Стефан Мескен, Головний науковий співробітник DeepL – Серія інтерв’ю

Стефан Мескен, Головний науковий співробітник DeepL, провів понад п’ять років у DeepL, просунувши її основні дослідження та наукове лідерство, починаючи з посади наукового співробітника у жовтні 2020 року, потім ставши віце-президентом з досліджень у листопаді 2023 року, а у квітні 2025 року зайняв свою поточну посаду у Мюнхені. До DeepL він працював науковим співробітником у real.digital у регіоні Кельн-Бонн та проводив дослідження з математичної логіки університету Мюнстера. Його кар’єра поєднує фундаментальні математичні дослідження та прикладний ІІ, що дозволяє йому очолювати науковий напрямок великомасштабних мовних моделей та багатомовних систем ІІ DeepL.

DeepL – це німецька компанія ІІ, що зосереджена на створенні передових мовних систем ІІ, які забезпечують точний, контекстно-залежний переклад та спілкування більш ніж на 100 мовах. Заснована у 2017 році та розташована у Кельні, компанія обслуговує мільйони користувачів по всьому світу та пропонує рішення рівня підприємства через підписку та пропозиції API. Її платформа розширилася за межі перекладу у ширшу мовну систему ІІ, включаючи допомогу у написанні та голосові можливості, розроблені для підтримки безпечної, масштабованої комунікації для глобальних підприємств та організацій.

Ви розпочали свою кар’єру у математичній логіці, перш ніж перейти до прикладної науки про дані та згодом очолили організацію досліджень DeepL. Оглянувшись назад, як ця рання робота у формальній логіці вплинула на те, як ви зараз думаєте про створення автономних, підприємницьких систем ІІ?

Те, що спонукало мене до вивчення теорії множин та математичної логіки спочатку, була невгамовна цікавість дізнатися, як ці складні системи працюють – з перших принципів та у все зростаючу глибину. Ця цікавість була постійною у моєму житті з дитинства. Це також та частина моєї роботи, яку я люблю найбільше. Наразі завдання полягає у просуненні стану розвитку ІІ з інтенсивним акцентом на реальній придатності. Поза безпекою та довірою, я присвячую свій час тому, щоб компанії та користувачі всіх видів могли скористатися цією неймовірною технологією. Наразі тренд був іншим: Більшість реального використання ІІ є або цілком пасивним (наприклад, системи рекомендацій, які ви споживаєте, але не контролюєте), або в основному використовується висококваліфікованими технічними фахівцями (наприклад, помічники з кодуванням). Я хочу закрити цю прогалину: Кожна особа та компанія повинні бути готові до успіху та能够 революціонізувати свій підхід до роботи.

DeepL побудувала свою репутацію на високоточному перекладі. Як ця основа у мовній моделі сформувала раннє мислення компанії про рух за межі перекладу у більш загальні системи ІІ?

Те, що робить ІІ такою магічною, полягає у тому, що дуже схожі концепції та ідеї можуть привести до нових рішень у зовсім різних областях: шахові двигуни, системи рекомендацій, складання білків, самохідні автомобілі, двигуни перекладу та багато іншого. Вони всі працюють на основі одного й того ж набору принципів та технік. Оволодівши цими техніками за майже десятиліття, ми природно думаємо про нові завдання, на які потрібно зосередитися. Внутрішньо це завжди було так, що призвело до винайдення Глосарію, Написання, Голосу, Хабу налаштувань та іншого.

Як Головний науковий співробітник, як ви відрізняєте будівництво мовних моделей, які генерують плавний вивід, від будівництва систем, які можуть надійно діяти всередині реальних підприємницьких потоків?

Основні ідеї є надзвичайно схожими: нам потрібно глибоко зрозуміти, чого хочуть наші користувачі, а потім вирівняти наші системи ІІ з цими цілями та перевагами. Іноді вони є явними та явно виражені; іноді вони є тонкими та невисловленими. У будь-якому випадку, наша робота полягає у тому, щоб забезпечити, щоб робота, яку ми продукуємо, мала високої цінності для наших користувачів.

DeepL Agent представляє собою зсув від допоміжного ІІ до автономної реалізації. Які були найбільшими технічними викликами у здійсненні цього переходу на практиці?

Найбільшим викликом при будівництві DeepL Agent є зручність використання. Протягом років екосистема ІІ в основному орієнтувалася на програмістів та висококваліфікованих технічних фахівців. З DeepL Agent ми хочемо змінити це та забезпечити кожному працівнику знань інструментами для вирішення та автоматизації складних завдань. Для цього нам потрібно той же рівень складності у розпізнаванні, обґрунтуванні, плануванні та дії. Замість того, щоб представляти користувачам багатий, але складний набір інструментів, ми працювали над створенням цілісного, безшовного та елегантного рішення для кінцевого сприяння та автоматизації робочих процесів.

З архітектурної точки зору, які можливості повинні бути наявні, перш ніж система ІІ може бути довірена для автономної роботи у підприємницьких середовищах?

Для широкого спектра адміністративних завдань технологія вже тут. DeepL Agent може надійно діяти у вашому середовищі, шукати пораду, коли це потрібно, та пропонувати верифікацію людини у циклі, коли це бажано. Цей рівень синтетичного інтелекту був чистою фантастикою лише кілька місяців тому. Однак ще довго йти. За наступні кілька років агенти ІІ стануть горизонтальним шаром у підприємствах – неустанно працюючи на задньому плані, співпрацюючи з людьми та один з одним, щоб усунути зайву роботу та дати нам можливість вирішувати завдання, які раніше були недосяжні.

Ви говорили про глибоке мовне розуміння як передумову для відповідальних агентів ІІ. Що означає “глибоке” в цьому контексті, окрім поверхневої плавності?

Мова є надзвичайно двозначною та контекстно-залежною – особливо у професійних областях. Ви, ймовірно, вже відчували це самі: підслуховуючи групову розмову друзів про хобі, яке ви не поділяєте, або професійну спеціалізацію, якої ви не маєте досвіду… Це може не мати сенсу для сторонніх, але якимось чином вони розуміють один одного досконало. Ми хочемо, щоб допомога ІІ відчувалася так само безшовно, як розмова з досвідченим, довіреним колегою, з яким ви поділили роки співпраці. Неписані переваги повинні залишатися неписаними. Ви не повинні повторно пояснювати, як ви хочете виконати роботу. Це може звучати очевидно, але для цього потрібно величезне дослідження, щоб зробити все правильно. Це те, що я маю на увазі під “глибоким” мовним розумінням.

Як ви підходите до заходів безпеки та нагляду при розгортанні автономних систем, які можуть здійснювати реальні дії, а не просто давати рекомендації?

Для того, щоб допомога ІІ працювала у бізнес-контекстах, нам потрібно ретельно збалансувати можливість з контролем. Більша можливість створює величезні можливості для продуктивності, але якщо її залишити без контролю, вона стає зобов’язанням. Це не може статися. З першого дня DeepL Agent був обладнаний заходами безпеки рівня підприємства, реалізованими у декількох формах. Спільні робочі простори дають користувачам точний контроль над даними та доступом, а також забезпечують аудитні сліди, нагляд людини та верифікацію людини у циклі. Крім того, системні адміністратори мають тонкий контроль над системами, які DeepL Agent може навігація, та механізми для повідомлення основних інструментів, коли вони експлуатуються агентом.

Які уроки ви вивчили про перенесення ідей з досліджень у виробництво без жертвування надійністю чи науковою дисципліною?

Пропасть між дослідженнями та розробкою продукту ширша, ніж зазвичай вважається. Обидва починаються з ретельного підходу до вирішення раніше нерозв’язних проблем та ретельного запису того, що працює, а що ні. Хоча дослідження можуть спрощувати обсяг та припускати простішу модель світу, розробка продукту повинна враховувати складність контекстів реальних користувачів. У допомозі ІІ використання інструментів є прикладом номер один. Це спокусительно припустити, що середовища завжди будуть підготовлені для автоматизації, з системним доступом та готовими API. Реальність відрізняється. Як і самохідні автомобілі повинні впоратися з повною складністю сучасної інфраструктури, агенти ІІ повинні діяти ефективно всередині моделей доступу, даних та систем, на які підприємства покладаються. Це раннє усвідомлення лежить в основі дизайну DeepL Agent.

Як DeepL розширюється від зосередженої мовної платформи до більш широкої системи ІІ підприємства, як ви вирішуєте, які можливості повинні залишатися тісно контрольованими, а які повинні бути відкритими для більш автономної поведінки?

Рівень контролю, необхідний для завдання, визначається двома факторами: надійністю людини або системи, яка його виконує, та потенційним впливом помилок. Це застосовується як до людської, так і до машинної реалізації. Надійність ІІ значно зросла за останні кілька років і продовжить покращуватися. Тому тісний контроль буде необхідний для все меншої кількості завдань. В кінцевому підсумку надійність ІІ перевищить навіть рівень експертів-людей для багатьох завдань. Це також застосовується до механізмів контролю, які все більше зміщуватимуться до нагляду ІІ. Внутрішньо DeepL Agent вже робить це, запитуючи користувачів про допомогу, коли це не можливо самокорекція.

Оглянувшись вперед, які прориви у мовному розумінні чи дизайні агентів, ви вважаєте, що найбільш сильно сформують підприємницьке ІІ за наступні два роки?

Агенти ІІ не тільки допоможуть з окремими завданнями. Вони утворять колаборативний шар продуктивності у підприємствах, який працює на нашому боці для зменшення відволікань, підготовки та надання інформації саме тоді, коли це потрібно, та вирішення питань і все більш складних завдань цілком на задньому плані.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати DeepL.