Sebastian Enderlein, Chief Technology Officer i DeepL – Intervju-serie

Sebastian Enderlein, Chief Technology Officer i DeepL, er en europeisk født teknolog med over et tiår med erfaring i Silicon Valley, der han hadde senior ingeniørlederroller i selskaper som Uber, Salesforce og Personio. Med en sterk bakgrunn i skyinfrastruktur, distribuerte systemer og bygging av høytytende ingeniørorganisasjoner, har han hjulpet til å skalle noen av de raskest voksende teknologiselskapene både i USA og Europa. I dag deler han sin tid mellom San Francisco og Europa, hvor han fungerer som CTO i DeepL, samtidig som han rådgir og investerer i start-ups, med fokus på å løse komplekse tekniske utfordringer og hjelpe skalamodeller på deres vei til 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 konsekvent konkurrentene når det gjelder flyt og presisjon. Tilgjengelig via web, skrivebord og mobilapper, nettleserutvidelser og API, tilbyr DeepL også en Pro-versjon med bedriftsgradsfunksjoner, ubegrenset bruk og forbedret sikkerhet.

Hva personlige lærdommer har formet din tilnærming til ledelse og innovasjon over disse to 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 tempot kan være intensivt – selskaper har ofte ambisiøse visjoner, skalerer raskt og lykkes eller feiler raskt. Min tid der lærte meg mye om å skalle team og teknologi raskt, og om hvordan å balansere ambisjon med presset som tempot 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, overholdelse 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 overholdelse. Jeg har også lagt merke til at start-ups der er mer sannsynlige til å selvfinansiere, noe som kan noen ganger bremse vekst, men også bygger motstandskraft og langvarig utholdenhet. For DeepL har å ha våre røtter i Europa vært en tydelig styrke. Det har formet vår fokus på presisjon, sikkerhet og kulturell nuanser, og hjulpet oss til å skille oss ut som en leder i den raskt bevegende AI-landskapet.

Hva motiverte deg til å bli med DeepL som CTO 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 potensial, og selskapets kultur som er så dypt rotfestet i praktisk innovasjon og virkelig innvirkning, var en stor motivator for meg og gjorde meg spennende til å bli med teamet. Jeg har sett innvirkningen 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 som jeg både har erfart personlig og også sett førstehånds. Enten det er globale team som prøver å samarbeide mer effektivt eller selskaper som ser på å vokse inn i nye markeder, kan språkbarrierer sakke alt ned. Så jeg var også spennende til å bli med 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 initiale gnisten for å utvikle det, og hvordan skyver det grensen for hva språk-AI kan gjøre?

En stor fokus for oss i år har vært å se på hvordan vi kan forbedre produktene våre gjennom vår Language AI-plattform – fra DeepL Translator til vår sanntids taleoversettelsesløsning, Deepl Voice – så de kan bli enda mer personlige, samarbeidende 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 det Clarify leverer.

Språk er usedvanlig nyanserte. Ord og setninger kan ha flere betydninger, kulturelle implikasjoner eller grammatiske variasjoner, som kjønnsbestemte substantiv eller idiom som ikke oversettes reneste. Clarify, som er tilgjengelig via DeepL Translator, 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 kjønn.

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

En av de mest fascinerende elementene i Clarify er evnen til å detektere 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 er ofte oversett 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 reagere deretter.

DeepL har et rykte for presisjon, men nå beveger det seg inn i personalisering og samarbeid. Hvordan balanserer du modellprestasjon med brukergrensesnitt for å sikre at AI-en 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 nyanser. For oss er presisjon og personalisering ikke separate mål, men heller arbeider sammen for å sikre kvalitet.

I 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 fremtredende modellprestasjon med smart brukergrensesnitt for å sikre at våre kunder mottar oversettelsesutdata som virkelig passer deres behov.

Mange generelle modeller mangler 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. Denne fokuset gir oss en betydelig fordel i å fange nyanser, kontekster og toner på tvers av språk, noe som er kritisk i forretningsmiljøer 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 muliggjør oss å konsistent levere høyere kvalitet og pålitelighet. I blinde tester i 2024 fant profesjonelle oversettere at vår neste generasjons LLM trengte 2-3 ganger færre redigeringer enn Google eller ChatGPT for å oppnå samme kvalitet. Det er derfor at over 200 000 bedriftskunder verden over stoler på DeepL. I felt som jus, teknologi, helse og markedsføring kan selv små feiloversettelser ha alvorlige konsekvenser. Kvalitet og nøyaktighet er ikke valgfrie.

Fra din tid med å håndtere skyinfrastruktur i Uber til å lede ingeniørarbeid 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 holde effektivitet, samt sikre at nye ansatte blir godt påmeldt, 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 teknologiteam på ett år skaper uunngåelig belastning – jeg har siden satt det som en omtrentlig øvre grense.

Fra et teknisk perspektiv har jeg tilbrakt mye av min karriere med å skalle teknologistaker i skyen og rundt om i verden, og har håndtert 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 din organisasjon og gjøre det vanskeligere å nå kunden. Med AI som akselerer forretningsfart enda mer – selskaper kan nå nå $100M ARR på under ett år, og team ser utenfor sammenligning produktivitetsgevinst – 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 fart?

Det er en balanse vi tenker på hele tiden. Våre bedriftskunder avhenger av DeepL for kritisk, høyrisikokommunikasjon, så pålitelighet, sikkerhet og tillit er virkelig essensielle. Samtidig vet vi at innovasjon ikke kan sakke ned… AI-industrien beveger seg i lynfart! Nøkkelen er, på noen måter, fokus. Når det gjelder vår Language AI-plattform, er vi fokusert på å løse komplekse språkproblemer med høy nøyaktighet og presisjon. Denne fokuset muliggjør 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 bedriftsgrads kvalitet, nøyaktighet og ytelse 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 transformerer allerede hvordan vi, som bedrifter, ansatte og mennesker, kommuniserer globalt, og muliggjør dypere tilknytning og samarbeid på tvers av 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, åpner døren til en mer tilknyttet, inklusiv verden og økonomi.

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