Ben Faes, VD för RWS – Intervjuserie

Ben Faes är verkställande direktör för RWS Group. Han har mer än 25 års erfarenhet av att leda digital transformation och skala teknikutvecklade företag, med en stark meritlista av att driva lönsam tillväxt, bygga innovativa marknadsmodeller och utveckla högpresterande internationella team.

Innan han gick med i RWS hade Ben ledande roller inom teknik- och affärstjänstesektorerna. På AOL avancerade han till verkställande direktör för Frankrike, innan han gick till Alphabet (GOOG ) (GOOGL ) 2008 där han banade väg för YouTubes kommersialisering i Europa och senare ledde flera Google-företag i EMEA-regionen, med slutdestination som verkställande direktör för Google Cloud i södra Europa och utvecklingsmarknader. 2021 blev han VD för Webhelp i Storbritannien, och efter att företaget förvärvades av Concentrix, ledde han globala transformations- och teknikinitiativ på Concentrix Catalyst.

RWS är ett globalt företag som erbjuder AI-lösningar och innehållstjänster som hjälper organisationer att skapa, hantera, översätta och skydda information i stor skala, genom att kombinera avancerad teknik med mänsklig expertis. Företaget specialiserar sig på områden som språköversättning och lokaliseringsprocesser, immateriella rättigheter, AI-drivna innehålls- och data-lösningar, som möjliggör för företag att kommunicera effektivt över marknader och distribuera företags AI-system med kulturell och kontextuell noggrannhet. Med en stor global arbetsstyrka och decennier av erfarenhet, stödjer RWS stora företag i att omvandla komplexa data till tydligt, pålitligt innehåll samtidigt som de accelererar innovation och säkerställer att idéer förstås över hela världen.

Du har lett stora transformationer i företag som Google Cloud och nu i RWS. Hur har din erfarenhet av att skala företags AI-plattformar format din strategi för att bygga Language Weaver Pro som ett kritiskt översättningssystem snarare än ett allmänt ändamålverktyg?

Det jag har lärt mig av att skala företags AI är följande: allmänna verktyg når en gräns snabbt i högriskmiljöer.

Företag behöver inte bara något som fungerar mestadels. De behöver något de kan lita på – något de är bekväma med att införliva i kritiska arbetsflöden, från HR till lokaliseringsprocesser och kundsupport.

Med Language Weaver Pro började vi inte med att fråga oss, “Hur bygger vi en bättre översättningsmodell?” Vi frågade, “Hur ska ett översättningssystem se ut för att ett företag ska kunna lita på det i stor skala?”

Det förändrar fokus. Det handlar inte bara om modellkvalitet. Det handlar om konsekvens, kontroll, skalbarhet och säkerhet – de saker som gör ett system användbart i den verkliga världen.

En av de saker jag är mest stolt över är att Language Weaver Pro inte behövde anpassas för företag senare. Det var utformat för det från dag ett.

Medan andra nu rör sig mot specialisering, är det något som Language Weaver har byggt in i sin grund från början. Vårt samarbete med Cohere gav oss världsklassens AI-kapacitet – och vi lade till de företagskontroller och lingvistiska expertis som behövs för att göra dem riktigt användbara i stor skala.

Language Weaver Pro bygger på en modell med över 100 miljarder parametrar. Vilka arkitektur- eller utbildningsbeslut var avgörande för att uppnå stark prestanda på stycke- och dokumentnivå, där många översättningssystem vanligtvis kämpar?

De flesta översättningssystem är optimerade för meningsenhet som översättningsenhet – vilket speglar hur lokaliseringsindustrin historiskt har fungerat. Problemet är att betydelse inte alltid bor på meningsnivå. Tvetydighet, terminologisk konsekvens och ton fungerar alla över längre textavsnitt. Att uppnå stark prestanda på styckenivå krävde medvetna beslut, inklusive att välja en mycket större kontextfönster än typiska översättningssystem.

Ett problem som de flesta system ser här är att hantering av större kontext vanligtvis medför ökade bearbetningstider. Här kommer Mixture of Experts-arkitekturen in i bilden. MoE låter Language Weaver Pro vara samtidigt tillräckligt stort för att hantera komplexa, långformade innehåll och effektivt nog för att distribuera det i företagsstorlek.

Plattformen rankades först i 31 av 32 språk i mänskligt ledda benchmark-tester. Hur skiljer sig mänsklig utvärdering från automatiserade mått, och varför är den distinktionen viktig för företagsanvändningsfall?

Automatiserade mått är avgörande för skala. För att konsekvent mäta kvalitet kan man inte ständigt köra mänskliga utvärderingar över 32 språk och tusentals segment utan dem. Men det finns begränsningar också. Traditionella mått som BLEU mäter ytnivå-ordöverlappning, vilket betyder att en översättning kan få höga poäng medan den saknar nyanser eller få låga poäng medan den är fullständigt korrekt. Även mer avancerade neuramått är proxier för mänsklig bedömning, inte ersättningar för den. En översättning som är tekniskt korrekt men tonalt fel i en kulturell kontext kan orsaka verklig skada.

Därför körde vi båda. De blinda mänskliga utvärderingarna vi genomförde med våra egna professionella översättare gav oss den domän- och kulturella känslighet som våra företagskunder och deras slutanvändare verkligen bryr sig om.

Många AI-översättningssystem kämpar med att upprätthålla konsekvens över långa dokument. Hur bevarar Language Weaver Pro mening och kontext över stycken, särskilt i juridiska eller regulatoriska innehåll?

Konsekvens är en av de tuffaste utmaningarna i översättning i stor skala – och det är inte något som allmänna modeller kan lösa på egen hand.

Det är också ett område där vi har haft en verklig försprång. Lösningar som Trados och Language Weaver har länge byggt in starka terminologikontroller, så att du kan påtvinga konsekvent språk över till och med de största och mest komplexa innehållssamlingarna.

Det betyder mer än någonsin i reglerade miljöer. I juridiska eller efterlevnadsinnehåll är konsekvens inte en “nice-to-have” – det är avgörande. En enda variation i hur en definierad term översätts kan ogiltigförklara ett kontrakt, förvrida en regulatorisk inlämning eller införa verklig risk.

Terminologikontroll tar bort den osäkerheten. Den säkerställer att den slutliga utdataanvändningen exakt det språk som juridiska och efterlevnadsteam har godkänt – konsekvent, i stor skala.

Du har beskrivit detta som en skiftning från översättning till språklig intelligens. Vad betyder det i praktiken, och hur förändrar det hur företag interagerar med flerspråkigt innehåll?

I decennier har branschen sett översättning som en mekanisk process som konverterar ord från ett språk till ett annat. Och medan specialiserade mänskliga översättningsprocesser som transkreation har funnits under en tid, har allt detta hängt på en relativt långsam process som fokuserade på ordantal. “Språklig intelligens” förändrar grundantagandet. Det är en skiftning från att konvertera ord till att verkligen förstå mening; det handlar om att greppa kontext, nyans, varumärkesröst och specifik avsikt bakom innehållet, oavsett ursprungsspråk. Vi flyttar från en passiv, reaktiv uppgift till en proaktiv, strategisk förmåga.

I praktiken, när våra AI-verktyg kan göra översättningar mer flytande och kontextmedvetna, kan den mänskliga kulturella intelligenslagret fokusera på relevans och påverkan.

Plattformen betonar styrning, terminologikontroll och datasäkerhet. Vilka specifika system är på plats för att säkerställa att översättningar uppfyller efterlevnadskrav i branscher som finans och hälsovård?

Förtroende är hörnstenen i vår plattform, särskilt för reglerade industrier. Först erbjuder vi distributionsflexibilitet som offentliga verktyg inte kan. Kunder kan köra Language Weaver på plats eller i sin egen dedikerade privata moln. Det säkerställer att känsliga data aldrig lämnar deras säkra miljö, vilket är ovillkorligt för att uppfylla dataresidenskrav.

Andra tillhandahåller vi granulär kontroll över utdata som kan förändras med en branschs krav. Kunder infogar sina egna godkända glossarier direkt i modellen. Det garanterar att en specifik juridisk disclaimer i finans eller en godkänd medicinsk term i hälsovården översätts korrekt och konsekvent varje gång, och eliminerar risken för icke-kompatibelt språk.

Slutligen är styrning inbyggd. Plattformen integrerar med befintliga företagssäkerhetsramverk, som tillhandahåller fullständiga revisionsloggningar och åtkomstkontroller, och kunder kan alltid dirigera innehållet till experthumana i loop för noggrannhetscertifikat eller för obligatorisk granskning.

Till skillnad från allmänna AI-modeller är Language Weaver Pro specialbyggt för översättning. Vilka är avvägningarna mellan specialisering och flexibilitet, och varför blir specialisering allt viktigare för företags AI?

En allmän modell är lite som en schweizisk armékniv. Den är mångsidig – den kan föreslå ett recept baserat på vad som finns i kylen, skissa ut en landskapsplan, skriva en dikt eller till och med försöka skriva kod.

Men när det gäller kritiska företagsuppgifter är “tillräckligt bra” inte tillräckligt bra. Man vill inte använda en schweizisk armékniv för kirurgi om man inte måste. Man vill ha ett precisionsinstrument.

Det är skillnaden med ett specialbyggt verktyg som Language Weaver Pro. Vi försöker inte göra allt. Vi fokuserar på att göra en sak exceptionellt bra – leverera korrekt, tillförlitlig översättning i stor skala.

Den nivån av specialisering blir allt viktigare. Insatserna är för höga för allmänna verktyg. Företag behöver översättningar de kan lita på – innehåll som är tydligt, handlingsbart och korrekt varje gång.

Samarbetet med Cohere förenar språkexpertis och säker AI-infrastruktur. Hur är systemet utformat för att balansera prestanda, integritet och distributionsflexibilitet över moln, på plats och hybridmiljöer?

Det samarbetet är grundläggande för vår strategi eftersom det utformades kring en kärnprincip att världsklassens AI måste anpassa sig till kundens säkerhetspostur, inte tvärtom. Vi vägrar att tvinga företag in i en enhetlig, offentlig molnmodell.

Vår design uppnår denna balans genom att separera AI-modellen från den infrastruktur den körs på. Cohere tillhandahåller den senaste modellen, och vi tillhandahåller den lingvistiska expertisen och distributionsflexibiliteten som vi redan är kända för. Det låter oss distribuera dessa presterande, flytande modeller var kundens data bor. För en bank eller underrättelsetjänst betyder det att köra det helt luftgap i deras maskiner på plats. För en hälsovårdspersonal kan det vara i deras dedikerade privata moln för att uppfylla HIPAA-regler. Och för ett globalt teknikföretag kan en hybridmodell tillhandahålla prestanda och flexibilitet över regioner, samtidigt som datasäkerhet upprätthålls där de behöver den.

Den viktiga punkten är att kunden alltid är i kontroll. De får full prestanda av branschens största, mest avancerade översättningsmodell utan att någonsin behöva kompromissa med sin datasekretess eller efterlevnadsmandat. Vi levererar kraften till deras periferi.

En av de största riskerna för företag är översättningar som verkar korrekta men innehåller subtila fel. Hur identifierar och minskar plattformen dessa risker, särskilt i högriskscenarier?

Detta är en grundläggande brist i allmänna AI, och som ett företag som specialiserar sig på språklig intelligens, förstår vi att detta är en oacceptabel risk. Plausibelt ljudande nonsens är en skuld, inte en tillgång.

Vi försöker mildra denna risk på flera sätt. Först är våra modeller inte tränade på det ofiltrerade offentliga internet. De byggs på en grund av fyra decennier av högkvalitativa, mänskligt översatta och domänspecifika lingvistiska data. Det lär modellen att vara rätt, inte bara flytande. Den lär sig den korrekta vägen att översätta komplexa juridiska klausuler och precisa medicinska instruktioner eftersom den har lärt sig från ren data, inte internetprat.

Vi ger också våra kunder direkt kontroll över utdata. Genom terminologihantering och feedback kan de låsa in den korrekta översättningen för sina mest kritiska och tvetydiga termer. Det säkerställer att en specifik patentanspråk eller en läkemedelsinteraktionsterm återges med de korrekta översättningarna, varje gång.

Slutligen stänger vi loopen. Våra system är utformade för att integrera mänsklig expertis för granskning och förfining. Den konstanta feedbacken från experthumana och kundens egna granskare skapar en cykel av kontinuerlig förbättring, som fångar de allra mest nyanserade och subtila felen som allmänna modeller är blinda för.

Med stark konkurrens från verktyg som DeepL och Googles Gemini, ser du framtiden för AI-översättning förskjutas mot domänspecifika modeller, och vad betyder det för den bredare AI-ekosystemet?

Låt mig svara med en anekdot. Vi har en kund, en stor namn inom datorteknik, som arbetar med flera översättningsleverantörer. Vi arbetar med majoriteten av deras portfölj, och en av de viktigaste anledningarna till att de väljer oss är att när något inte är rätt, kan vi fixa det. Koreansk teknisk terminologi som inte riktigt landar? Vi har ett team för det. Tyska siffror som orsakar problem? Vi har människor som kan hjälpa.

Det är den bredare punkten. Vi förväntar oss att framtida framsteg inom AI kommer att komma mindre från ren modellutveckling och mer från lösningar som kan utnyttja relevant kontext – lingvistisk, kulturell och domänspecifik. RWS, genom sin omfattande produktportfölj, decennier av proprietär data och djupa kundrelationer, har tillgång till exakt den typen av kontext. Allmänna leverantörer kan matcha en modellbenchmark, men de kan inte replikera det. Framtiden tillhör leverantörer som kombinerar gränsöverskridande AI med mänsklig och institutionell expertis för att göra det fungera i den verkliga världen – och det är exakt där vi sitter.

Tack för den utmärkta intervjun, alla som vill lära sig mer kan besöka RWS.