Sebastian Enderlein, Chief Technology Officer på DeepL – Intervjuserie

Sebastian Enderlein, Chief Technology Officer på DeepL, är en europeisk född teknolog med över ett decennium av erfarenhet i Silicon Valley, där han haft seniora ingenjörsledningsroller på företag som Uber, Salesforce (CRM ) och Personio. Med en stark bakgrund inom molninfrastruktur, distribuerade system och byggande av högpresterande ingenjörsorganisationer, har han hjälpt till att skala några av de snabbast växande techföretagen i både USA och Europa. Idag delar han sin tid mellan San Francisco och Europa, där han tjänstgör som CTO på DeepL och också rådgiver och investerar i startups, med fokus på att lösa komplexa tekniska utmaningar och hjälpa scale-ups på deras väg till att bli enhörningar.

DeepL, lanserat 2017, är en neuralt maskinöversättningstjänst som erkänns för att leverera högkvalitativa och naturligt klingande översättningar över 30 språk. Med hjälp av avancerade neuronnät och proprietära AI-förbättringar, presterar den konsekvent bättre än konkurrenterna i flyt och precision. Tillgänglig via webb, skrivbord och mobilappar, webbläsartillägg och API, erbjuder DeepL också en Pro-version med företagsklassiga funktioner, obegränsad användning och förbättrad säkerhet.

Du har tillbringat tid med att bygga ingenjörsteam på båda sidor av Atlanten—Silicon Valley och Europa. Vilka personliga lärdomar har format din tillvägagångssätt för ledarskap och innovation över dessa mycket olika tech-ekosystem?

Båda ekosystemen har sina unika styrkor och egenskaper och jag är tacksam för att ha fått djup insikt och erfarenhet i båda kulturer. I Silicon Valley finns det en spännande startup-kultur med högt motiverade, globalt diversifierade ingenjörer som jagar stora idéer, backade av en mentalitet som rör sig snabbt och accepterar stora risker. Det finns också mycket tryck, och tempot kan vara intensivt – företag har ofta ambitiösa visioner, skalar snabbt och antingen lyckas eller misslyckas snabbt. Min tid där lärde mig mycket om att skala team och teknik snabbt, och om hur man balanserar ambition med de tryck som tempot kan medföra.

I Europa finns det också stark talang, idéer och innovation med team som ofta är flerspråkiga och multikulturella, och det finns en tydlig betoning på säkerhet, regelefterlevnad och precision. Kontinentens mångfald kan vara en styrka, som bringar rika perspektiv, men också en utmaning med fragmenterade marknader, varierande rättssystem och högre krav på regelefterlevnad. Jag har också märkt att startups där är mer benägna att självfinansiera, vilket ibland kan sakta ner tillväxten men också bygger motståndskraft och långsiktig uthållighet. För DeepL har det varit en tydlig styrka att ha våra rötter i Europa. Det har format vår fokus på precision, säkerhet och kulturell nyans, vilket har hjälpt oss att särskilja oss som en ledare i den snabbt föränderliga AI-landskapet.

Vad motiverade dig att gå med i DeepL som CTO efter din tid på Personio och din erfarenhet med företag som Uber och Salesforce?

När jag först mötte Jarek, DeepL:s VD och grundare, tillsammans med resten av ledningsgruppen, drogs jag omedelbart till deras tydliga vision och passion för att lösa ett verkligt meningsfullt problem med AI. DeepL bygger inte bara cool AI-teknik för innovationens skull. De är laserfokuserade på att bygga produkter som löser verkliga, vardagliga problem för människor och företag – och de är passionerade om det. Den känslan av syfte och potential, och företagets kultur som är så djupt rotad i praktisk innovation och verklig påverkan, var en stor motivator för mig och gjorde mig entusiastisk över att gå med i teamet. Jag har sett effekten av målmedvetna team under min tid på Personio, Uber och Salesforce.

Som någon som tillbringar mycket tid på båda sidor av Atlanten, stack företagets mission att bryta ner språkbarriärer också ut för mig. DeepL löser en verklig utmaning som människor och företag överallt står inför; en som jag både har upplevt personligen och också sett förstahands. Antingen det är globala team som försöker samarbeta mer effektivt eller företag som vill växa in i nya marknader, kan språkbarriärer sakta ner allt. Så jag var också entusiastisk över möjligheten att gå med i teamet och hjälpa till att tackla den utmaningen på ett meningsfullt sätt.

Låt oss prata om Clarify. Det är inte bara en översättare—det är interaktivt, kontextuellt och anpassningsbart. Vad var den initiala gnistan för att utveckla det, och hur förändrar det gränserna för vad språk-AI kan göra?

Ett stort fokus för oss i år har varit att se hur vi kan förbättra de produkter vi erbjuder genom vår Language AI-plattform – från DeepL Översättare till vår realtidsröstöversättning, DeepL Voice – så att de kan bli ännu mer personliga, samarbetsinriktade och intuitiva. Vi vill att DeepL-upplevelsen ska kännas mindre som traditionell programvara och mer som att arbeta med en smart samarbetspartner, och det är exakt vad Clarify levererar.

Språk är otroligt nyanserade. Ord och meningar kan ha flera betydelser, kulturella implikationer eller grammatiska variationer, som könade substantiv eller idiom som inte översätts renodlat. Clarify, som är tillgänglig via DeepL Översättare, byggdes för att hjälpa våra kunder att navigera i dessa komplexiteter, och fungerar som en interaktiv AI-språkeksperter som engagerar sig direkt med användare för att lösa tvetydighet och bringa fram djupare sammanhang. Till exempel kommer Clarify att hjälpa till att bestämma om “bank” i en mening kan referera till en flod eller en finansiell institution, eller översätta “professorn” utan att veta kön.

Det som är spännande med Clarify är att det förvandlar DeepL-översättningsprocessen från en enkelriktad indata-utdata-modell till ett sant samarbete. Istället för att passivt ta emot resultat, interagerar användare med Clarify under hela processen. Verktyget kommer att proaktivt föreslå redigeringar och förslag, så att du tillsammans når den mest precisa utgången.

En av de mest fascinerande aspekterna av Clarify är dess förmåga att upptäcka tvetydighet och uppmana användare att förtydliga. Hur definierar du tekniskt “tvetydighet” på ett sätt som en maskin kan känna igen och agera på?

Det är en bra fråga – tvetydighet är en känd utmaning i maskinöversättning, men ofta förbisett eller undvikit eftersom att förstå en användares avsikt i realtid kan vara utmanande. Men tvetydighet kan helt förändra betydelsen av en översättning, beroende på hur du förstår indata. För att tackla detta har våra forskare samarbetat nära med språkeksperter för att identifiera instanser där detta händer och utveckla system som kan svara därefter.

DeepL har ett rykte om precision, men nu flyttar det in i personanpassning och samarbete. Hur balanserar du modellprestanda med användargränssnitt för att säkerställa att AI inte bara ger “en” översättning—utan den rätta för den användaren?

Som du säger, är den “rätta” översättningen inte alltid universell. Den beror på sammanhang, språkpar och användningsfall. Ett företag kan kräva specifik intern terminologi, medan ett annat kan behöva fånga en viss ton eller nyans. För oss är precision och personanpassning inte separata mål, utan snarare samverkande för att säkerställa kvalitet.

På DeepL, när vi tänker på kvalitet, fokuserar vi på att tillhandahålla översättningar och utdata som är tekniskt korrekta och kontextuellt lämpliga, men som också är anpassade till användarens avsikt. Vår Language AI-plattform återspeglar detta – vi kombinerar avancerad modellprestanda med smarta användargränssnitt för att säkerställa att våra kunder får översättningsutdata som verkligen passar deras behov.

Många allmänna modeller brister när det gäller språknyans och kulturell kontext. Vad gör DeepL:s modeller annorlunda, och varför är specialisering en så kritisk fördel?

Modellerna som driver vår Language AI-plattform är specialbyggda för översättning och skrivande. Denna fokus ger oss en betydande fördel i att fånga nyanser, sammanhang och toner över språk, vilket är avgörande i affärssammanhang där precision är av yttersta vikt.

Till skillnad från allmänna modeller som tränats på bred internetdata, är DeepL:s proprietära LLM tränade på 7+ års domänspecifik innehåll och genomgår ytterligare finjustering av tusentals professionella lingvister. Denna specialisering möjliggör för oss att konsekvent leverera högre kvalitet och tillförlitlighet. I blinda tester 2024 fann professionella översättare att vår nästa generations LLM krävde 2-3 gånger färre redigeringar än Google (GOOGL ) eller ChatGPT för att uppnå samma kvalitet. Det är därför över 200 000 företagskunder världen över litar på DeepL. Inom områden som juridik, teknik, hälsovård och marknadsföring kan till och med små översättningsfel ha allvarliga konsekvenser. Kvalitet och precision är inte valfria.

Från din tid med att hantera molninfrastruktur på Uber till att leda ingenjörsteam på Personio och nu DeepL, vad har varit den svåraste tekniska utmaningen du har mött—och vad lärde du dig av det?

Från ett perspektiv av människor, har den svåraste utmaningen varit att leda team genom långa faser av hyperväxt, att hitta rätt balans mellan att flytta snabbt och att hålla sig effektiv, och också att säkerställa att nya rekryteringsprocesser är väl genomförda, förstår företagets mission och har möjligheter att växa. En stor lärdom jag lärde mig där var att undvika pendelrörelsen mellan extremer. Att snabbt växla från “tillväxt till varje pris” till “hög effektivitet” är hårt för en organisation, och att mer än dubbla en teknisk grupp på ett år oundvikligen skapar spänningar – jag har sedan dess satt det som en ungefärlig övre gräns.

Från ett tekniskt perspektiv, har jag tillbringat mycket av min karriär med att skala tekniska stackar i molnet och runt om i världen, och hanterat komplexa problem kring konsekvens och tillförlitlighet för några av de mest populära tjänsterna på planeten. Jag har lärt mig att överarkitektur är ett allvarligt problem, och “överplattformering” kan lama organisationen och göra det svårt att uppnå ansvar för kundpåverkan. Med AI som accelererar affärstakten ännu mer – företag kan nu nå 100 miljoner dollar i årlig omsättning på under ett år, och team ser en utanförordentlig produktivitetsökning – är fokus och enkelhet viktigare än någonsin.

DeepL betjänar nu över 200 000 företag och regeringsinstitutioner. Hur upprätthåller du balansen mellan företagsklassig tillförlitlighet och innovation i snabb takt?

Det är en balans vi tänker på hela tiden. Våra företagskunder förlitar sig på DeepL för kritisk, högriskkommunikation, så tillförlitlighet, säkerhet och förtroende är verkligen avgörande. Samtidigt vet vi att innovation inte kan sakta ner… AI-branschen rör sig i blixtens fart! Nyckeln är, på något sätt, fokus. När det gäller vår Language AI-plattform, fokuserar vi på att lösa komplexa språkproblem med hög precision. Denna fokus möjliggör för oss att flytta snabbt utan att kompromissa med kvalitet.

Vi är också mycket anpassningsbara. Vi kan introducera nya funktioner eller funktioner som levererar framåtriktade lösningar som driver branschen framåt, samtidigt som vi upprätthåller den företagsklassiga kvalitet, precision och prestanda som våra kunder känner till och förväntar sig. Ett bra exempel på detta är den nyliga expansionen av DeepL Voice: vi har just tillkännagett att den nu erbjuder stöd för talinmatning från mandarin, ukrainska och rumänska, tillsammans med förbättrade mötesproduktivitetsfunktioner och en stor kommande integration med Zoom-möten, vilket är riktigt spännande.

Till sist, vad tror du att framtiden har att bjuda på för språk-AI?

Språk-AI förändrar redan hur vi, som företag, anställda och människor, kommunicerar globalt, och möjliggör djupare anslutning och samarbete över affärs-, kulturer och branscher. Vi rör oss mot en framtid där företag av alla storlekar kan operera och växa internationellt utan att hindras av språkbarriärer, och öppnar dörren till en mer sammanhållen, inkluderande värld och ekonomi.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Deepl.