Sebastian Enderlein, teknologidirektør i DeepL – Intervju-serie

Sebastian Enderlein, teknologidirektør i DeepL, er en europeisk født teknolog med over ett tiår med erfaring i Silicon Valley, der han har hatt seniorteknisk lederroller i selskaper som Uber, Salesforce (CRM ) og Personio. Med en sterk bakgrunn i skyinfrastruktur, distribuerte systemer og bygging av høytytende tekniske organisasjoner, har han hjulpet til å skalerer noen av de raskest voksende teknologiselskapene i både USA og Europa. I dag deler han sin tid mellom San Francisco og Europa, der han er teknologidirektør i DeepL, samt rådgiver og investor i start-ups, med fokus på å løse komplekse tekniske utfordringer og hjelpe skaleringsforetak på deres vei mot å bli enhjørninger.

DeepL, lansert i 2017, er en neural maskinoversettelsestjeneste som er anerkjent for å levere svært nøyaktige og naturlig lydende oversettelser på over 30 språk. Ved å bruke avanserte neurale nettverk og proprietære AI-forbedringer, overstiger den konkurranse i flyt og presisjon. Tilgjengelig via web, desktop og mobilapper, nettleserutvidelser og API, tilbyr DeepL også en Pro-versjon med bedriftsgraderte funksjoner, ubegrenset bruk og forbedret sikkerhet.

Hva personlige lærdommer har formet din tilnærming til ledelse og innovasjon over disse svært forskjellige teknologimiljøene?

Begge miljøene har sine unike styrker og karakteristika, og jeg er takknemlig for å ha fått dypt innsikt og erfaring i begge kulturer. I Silicon Valley finnes det en spennende start-up-kultur med høyt motiverte, globalt diverse ingeniører som jakter på store ideer, bakket av en mentalitet som beveger seg raskt og omfavner store risikoer. Det finnes også mye press, og tempoet kan være intensivt – selskaper har ofte ambisiøse visjoner, skalerer raskt og enten lykkes eller feiler raskt. Min tid der lærte meg mye om å skalerer team og teknologi raskt, og om hvordan å balansere ambisjon med presset som tempoet kan bringe.

I Europa finnes det også sterk talent, ideer og innovasjon med team som ofte er flerspråklige og multikulturelle, og det finnes en tydelig vekt på sikkerhet, samvær og presisjon. Kontinentets mangfold kan være en styrke, som bringer rike perspektiver, men også en utfordring med fragmenterte markeder, varierende rettssystemer og høyere krav til samvær. Jeg har også lagt merke til at start-ups der er mer sannsynlig å selvfinansiere, noe som kan noen ganger sakke vekst, men også bygger motstandskraft og langsiktig utholdenhet. For DeepL har det å ha våre røtter i Europa vært en tydelig styrke. Det har formet vår fokus på presisjon, sikkerhet og kulturell nuanse, og hjulpet oss til å skille oss ut som en leder i det raskt bevegende AI-landskapet.

Hva motiverte deg til å bli med i DeepL som teknologidirektør etter din tid i Personio og din erfaring med selskaper som Uber og Salesforce?

Da jeg først møtte Jarek, DeepLs CEO og grunnlegger, sammen med resten av lederteamet, ble jeg umiddelbart trukket til deres klare visjon og lidenskap for å løse et virkelig meningsfullt problem med AI. DeepL bygger ikke bare cool AI-teknologi for innovasjonens skyld. De er laserfokusert på å bygge produkter som løser virkelige, hverdagslige problemer for mennesker og bedrifter – og de er lidenskapelige om det. Denne sansen for formål og potensiale, og selskapets kultur som er så dypt rotfestet i praktisk innovasjon og virkelige resultater, var en stor motivator for meg og gjorde meg spennende til å bli med i teamet. Jeg har sett effekten av målrettede team under min tid i Personio, Uber og Salesforce.

Som noen som tilbringer mye tid på begge sider av Atlanterhavet, sto selskapets misjon om å bryte ned språkbarrierer også ut til meg. DeepL løser en svært virkelig utfordring som mennesker og bedrifter overalt møter; en utfordring jeg både har erfart personlig og også sett førstehånd. Enten det er globale team som prøver å samarbeide mer effektivt eller selskaper som søker å vokse inn i nye markeder, kan språkbarrierer sakke alt ned. Så jeg var også spennende til å bli med i teamet og hjelpe til å løse denne utfordringen på en meningsfull måte.

La oss snakke om Clarify. Det er ikke bare en oversetter – det er interaktivt, kontekstuell og adaptivt. Hva var den innledende gnisten for å utvikle det, og hvordan skyver det grensene for hva språk-AI kan gjøre?

Et stort fokus for oss i år har vært å se på hvordan vi kan forbedre produktene våre gjennom vår Language AI-plattform – fra DeepL Oversetter, til vår sanntids stemmeoversettelsesløsning, DeepL Voice – så de kan bli enda mer personlige, samarbeidsorienterte og intuitive. Vi ønsker at DeepL-erfaringen skal føles mindre som tradisjonell programvare og mer som å arbeide med en smart samarbeidspartner, og det er nettopp hva Clarify leverer.

Språk er usedvanlig nyanserte. Ord og setninger kan ha flere betydninger, kulturelle implikasjoner eller grammatikalske variasjoner, som kjønnsbestemte substantiv eller idiom som ikke oversettes reneste. Clarify, som er tilgjengelig via DeepL Oversetter, ble bygget for å hjelpe våre kunder med å navigere disse kompleksitetene, og fungerer som en interaktiv AI-språkeksperter som engasjerer direkte med brukerne for å løse tvetydighet og bringe frem dypere kontekst. For eksempel vil Clarify hjelpe til å bestemme om “bank” i en setning kan referere til en elv eller en finansiell institusjon, eller oversette “professoren” uten å vite kjønnet.

Hva er spennende med Clarify er at det transformerer DeepL-oversettelsesprosessen fra en envegs inndata-utdata-modell til en sant samarbeid. I stedet for å motta resultater passivt, interagerer brukerne med Clarify gjennom hele prosessen. Verktøyet vil proaktivt foreslå redigeringer og forslag, så du kommer frem til det mest nøyaktige resultatet sammen.

En av de mest fascinerende elementene med Clarify er dens evne til å oppdage tvetydighet og be brukerne om klarhet. Hvordan definerer du teknisk “tvetydighet” på en måte som en maskin kan gjenkjenne og handle på?

Det er et godt spørsmål – tvetydighet er en kjent utfordring i maskinoversettelse, men ofte overse eller unngått fordi å forstå en brukers intensjoner i sanntid kan være utfordrende. Likevel kan tvetydighet fullstendig endre betydningen av en oversettelse avhengig av hvordan du forstår inndata. For å løse dette har våre forskere samarbeidet tett med språkeksperter for å identifisere eksempler hvor dette skjer og utvikle systemer som kan respondere deretter.

DeepL har et rykte for presisjon, men nå beveger det seg inn i personliggjøring og samarbeid. Hvordan balanserer du modellprestasjon med brukergrensesnitt for å sikre at AI ikke bare gir “en” oversettelse – men den riktige for den brukeren?

Som du sier, er den “rette” oversettelsen ikke alltid universell. Den avhenger av kontekst, språkpar og brukstilfelle. Et selskap kan kreve spesifikke interne termer, mens et annet kan trenge å fange en bestemt tone eller nuanse. For oss er presisjon og personliggjøring ikke separate mål, men heller arbeider de sammen for å sikre kvalitet.

Ved DeepL, når vi tenker på kvalitet, er vi fokusert på å levere oversettelser og utdata som er teknisk nøyaktige og kontekstuell passende, men som også er i samsvar med brukerens intensjoner. Vår Language AI-plattform reflekterer dette – vi kombinerer banebrytende modellprestasjon med smart brukergrensesnitt for å sikre at våre kunder mottar oversettelsesutdata som virkelig passer deres behov.

Mange generelle modeller kommer til kort når det gjelder språknyanser og kulturell kontekst. Hva gjør DeepLs modeller forskjellige, og hvorfor er spesialisering en kritisk fordel?

Modellene som driver vår Language AI-plattform er spesialbygget for oversettelse og skriving. Dette fokuset gir oss en betydelig fordel i å fange nyanser, kontekster og toner på tvers av språk, noe som er kritisk i bedriftsmiljøer hvor presisjon er avgjørende.

I motsetning til generelle modeller trent på bredt internettdata, er DeepLs proprietære LLM-er trent på 7+ års domenespesifikt innhold og gjennomgår ytterligere finjustering av tusenvis av profesjonelle lingvister. Denne spesialiseringen gjør det mulig for oss å konsistent levere høyere kvalitet og pålitelighet. I blinde tester i 2024 fant profesjonelle oversettere at vår neste generasjons LLM krevde 2-3 ganger færre redigeringer enn Google (GOOGL ) eller ChatGPT for å oppnå samme kvalitet. Det er derfor over 200 000 bedriftskunder verden over som stoler på DeepL. I felt som lovgivning, teknologi, helse og markedsføring kan små oversettelsesfeil ha alvorlige konsekvenser. Kvalitet og nøyaktighet er ikke valgfrie.

Fra din tid med å håndtere skyinfrastruktur i Uber til å lede tekniske team i Personio og nå DeepL, hva har vært den hardeste tekniske utfordringen du har møtt – og hva lærte du av det?

Fra et menneskeligt perspektiv har den hardeste utfordringen vært å lede team gjennom lange faser med hypervekst, finne riktig balanse mellom å bevege seg raskt og å holde effektivitet, samt sikre at nye ansatte blir godt innført, forstår selskapets misjon og har muligheter til å vokse. En stor lærdom jeg lærte der var å unngå pendelbevegelsen mellom ekstremene. Å skifte raskt fra “vekst til enhver pris” til “høy effektivitet” er hardt for en organisasjon, og å mer enn doble en teknisk avdeling på ett år er uunngåelig en belastning – jeg har siden satt det som en grov øvre grense.

Fra et teknisk perspektiv har jeg tilbrakt mye av min karriere med å skalerer tekniske staker i skyen og rundt om i verden, og å håndtere komplekse problemer rundt konsistens og pålitelighet for noen av de mest populære tjenestene på planeten. Jeg har lært at over-arkitektur er et alvorlig problem, og “over-plattforming” kan lamme en organisasjon og gjøre det vanskeligere å oppnå ansvar for kundeimpakt. Med AI som akselerer forretningsfarten enda mer – selskaper kan nå nå 100 millioner dollar i årlig omsetning på under ett år, og team ser uforutsette produktivitetsgevinster – er fokus og enkelhet viktigere enn noensinne.

DeepL betjener nå over 200 000 bedrifter og regjeringseinstitusjoner. Hvordan opprettholder du balansen mellom bedrifts pålitelighet og innovasjon i raskt tempo?

Det er en balanse vi tenker på hele tiden. Våre bedriftskunder avhenger av DeepL for kritisk, høyrisiko kommunikasjon, så pålitelighet, sikkerhet og tillit er virkelig essensielle. Samtidig vet vi at innovasjon ikke kan sakke ned… AI-industrien beveger seg i lynsnakk! Nøkkelen er, på en måte, fokus. Når det gjelder vår Language AI-plattform, er vi fokusert på å løse komplekse språkproblemer med høy nøyaktighet og presisjon. Denne fokuseringen gjør det mulig for oss å bevege oss raskt uten å kompromittere kvalitet.

Vi er også svært tilpasningsdyktige. Vi kan introdusere nye funksjoner eller egenskaper, levere fremtidsrettede løsninger som skyver industrien fremover, samtidig som vi opprettholder den bedriftsgraderte kvaliteten, nøyaktigheten og ytelsen som våre kunder kjenner oss for og fortsatt forventer. Et godt eksempel på dette er den nylige utvidelsen av DeepL Voice: Vi har nettopp annonsert at det nå tilbyr støtte for taleinndata fra mandarin, ukrainsk og rumensk, samt forbedrede møteproduktivitetsfunksjoner og en stor kommende integrasjon med Zoom-møter, som er virkelig spennende.

Til slutt, hva tror du fremtiden holder for språk-AI?

Språk-AI er allerede i ferd med å transformere hvordan vi, som bedrifter, ansatte og mennesker, kommuniserer globalt, og muliggjør dypere tilknytning og samarbeid over bedrifter, kulturer og industrier. Vi beveger oss mot en fremtid hvor selskaper av alle størrelser kan operere og vokse internasjonalt uten å bli hindret av språkbarrierer, og åpner døren til en mer tilknyttet, inkluderende verden og økonomi.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Deepl.