Стефан Мескен, главный ученый в DeepL – Интервью

Стефан Мескен, главный ученый в DeepL, провел более пяти лет в DeepL, продвигая ее основные исследования и научное лидерство, начиная с должности исследователя в октябре 2020 года, перейдя на должность вице-президента по исследованиям в ноябре 2023 года, и вступив в свою текущую роль в апреле 2025 года в Мюнхене. До DeepL он работал в качестве ученого-дата в real.digital в регионе Кельн-Бонн и проводил исследования по математической логике в Университете Мюнстера. Его карьера сочетает фундаментальные математические исследования и прикладную разработку ИИ, что позволяет ему возглавлять научное направление за крупномасштабными языковыми моделями и многоязыковыми системами ИИ DeepL.

DeepL – это немецкая компания ИИ, которая фокусируется на создании передовых языковых систем ИИ, которые обеспечивают точный, контекстно-зависимый перевод и общение на более чем 100 языках. Основанная в 2017 году и расположенная в Кельне, компания обслуживает миллионы пользователей по всему миру и предоставляет решения для бизнеса через подписку и API. Ее платформа расширилась за пределы перевода в более широкий Language AI, включая помощь в написании и голосовые возможности, предназначенные для поддержки безопасного, масштабируемого общения для глобальных бизнесов и организаций.

Вы начали свою карьеру в математической логике, прежде чем перейти к прикладной науке о данных и в конечном итоге возглавить исследовательскую организацию DeepL. Оглядываясь назад, как эта ранняя работа в формальной логике повлияла на то, как вы теперь думаете о создании автономных, корпоративных систем ИИ?

То, что изначально привлекло меня в область теории множеств и математической логики, была неутолимая любознательность узнать, как эти сложные системы работают – от первых принципов и в возрастающую глубину. Эта любознательность была постоянной в моей жизни с детства. Это также та часть моей работы, которую я люблю больше всего. Сейчас задача состоит в том, чтобы продвинуть состояние разработки ИИ с интенсивным фокусом на реальной применимости. Помимо безопасности и доверия, я посвящаю свое время обеспечению того, чтобы бизнес и пользователи всех видов могли извлечь выгоду из этой невероятной технологии. До сих пор тенденция была другой: большинство реального использования ИИ либо полностью пассивно (например, системы рекомендаций, которые вы потребляете, но не контролируете), либо в основном используется высококвалифицированными, техническими людьми (например, помощники кодирования). Я хочу закрыть этот разрыв: каждый человек и компания должны быть готовы к успеху и иметь возможность революционизировать то, как они подходят к работе.

DeepL построила свою репутацию на высокоточной перевод. Как это основание в языковом моделировании сформировало раннее мышление компании о движении за пределы перевода в более общие системы ИИ?

То, что делает ИИ таким магическим, заключается в том, что очень похожие концепции и идеи могут привести к новым решениям в совершенно разных областях: шахматные движки, системы рекомендаций, складывание белков, самоходные автомобили, движки перевода и многие другие. Все они работают на основе одного и того же набора принципов и методов. Освоив эти методы за почти десятилетие, мы естественно думаем о новых проблемах, на которые можно сосредоточиться. Внутри компании это всегда было так, что привело к изобретению Глоссария, Write, Voice, Customization Hub и многого другого.

Как главный ученый, как вы различаете построение языковых моделей, которые генерируют плавный вывод, и построение систем, которые могут надежно действовать внутри реальных корпоративных рабочих процессов?

Основные идеи удивительно похожи: нам нужно глубоко понять, чего хотят наши пользователи, и затем выровнять наши системы ИИ с этими целями и предпочтениями. Иногда они очевидны и явны; в других случаях они тонки и неявны. В любом случае наша задача – обеспечить, чтобы работа, которую мы производим, была высокоценной для наших пользователей.

DeepL Agent представляет собой сдвиг от вспомогательного ИИ к автономному выполнению. Какими были самые большие технические проблемы в том, чтобы сделать этот переход работать на практике?

Самой большой проблемой в построении DeepL Agent является удобство использования. На протяжении многих лет экосистема ИИ в первую очередь обслуживала программистов и высококвалифицированных экспертов. С DeepL Agent мы стремимся изменить это и оснастить каждого работника знаниями сложными инструментами для решения и автоматизации сложных проблем. Для этого нам необходимо одинаковый уровень сложности в распознавании, рассуждении, планировании и действии.

С архитектурной точки зрения, какие возможности должны быть на месте, прежде чем система ИИ может быть доверена для автономной работы в корпоративной среде?

Для широкого спектра административных задач технология уже здесь. DeepL Agent может надежно действовать в вашей среде, искать совета, когда это необходимо, и предлагать проверку человека в цикле, когда это желательно. Этот уровень синтетического интеллекта был чистой фантастикой всего несколько месяцев назад. Однако еще есть долгий путь. В течение следующих нескольких лет агенты ИИ станут горизонтальным слоем в бизнесе – неустанно работающим на заднем плане, сотрудничающим с людьми и друг с другом, чтобы исключить рутинную работу и расширить возможности для решения проблем, ранее недоступных.

Вы говорили о глубоком понимании языка как о предшественнике для ответственных агентов ИИ. Что означает “глубокий” в этом контексте, помимо поверхностного уровня плавности?

Язык удивительно двусмыслен и контекстно-зависим – особенно в профессиональных областях. Вы, вероятно, сами испытывали это: подслушивая группу друзей, обсуждающих хобби, которое вы не разделяете, или профессиональную специализацию, в которой у вас нет опыта… Это может не иметь смысла для посторонних, но каким-то образом они идеально понимают друг друга. Мы хотим, чтобы помощь ИИ чувствовалась так же безшовно, как разговор с опытным, доверенным коллегой, с которым вы разделили годы сотрудничества. Неявные предпочтения должны оставаться неявными. Вам не следует повторно объяснять, как вы хотите, чтобы работа была выполнена. Это может показаться очевидным, но для этого требуется огромные исследования, чтобы все сделать правильно. Это то, что я имею в виду под “глубоким” пониманием языка.

Как вы подходите к гарантиям и контролю при развертывании автономных систем, которые могут совершать реальные действия, а не просто давать рекомендации?

Для того, чтобы помощь ИИ работала в бизнес-контексте, мы должны тщательно сбалансировать возможности с контролем. Более высокие возможности создают огромные возможности для производительности, но если их оставить без контроля, они становятся обузой. Это не может произойти. С первого дня DeepL Agent был оснащен корпоративными гарантиями, реализованными в нескольких формах. Общие рабочие пространства дают пользователям точный контроль над данными и доступом, а также обеспечивают ведение аудиторских журналов, контроль человека и проверку человека в цикле. Кроме того, системные администраторы имеют тонкий контроль над системами, которые может проходить DeepL Agent, и механизмы для уведомления основных инструментов, когда они используются агентом.

Какие уроки вы выучили о том, как перемещать идеи из исследований в производство, не жертвуя надежностью или научной дисциплиной?

Разрыв между исследованиями и разработкой продукта шире, чем обычно считается. Оба начинаются с тщательного подхода к решению ранее неразрешимых проблем и тщательного учета того, что работает, а что нет. Хотя исследования могут упростить объем и предположить более простую модель мира, разработка продукта должна учитывать сложность контекста реальных пользователей. В помощи ИИ использование инструментов является ярким примером. Это заманчиво предположить, что среды всегда будут подготовлены для автоматизации, с доступом к системам и готовыми API. Реальность отличается. Как и самоходные автомобили должны справляться с полной сложностью сегодняшней инфраструктуры, агенты ИИ должны работать эффективно внутри шаблонов доступа, данных и систем, на которые полагаются бизнесы.

Когда DeepL расширяется от сосредоточенной языковой платформы до более широкой корпоративной системы ИИ, как вы решаете, какие возможности должны оставаться плотно контролируемыми, а какие должны быть открыты для более автономного поведения?

Уровень контроля, необходимый для задачи, определяется двумя факторами: надежностью человека или системы, выполняющей ее, и потенциальным воздействием ошибок. Это применяется одинаково к человеческому и машинному выполнению. Надежность ИИ увеличилась значительно за последние годы и будет продолжать улучшаться. Следовательно, плотный контроль будет необходим для все меньшего и меньшего количества задач. В конечном итоге надежность ИИ превзойдет даже уровень человеческих экспертов для многих задач. Это также применяется к механизмам контроля, которые все чаще будут передаваться ИИ. Внутри DeepL Agent уже делает это, запрашивая помощь пользователя, когда самокоррекция невозможна.

Оглядываясь вперед, какие прорывы в понимании языка или проектировании агентов, по вашему мнению, наиболее сильно сформируют корпоративный ИИ в течение следующих двух лет?

Агенты ИИ не только помогут с индивидуальными задачами. Они образуют коллаборативный слой производительности в бизнесе, который работает на нашем behalf, чтобы уменьшить отвлечения, подготовить и представить информацию точно тогда, когда это необходимо, и решить проблемы и все более сложные задачи полностью на заднем плане.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить DeepL.