Jarek Kutylowski, grundare och VD för DeepL – Intervjuer

Jarek Kutylowski är grundare och VD för DeepL, ett avancerat AI-drivet översättningsverktyg som är känt för sin imponerande noggrannhet och naturliga översättningar.

DeepL har som mål att bryta ner språkbarriärer för företag över hela världen. Över 100 000 företag och regeringar och miljontals individer i 228 globala marknader litar på DeepL:s språk-AI-plattform för mänskliga översättningar och bättre skrivande. Utformad med företagssäkerhet i åtanke, använder företag runt om i världen DeepL:s AI-lösningar som är specifikt anpassade för språk för att omvandla affärskommunikation, expandera marknader och förbättra produktivitet. Grundat 2017, har DeepL idag över 1 000 passionerade anställda och stöds av världskända investerare, inklusive Benchmark, IVP och Index Ventures.

Kan du berätta om den tidiga visionen bakom DeepL och hur företagets mål har utvecklats sedan starten?

När jag startade företaget 2017, var vi vid en vändpunkt med djupinlärning. Det hade verkligen börjat få fäste, vilket inspirerade namnet på vårt företag. Vi har alltid haft en vision om att ge organisationer möjlighet att blomstra och växa globalt utan att språkbarriärer står i vägen, vilket fortfarande är vår mission idag. Så vi började experimentera med tekniken och dess tillämpning inom språk, och såg snabbt hur kraftfullt det kunde vara – det var tydligt att neurala nätverk och AI skulle vara nästa stora genombrott inom översättning, och att vad vi kunde uppnå med neurala nätverk skulle vida överträffa befintliga traditionella lösningar. Med detta i åtanke, beslutade vi att paketera våra fynd i en produkt och dela den med världen.

Det som började som ett roligt projekt utvecklades snabbt till något mer betydelsefullt. Bara några månader efter att vi officiellt lanserade vår första produkt, DeepL Översätt, 2017, hade vi några av de viktigaste europeiska och tyska företagen som knackade på vår dörr, intresserade av att distribuera våra lösningar. Denna insikt om relevansen och den kritiska betydelsen av vår produkt för större organisationer inspirerade oss att dyka djupare in i deras problem, och investera tid i att verkligen förstå hur vår teknik kunde lösa dem. Vi byggde ut en mer konkret kommersiell strategi och tydliga moneteringsplaner, med fokus på att först släppa produkten till allmänheten och lösa den affärsmässiga sidan senare. Framåt i tiden, har vi vuxit betydligt, expanderat vårt team, våra produkter och vår kundnätverk. Vi har idag miljontals enskilda användare av våra specialiserade AI-översättnings- och skrivverktyg, och över 100 000+ företags- och regeringspartners världen över, inklusive 50% av Fortune 500 och ledare som Nikkei (ägare av Financial Times), Coursera, Deutsche Bahn, Zendesk och fler.

Du grundade DeepL i en bransch som redan dominerades av stora aktörer som Google (GOOGL ) och Microsoft. Vad var din strategi för att skapa en nisch i en sådan konkurrensutsatt landskap?

Vi har varit uppe mot Big Tech sedan vi först startade, vilket har hållit oss agila, innovativa och motiverade att erbjuda våra användare den bästa lösningen där ute. Men jag utmanar alla som påstår att de har löst utmaningen med språk för företag och företagsanvändningsfall med allmänna modeller – det är här DeepL sticker ut och är verkligen unik i världen av språk-AI och översättning.

Vi är annorlunda än allmänna AI-system i det att vi har byggt våra AI-översättnings- och skrivlösningar för att vara specialiserade för språkanvändningsfall; denna specialisering möjliggör för oss att uppnå högre noggrannhet och precision medan hallucinationer och missinformation minimeras. Det är en sak att översätta en meny medan du är på semester – men de flesta av våra kunder är företag och kunskapsarbetare, där insatserna är mycket högre. Tänk dig en advokat som behöver översätta högt specialiserade, kritiska och konfidentiella juridiska dokument; eller en stor medieutgivare som förlitar sig på vår plattform för att översätta tusentals berättelser om dagen, i realtid, som sedan distribueras till miljontals globala läsare. Dessa komplexa användningsfall kräver en nivå av noggrannhet, anpassning, dataskydd och säkerhet som allmänna modeller inte kan tillhandahålla. Dataskydd och säkerhet är också centrala för vår erbjudande, så vi följer de högsta företagssäkerhets- och säkerhetsstandarderna för att skydda användardata, inklusive state-of-the-art-datorkryptering och GDPR, ISO 27001 och Soc2 Type 2-överensstämmelse. Vi använder inte heller någon text från våra abonnenter för att förbättra eller träna våra AI-modeller, eftersom vi förstår att många av våra användare översätter känslig information.

DeepL har nyligen lanserat sin första egenutvecklade LLM. Hur skiljer sig denna modell från andra stora språkmodeller på marknaden, och i vilket sammanhang anses den vara överlägsen?

Våra nästa generations översättningsmodeller drivs av egenutvecklad LLM-teknik som är specifikt utformad för översättning och redigering, vilket särskiljer den från andra modeller på marknaden och sätter en ny branschstandard för översättningskvalitet och prestanda. Till skillnad från allmänna modeller som enbart förlitar sig på offentliga internetdata, har DeepL:s LLM fördel av över sju års egenutvecklad data som är specifikt utformad för innehållsskapande och översättning. Den använder också mänsklig modellhandledning, med tusentals handplockade språkexperter som är tränade för att finslipa och förbättra modellens översättningskvalitet.

Kan du förklara processen bakom utbildning av DeepL:s LLM? Hur mycket mänsklig inmatning krävs för att upprätthålla noggrannhet och nyans i översättning, och hur balanserar du detta med de beräkningsmässiga aspekterna av AI-utveckling?

Vi tränar vår LLM på en kombination av högkvalitativa språkdata, samt expertisen från tusentals handplockade språkexperter. Denna tvådelade strategi, som kombinerar både beräkningsmässiga aspekter med mänsklig återkoppling, möjliggör för oss att stödja våra kunder i stor skala samtidigt som vi säkerställer att kvaliteten och nyansen i våra översättningar förblir på topp. Mänsklig inmatning är verkligen avgörande, främst i datakurering, kvalitetsbedömning och återkoppling för kontinuerlig förbättring. DeepL:s översättningskvalitet skulle inte vara där den är utan denna aspekt.

DeepL har nyligen expanderat till 165 nya marknader och lagt till stöd för tre nya språk. Vad var den strategiska tanken bakom att rikta in sig på dessa marknader och språk, och hur har expansionen påverkat DeepL:s användarbas?

Språk är ett globalt problem som berör företag över nästan alla branscher – antingen de möter språkbarriärer internt bland kollegor, eller externt med kunder och i de diversifierade marknaderna där de opererar. Och som ett forskningslett företag, är allt vi gör informerat av vår mission att bryta ner språkbarriärer, och den återkoppling vi får från kunder och företag. Vårt beslut att expandera tillgängligheten för våra produkter – DeepL Pro är nu tillgänglig i 228 globala marknader – och lägga till nya språkfunktioner, som den nyliga lanseringen av traditionell kinesiska, är rotat i vår mission att bryta ner dessa barriärer, guidad av kundåterkoppling och marknadsforskning.

Med över 100 000 kunder, inklusive stora organisationer som Deutsche Bahn och Zendesk, vad är de primära utmaningarna och möjligheterna du har mött medan du skalar för att möta företags- och regeringsbehov?

När vi är i rummet med en kund, är de tydliga med värdet och ROI vi kan tillhandahålla dem – även i USA, där du kanske tror att engelska är det enda språket som talas, opererar de flesta företag med flerspråkiga team och navigerar komplexiteten i en global marknad. Många människor glömmer det! Värdet och påverkan av våra specialiserade AI-översättningsverktyg och skrivtjänster är tydligt. Så det är inte en fråga om om de ska implementera språk-AI-verktyg, utan en intressant fråga vi ofta hör från företag är kring personanpassningsförmågan hos vår tjänst.

Som DeepL expanderar och dess AI-modeller används mer brett, vad är några av de viktigaste etiska övervägandena du prioriterar när du utvecklar språk-AI-system, särskilt när det gäller att hantera känslig eller konfidentiell information?

Varje organisation som överväger AI-verktyg bör alltid ställa dessa frågor när de utvärderar modeller och företag. Många AI-lösningar tillhandahåller inte tillräcklig säkerhet, delar ofta användardata med tredje parter och tränar sina AI-modeller på användartext, vilket skapar misstro och gör att många användare tvekar att använda dessa verktyg med arbetsrelaterade dokument. Som jag nämnde tidigare, tar DeepL en annan approach – säkerhet är kärnan i vår mission och produkt erbjudande.

Vad kan vi förvänta oss nästa från DeepL i termer av produktutveckling? Finns det några stora funktioner eller innovationer som du är särskilt entusiastisk över?

Vi är ett forskningsdrivet AI-företag som fokuserar på att innovera med syfte, och vårt syfte är att lösa språkproblemet för människor och företag överallt. Framåt i tiden, kommer vi att fortsätta att inkorporera kundåterkoppling i vår utveckling och fokusera på att expandera funktionerna i vår språk-AI-plattform för att göra den till en ännu mer omfattande lösning för alla språkrelaterade affärsbehov. Mycket av vad vi hör från kunder idag är att ju mer interaktivitet och personanpassning vi kan tillhandahålla, desto bättre. Så att expandera våra funktioner och funktioner för att tillgodose detta är ett riktigt intressant område för oss, och titta på hur vi kan göra DeepL-upplevelsen ännu mer dynamisk och engagerande för våra användare.

På de närmaste 5 till 10 åren, var ser du DeepL:s teknik passa in i det bredare AI-landskapet, särskilt när AI fortsätter att utvecklas snabbt?

5 år är verkligen en lång tid för AI-utveckling, så för mig är det viktigaste de närmaste 12 månaderna! Vi arbetar på att bringa samma revolution och störning som vi gjorde med skriven språk till andra multimodala förmågor, vilket jag är entusiastisk över.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka DeepL.