske- evaluering forskjellig fra automatiserte metrikker, og hvorfor er denne forskjellen viktig for bedrifts-brukstilfeller?

Automatiserte metrikker er essensielle for skala. For å kunne sammenligne kvalitet konsekvent, kan du ikke løpende kjøre menneske-evalueringer over 32 språk og tusenvis av segmenter uten dem. Men det er også begrensninger. Tradisjonelle metrikker som BLEU måler overflatenivå-ord-overlapp, noe som betyr at en oversettelse kan score høyt mens den mangler nyanser, eller score lavt mens den er fullstendig nøyaktig. Enda mer avanserte neurale metrikker er proxyer for menneskelig dømmekraft, ikke erstatninger for den. En oversettelse som er teknisk nøyaktig, men tonalt feil i en kulturell kontekst, kan forårsake virkelig skade.

Dette er hvorfor vi kjørte både. De blinde menneske-evalueringene vi kjørte med våre egne profesjonelle oversettere, ga oss den domene- og kulturelle sensitiviteten som våre bedriftskunder og deres slutbrukere virkelig bryr seg om.

Mange AI-oversettelsessystemer sliter med å opprettholde konsistens over lange dokumenter. Hvordan bevarer Language Weaver Pro mening og kontekst over paragrafer, spesielt i juridiske eller regulatoriske innhold?

Konsistens er en av de tøffeste utfordringene i oversettelse i stor skala – og det er ikke noe generelle modeller kan løse på egen hånd.

Det er også et område der vi har hatt en virkelig forsprang. Løsninger som Trados og Language Weaver har lenge bygget inn sterke terminologikontroller, så du kan påtvinge konsistent språk over selv de største og mest komplekse innholdssamlinger.

Det betyr mer enn noen gang i regulerte miljøer. I juridiske eller compliance-innhold er konsistens ikke et “nice-to-have” – det er kritisk. En enkelt variasjon i hvordan en definert term oversettes, kan invalidere en kontrakt, forvrengt en regulatorisk rapport eller innføre virkelig risiko.

Terminologikontroll fjerner denne usikkerheten. Den sikrer at slutproduktet bruker nøyaktig det språket som juridiske og compliance-team har godkjent – konsistent, i stor skala.

Du har beskrevet dette som en skifte fra oversettelse til språkintelligens. Hva betyr det i praksis, og hvordan endrer det hvordan bedrifter samhandler med flerspråklig innhold?

I tiår har bransjen sett på oversettelse som en mekanisk prosess som konverterer ord fra ett språk til et annet. Og mens spesialiserte menneske-oversettelsesprosesser som transkreasjon har eksistert en stund, har dette alltid hengt sammen med en relativt langsom prosess som fokuserte på ordtelling. “Språkintelligens” endrer fundamentalt denne paradigmen. Det er en skifte fra å konvertere ord til å virkelig forstå mening; det handler om å gripe kontekst, nyanser, merkevaren og den spesifikke intensjonen bak innholdet, uavhengig av det opprinnelige språket. Vi går fra en passiv, reaktiv oppgave til en proaktiv, strategisk evne.

I praksis, når våre AI-verktøy kan gjøre oversettelser mer flytende og kontekst-bevisste, kan den kulturelle intelligensen hos menneskelige lag kunne fokusere på relevans og innvirkning.

Plattformen legger vekt på styring, terminologikontroll og datasikkerhet. Hva slags systemer er på plass for å sikre at oversettelser møter kravene i bransjer som finansielle tjenester og helsevesen?

Tillit er hjørnestenen i vår plattform, spesielt for regulerte bransjer. Først og fremst tilbyr vi deploy-fleksibilitet som offentlige verktøy ikke kan. Klienter kan kjøre Language Weaver på egen premisse eller i deres egen dedikerte private sky. Dette sikrer at sensitiv data aldri forlater deres sikre miljø, noe som er uhindret for å møte kravene til data-bosetting.

For det andre tilbyr vi granulert kontroll over utdataene som kan endre seg med en bransjes krav. Klienter kan integrere sine egne godkjente glossarer direkte i modellen. Dette garanterer at en spesifikk juridisk disclaimer i finansielle tjenester eller en godkjent medisinsk term i helsevesen oversettes korrekt og konsistent hver enkelt gang, og fjerner risikoen for ikke-samsvarlig språk.

Til slutt er styring bygget inn. Plattformen integrerer med eksisterende bedrifts-sikkerhetsrammer, og tilbyr fullstendige audit-spor og tilgangskontroller, og kunder kan alltid sende innholdet til menneskelige eksperter for nøyaktighets-sertifikater eller for påtvingende gjennomgang.

I motsetning til generelle AI-modeller er Language Weaver Pro bygget spesifikt for oversettelse. Hva er kompromissene mellom spesialisering og fleksibilitet, og hvorfor blir spesialisering viktigere for bedrifts-AI?

Et generelt formål-modell er litt som en sveitsisk armékniv. Det er fleksibelt – det kan foreslå en oppskrift fra hva som er i kjøleskapet ditt, skisse ut et landskapsplan, skrive en dikt eller sogar forsøke å kode.

Men når det kommer til kritiske bedrifts-arbeid, er “godt nok” ikke godt nok. Du vil ikke bruke en sveitsisk armékniv til kirurgi med mindre du ikke har noe valg. Du vil ønske et presisjonsverktøy.

Det er forskjellen med et spesifikt bygget modell som Language Weaver Pro. Vi prøver ikke å gjøre alt. Vi fokuserer på å gjøre én ting eksepsjonelt bra – levere nøyaktig, pålitelig oversettelse i stor skala.

Denne typen spesialisering blir essensiell. Innsatsen er for høye for generelle verktøy. Bedrifter trenger oversettelser de kan stole på – innhold som er klart, handlebart og nøyaktig hver gang.

Samarbeidet med Cohere bringer sammen språk-ekspertise og sikker AI-infrastruktur. Hvordan er systemet designet for å balansere ytelse, personvern og deploy-fleksibilitet over sky, på premisse og hybrid-miljøer?

Dette samarbeidet er grunnleggende for vår strategi, fordi det ble arkitektert rundt en kjerneprinsipp som sier at verdensklasse AI må tilpasse seg klientens sikkerhetspostur, ikke motsatt. Vi nekter å tvinge bedrifter inn i en en-size-fits-all, offentlig sky-modell.

Vår design oppnår denne balansen ved å skille AI-modellen fra infrastrukturen den kjører på. Cohere tilbyr den verdensklasse grunnmodellen, mens de er en verdensklasse partner av oss, og vi tilbyr den lingvistiske ekspertisen og deploy-fleksibiliteten som vi allerede er kjent for. Dette lar oss deploye disse performante, flytende modellene hvor som helst våre kunders data bor. For en bank eller en etterretningsetat, betyr det å kjøre det fullstendig luft-lukket i deres på premisse-maskiner. For en helsevesen-leverandør, kan det være i deres dedikerte private sky for å møte HIPAA-reguleringer. Og for et globalt teknologiselskap, kan en hybrid-modell gi ytelse og fleksibilitet på tvers av regioner, samtidig som de opprettholder datasikkerhet der de trenger det.

Nøkelen er at klienten alltid er i kontroll. De får full ytelse av bransjens største, mest avanserte oversettelsesmodell uten å noen gang måtte gå på kompromiss med deres datapersonvern eller samsvarskrav. Vi leverer kraften til deres periferi.

En av de største risikoene for bedrifter er oversettelse som ser korrekt ut, men inneholder subtile feil. Hvordan identifiserer og reduserer plattformen disse risikoene, spesielt i høyrisiko-scenarier?

Dette er en grunnleggende feil i generelle AI-modeller, og som et selskap som spesialiserer seg på språkintelligens, forstår vi at dette er en uakseptabel risiko. Plausibel-lydende nonsens er en belastning, ikke en aktivitet.

Vi søker å mildne denne risikoen på flere måter. Først og fremst er våre modeller ikke trent på det ufiltrede offentlige internettet. De er bygget på en grunn av fire tiår med høykvalitets, menneske-oversatt og domene-spesifikt lingvistisk data. Dette lærer modellen å være riktig, ikke bare flytende. Den lærer den riktige måten å oversette komplekse juridiske klausuler og presise medisinske instruksjoner, fordi den har lært fra ren data, ikke internett-prat.

Vi gir også klientene direkte kontroll over utdataene. Gjennom terminologistyring og tilbakemelding, kan de låse inn den riktige oversettelsen for deres mest kritiske og tvetydige termer. Det sikrer at en spesifikk patentkrav eller en legemiddelinteraksjonsfrase blir gjengitt med de riktige oversettelsene, hver gang.

Til slutt lukker vi løkken. Våre systemer er designet for å integrere menneskelig ekspertise for gjennomgang og forbedring. Denne kontinuerlige tilbakemeldingen fra ekspert-lingvister og klientens egne gjennomgangsfolk skaper en syklus av kontinuerlig forbedring, og fanger de nyansene og de subtile feilene som generelle modeller er blinde for.

Med sterk konkurranse fra verktøy som DeepL og Google’s Gemini, ser du fremtiden for AI-oversettelse skifte mot domene-spesifikke modeller, og hva betyr det for det bredere AI-økosystemet?

La meg svare dette med en anekdote. Vi har en kunde, en stor navn i datamaskin-bransjen, som arbeider med flere oversettelsesleverandører. Vi arbeider med majoriteten av deres portefølje, og en av de viktigste grunnene de velger oss, er at når noe ikke er riktig, kan vi fikse det. Koreansk teknisk terminologi som ikke helt lander? Vi har et team for det. Tyske tall som forårsaker problemer? Vi har folk som kan hjelpe.

Det er det bredere poenget. Vi forventer fremtidig fremgang i AI å komme mindre fra ren modell-fremgang, og mer fra løsninger som kan utnytte relevant kontekst – lingvistisk, kulturell og domene-spesifikt. RWS, gjennom sin omfattende produktportefølje, tiår med proprietær data og dypt kundeforhold, har tilgang til nettopp denne typen kontekst. Generelle leverandører kan matche en modell-benchmark; men de kan ikke replikere det. Fremtiden tilhører leverandører som kombinerer grense-AI med menneskelig og institusjonell ekspertise for å gjøre det fungere i den virkelige verden – og det er nettopp der vi sitter.

Takk for det flotte intervjuet, alle som ønsker å lære mer, kan besøke RWS.