ABOUT THE SPEAKER
Luis von Ahn - Computer scientist
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone.

Why you should listen

Louis von Ahn is an associate professor of Computer Science at Carnegie Mellon University, and he's at the forefront of the crowdsourcing craze. His work takes advantage of the evergrowing Web-connected population to acheive collaboration in unprecedented numbers. His projects aim to leverage the crowd for human good. His company reCAPTCHA, sold to Google in 2009, digitizes human knowledge (books), one word at a time. His new project is Duolingo, which aims to get 100 million people translating the Web in every major language.

More profile about the speaker
Luis von Ahn | Speaker | TED.com
TEDxCMU

Luis von Ahn: Massive-scale online collaboration

Λούις Βον Άν: Μαζικής-κλίμακας διαδικτυακή συνεργασία.

Filmed:
1,740,008 views

Μετά την αναδιάρθρωση του CAPTCHA έτσι ώστε, κάθε ανθρώπινη εισαγωγή χαρακτήρων να συμβάλλει στην ψηφιοποίηση βιβλίων, ο Λούις Βον Άν διερωτήθηκε πώς αλλιώς μπορεί να χρησιμοποιήσει μικρή βοήθεια απο πολλούς στο ίντερνετ για το κοινό καλό. Στο TEDxCMU, μοιράζεται τον τρόπο με τον οποίο το νέο, φιλόδοξο σχέδιο του, το Duolingo, θα βοηθήσει εκατομμύρια ανθρώπους να μάθουν μια νέα γλώσσα και ταυτόχρονα να μεταφράζουν τον παγκόσμιο ιστό γρήγορα και με ακρίβεια -- δωρεάν.
- Computer scientist
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone. Full bio

Double-click the English transcript below to play the video.

00:15
How manyΠολλά of you had to fillγέμισμα out some sortείδος of webιστός formμορφή
0
0
2000
Σε πόσους απο σας έτυχε να συμπληρώσετε κάποια φόρμα
00:17
where you've been askedερωτηθείς to readανάγνωση a distortedπαραμορφωμένη sequenceαλληλουχία of charactersχαρακτήρες like this?
1
2000
2000
όπου έπρεπε να διαβάσετε μία σειρά απο παραμορφωμένους χαρακτήρες όπως αυτή;
00:19
How manyΠολλά of you foundβρέθηκαν it really, really annoyingενοχλητικός?
2
4000
2000
Πόσοι απο σάς το βρήκαν εξαιρετικά ενοχλητικό;
00:21
Okay, outstandingεξαιρετική. So I inventedεφευρέθηκε that.
3
6000
3000
Τέλεια. Εγώ το εφηύρα.
00:24
(LaughterΤο γέλιο)
4
9000
2000
(Γέλιο)
00:26
Or I was one of the people who did it.
5
11000
2000
Ή μάλλον ήμουν ένας απο αυτούς.
00:28
That thing is calledπου ονομάζεται a CAPTCHACAPTCHA.
6
13000
2000
Αυτό το πράγμα λέγεται CAPTCHA.
00:30
And the reasonλόγος it is there is to make sure you, the entityοντότητα fillingπλήρωση out the formμορφή,
7
15000
2000
Ο σκοπός του είναι να επαληθεύει ότι, η οντότητα που συμπληρώνει τη φόρμα,
00:32
are actuallyπράγματι a humanο άνθρωπος and not some sortείδος of computerυπολογιστή programπρόγραμμα
8
17000
3000
είναι όντως άνθρωπος και όχι κάποιου είδους πρόγραμμα
00:35
that was writtenγραπτός to submitυποβάλλουν the formμορφή millionsεκατομμύρια and millionsεκατομμύρια of timesφορές.
9
20000
2000
που γράφτηκε για να υποβάλλει την φόρμα εκατομμύρια φορές.
00:37
The reasonλόγος it worksεργοστάσιο is because humansτου ανθρώπου,
10
22000
2000
Ο λόγος που δουλεύει είναι ότι οι άνθρωποι,
00:39
at leastελάχιστα non-visually-impairedμη-όρασης humansτου ανθρώπου,
11
24000
2000
τουλάχιστον αυτοί χωρίς κάποια οπτική δυσλειτουργία,
00:41
have no troubleταλαιπωρία readingΑΝΑΓΝΩΣΗ these distortedπαραμορφωμένη squigglyκυματιστή charactersχαρακτήρες,
12
26000
2000
δεν έχουν κάποιο πρόβλημα στο να διαβάσουν τους παραμορφωμένους χαρακτήρες,
00:43
whereasενώ computerυπολογιστή programsπρογράμματα simplyαπλά can't do it as well yetΑκόμη.
13
28000
3000
ενώ τα προγράμματα απλά δεν μπορούν να το κάνουν.
00:46
So for exampleπαράδειγμα, in the caseπερίπτωση of TicketmasterTicketmaster,
14
31000
2000
Για παράδειγμα, στη περίπτωση του Ticketmaster,
00:48
the reasonλόγος you have to typeτύπος these distortedπαραμορφωμένη charactersχαρακτήρες
15
33000
2000
ο λόγος που πρέπει να πληκτρολογήσεις τους χαρακτήρες
00:50
is to preventαποτρέψει scalpersscalpers from writingΓραφή a programπρόγραμμα
16
35000
2000
είναι για να αποτραπεί η χρήση προγράμματος
00:52
that can buyαγορά millionsεκατομμύρια of ticketsεισιτήρια, two at a time.
17
37000
2000
που μπορεί να αγοράσει εκατομμύρια εισιτήρια, 2 τη φορά.
00:54
CAPTCHAsCAPTCHAs are used all over the InternetΣτο διαδίκτυο.
18
39000
2000
Τα CAPTCHAs χρησιμοποιούνται παντού στο ίντερνετ.
00:56
And sinceΑπό they're used so oftenσυχνά,
19
41000
2000
Και αφού χρησιμοποιούνται τόσο συχνά,
00:58
a lot of timesφορές the preciseακριβής sequenceαλληλουχία of randomτυχαίος charactersχαρακτήρες that is shownαπεικονίζεται to the userχρήστης
20
43000
2000
πολλές φορές η ακολουθία απο τυχαίους χαρακτήρες που εμφανίζεται στο χρήστη
01:00
is not so fortunateτυχερός.
21
45000
2000
δεν είναι τόσο «τυχαία».
01:02
So this is an exampleπαράδειγμα from the YahooYahoo registrationεγγραφή pageσελίδα.
22
47000
3000
Αυτό είναι ένα παράδειγμα απο τη σελίδα εγγραφής στο Yahoo.
01:05
The randomτυχαίος charactersχαρακτήρες that happenedσυνέβη to be shownαπεικονίζεται to the userχρήστης
23
50000
2000
Οι τυχαίοι χαρακτήρες που εμφανίστηκαν στο χρήστη,
01:07
were W, A, I, T, whichοι οποίες, of courseσειρά μαθημάτων, spellτο ξόρκι a wordλέξη.
24
52000
3000
σχημάτιζαν τη λέξη «ΠΕΡΙΜΕΝΕ».
01:10
But the bestκαλύτερος partμέρος is the messageμήνυμα
25
55000
3000
Η φάση όμως ήταν το μήνυμα
01:13
that the YahooYahoo help deskγραφείο got about 20 minutesλεπτά laterαργότερα.
26
58000
3000
που πήρε το κέντρο εξυπηρέτησης του Yahoo 20 λεπτά μετά.
01:16
TextΚείμενο: "Help! I've been waitingαναμονή for over 20 minutesλεπτά, and nothing happensσυμβαίνει."
27
61000
3000
Κείμενο: «Βοήθεια! Περιμένω πάνω απο 20 λεπτά και δε γίνεται τίποτα.»
01:19
(LaughterΤο γέλιο)
28
64000
4000
(Γέλιο)
01:23
This personπρόσωπο thought they neededαπαιτείται to wait.
29
68000
2000
Ο χρήστης νόμιζε ότι έπρεπε να περιμένει.
01:25
This of courseσειρά μαθημάτων, is not as badκακό as this poorΦτωχός personπρόσωπο.
30
70000
3000
Αυτό φυσικά, δεν ήταν τόσο κακό όσο αυτό που έτυχε σε ένα άλλο άτομο.
01:28
(LaughterΤο γέλιο)
31
73000
2000
(Γέλιο)
01:30
CAPTCHACAPTCHA ProjectΤο έργο is something that we did here at CarnegieCarnegie MelllonMelllon over 10 yearsχρόνια agoπριν,
32
75000
3000
Το πρόγραμμά CAPTCHA είναι κάτι που φτιάξαμε στο Carnegie Melllon πρίν δέκα χρόνια,
01:33
and it's been used everywhereπαντού.
33
78000
2000
και χρησιμοποιείται παντού.
01:35
Let me now tell you about a projectέργο that we did a fewλίγοι yearsχρόνια laterαργότερα,
34
80000
2000
Θα σας πω για ένα πρόγραμμα που ξεκινήσαμε μερικά χρόνια αργότερα,
01:37
whichοι οποίες is sortείδος of the nextεπόμενος evolutionεξέλιξη of CAPTCHACAPTCHA.
35
82000
3000
που είναι ένα είδος εξέλιξης του CAPTCHA.
01:40
This is a projectέργο that we call reCAPTCHAξαναπιάνω,
36
85000
2000
Υπάρχει ένα πρόγραμμα που ονομάζεται reCAPTCHA,
01:42
whichοι οποίες is something that we startedξεκίνησε here at CarnegieCarnegie MellonΗ Mellon,
37
87000
2000
που και αυτό το ξεκινήσαμε εδώ στο Carnegie Mellon,
01:44
then we turnedγύρισε it into a startupξεκίνα companyΕταιρία.
38
89000
2000
και το μετατρέψαμε σε μια αναδυόμενη επιχείρηση.
01:46
And then about a yearέτος and a halfΉμισυ agoπριν,
39
91000
2000
Μετά απο ενάμιση χρόνο σχεδόν,
01:48
GoogleGoogle actuallyπράγματι acquiredαπέκτησε this companyΕταιρία.
40
93000
2000
η Google αγόρασε αυτή την εταιρία.
01:50
So let me tell you what this projectέργο startedξεκίνησε.
41
95000
2000
Θέλω να σας πω πώς ξεκίνησε αυτό το σχέδιο.
01:52
So this projectέργο startedξεκίνησε from the followingΕΠΟΜΕΝΟ realizationυλοποίηση:
42
97000
3000
Η ιδέα αυτή γεννήθηκε απο την ακόλουθη αντίληψη:
01:55
It turnsστροφές out that approximatelyκατά προσέγγιση 200 millionεκατομμύριο CAPTCHAsCAPTCHAs
43
100000
2000
Φαίνεται ότι περίπου 200 εκατομμύρια CAPTCHAs
01:57
are typedπληκτρολογήσαμε everydayκάθε μέρα by people around the worldκόσμος.
44
102000
3000
δακτυλογραφούνται καθημερινά απο ανθρώπους απ' όλο το κόσμο.
02:00
When I first heardακούσει this, I was quiteαρκετά proudυπερήφανος of myselfεγώ ο ίδιος.
45
105000
2000
Όταν το πρωτοάκουσα, ένιωσα αρκετά υπερήφανος.
02:02
I thought, look at the impactεπίπτωση that my researchέρευνα has had.
46
107000
2000
Σκέφτηκα, κοίτα τι επίδραση επέφερε η έρευνα μου.
02:04
But then I startedξεκίνησε feelingσυναισθημα badκακό.
47
109000
2000
Αλλά μετά άρχισα να νιώθω άσχημα.
02:06
See here'sεδώ είναι the thing, eachκαθε time you typeτύπος a CAPTCHACAPTCHA,
48
111000
2000
Να γιατί: κάθε φορά που πληκτρολογείς ένα CAPTCHA,
02:08
essentiallyουσιαστικά you wasteαπόβλητα 10 secondsδευτερολέπτων of your time.
49
113000
3000
στην ουσία σπαταλάς 10 δευτερόλεπτα απο το χρόνο σου.
02:11
And if you multiplyπολλαπλασιάζω that by 200 millionεκατομμύριο,
50
116000
2000
Αν το πολλαπλασιάσεις αυτό με 200 εκατομμύρια,
02:13
you get that humanityανθρωπότητα as a wholeολόκληρος is wastingφθείρων about 500,000 hoursώρες everyκάθε day
51
118000
3000
βλέπεις ότι η ανθρωπότητα σαν σύνολο σπαταλάει περίπου 500,000 ώρες την μέρα
02:16
typingπληκτρολόγηση these annoyingενοχλητικός CAPTCHAsCAPTCHAs.
52
121000
2000
πληκτρολογώντας αυτά τα ενοχλητικά CAPTCHAs.
02:18
So then I startedξεκίνησε feelingσυναισθημα badκακό.
53
123000
2000
Ένιωθα πολύ άσχημα.
02:20
(LaughterΤο γέλιο)
54
125000
2000
(Γέλιο)
02:22
And then I startedξεκίνησε thinkingσκέψη, well, of courseσειρά μαθημάτων, we can't just get ridαπαλλάσσω of CAPTCHAsCAPTCHAs,
55
127000
3000
Μετά άρχισα να διερωτώμαι, φυσικά δε μπορούμε απλά να ξεφορτωθούμε τα CAPTCHAs,
02:25
because the securityασφάλεια of the WebWeb sortείδος of dependsΕξαρτάται on them.
56
130000
2000
επειδή η ασφάλεια του διαδικτύου βασίζεται εν μέρη σε αυτά.
02:27
But then I startedξεκίνησε thinkingσκέψη, is there any way we can use this effortπροσπάθεια
57
132000
3000
Αναρωτιόμουν, υπάρχει μήπως ένας τρόπος να εκμεταλλευτούμε αυτή την κατάσταση
02:30
for something that is good for humanityανθρωπότητα?
58
135000
2000
για κάτι που είναι καλό για την ανθρωπότητα;
02:32
So see, here'sεδώ είναι the thing.
59
137000
2000
Κοιτάξτε,
02:34
While you're typingπληκτρολόγηση a CAPTCHACAPTCHA, duringστη διάρκεια those 10 secondsδευτερολέπτων,
60
139000
2000
Καθώς πληκτρολογείς ένα CAPTCHA, σε αυτά τα 10 δευτερόλεπτα,
02:36
your brainεγκέφαλος is doing something amazingφοβερο.
61
141000
2000
το μυαλό σου κάνει κάτι απίστευτο.
02:38
Your brainεγκέφαλος is doing something that computersΥπολογιστές cannotδεν μπορώ yetΑκόμη do.
62
143000
2000
Κάνει κάτι που οι υπολογιστές δεν μπορούν ακόμη να κάνουν.
02:40
So can we get you to do usefulχρήσιμος work for those 10 secondsδευτερολέπτων?
63
145000
3000
Μπορούμε να σε κάνουμε να εκτελείς κάτι χρήσιμο για αυτά τα 10 δεύτερα;
02:43
AnotherΈνα άλλο way of puttingβάζοντας it is,
64
148000
2000
Ένας άλλος τρόπος να το θέσουμε είναι,
02:45
is there some humongoushumongous problemπρόβλημα that we cannotδεν μπορώ yetΑκόμη get computersΥπολογιστές to solveλύσει,
65
150000
2000
ότι υπάρχει κάποιο τεράστιο πρόβλημα το οποίο δεν μπορούμε να το λύσουμε ακόμη και με τη βοήθεια υπολογιστών
02:47
yetΑκόμη we can splitσπλιτ into tinyμικροσκοπικός 10-second chunksκομμάτια
66
152000
3000
αλλά μπορούμε να το χωρίσουμε σε κομμάτια των 10 δευτερολέπτων
02:50
suchτέτοιος that eachκαθε time somebodyκάποιος solvesλύνει a CAPTCHACAPTCHA
67
155000
2000
έτσι ώστε κάθε φορά που κάποιος γράφει ένα CAPTCHA
02:52
they solveλύσει a little bitκομμάτι of this problemπρόβλημα?
68
157000
2000
να λύνει και ένα μικρό κομμάτι αυτού του προβλήματος;
02:54
And the answerαπάντηση to that is "yes," and this is what we're doing now.
69
159000
2000
Η απάντηση είναι «ναι», και αυτό είναι που κάνουμε τώρα.
02:56
So what you mayενδέχεται not know is that nowadaysστην εποχή μας while you're typingπληκτρολόγηση a CAPTCHACAPTCHA,
70
161000
3000
Αυτό που ίσως δε γνωρίζετε, είναι πώς όταν πληκτρολογείτε ένα CAPTCHA,
02:59
not only are you authenticatingΈλεγχος ταυτότητας yourselfσύ ο ίδιος as a humanο άνθρωπος,
71
164000
2000
όχι μόνο επιβεβαιώνετε ότι είστε άνθρωπος,
03:01
but in additionπρόσθεση you're actuallyπράγματι helpingβοήθεια us to digitizeψηφιοποίηση booksβιβλία.
72
166000
2000
αλλά επιπλέον συμβάλλετε στη προσπάθεια ψηφιοποίησης βιβλίων.
03:03
So let me explainεξηγώ how this worksεργοστάσιο.
73
168000
2000
Ορίστε πώς δουλεύει αυτό.
03:05
So there's a lot of projectsέργα out there tryingπροσπαθεί to digitizeψηφιοποίηση booksβιβλία.
74
170000
2000
Υπάρχουν πολλές ομάδες που ασχολούνται με τη ψηφιοποίηση βιβλίων.
03:07
GoogleGoogle has one. The InternetΣτο διαδίκτυο ArchiveΑρχείο has one.
75
172000
3000
Η Google έχει μια. Τα Ιντερνετικά Αρχεία έχουν μια.
03:10
AmazonAmazon, now with the KindleKindle, is tryingπροσπαθεί to digitizeψηφιοποίηση booksβιβλία.
76
175000
2000
Το Άμαζον με το κίντλ, προσπαθεί να ψηφιοποιήσει βιβλία.
03:12
BasicallyΒασικά the way this worksεργοστάσιο
77
177000
2000
Ο τρόπος που δουλεύει αυτό είναι,
03:14
is you startαρχή with an oldπαλαιός bookΒιβλίο.
78
179000
2000
Ξεκινάς με ένα παλιό βιβλίο.
03:16
You've seenείδα those things, right? Like a bookΒιβλίο?
79
181000
2000
Έχετε δει ένα απο αυτά έτσι; Βιβλία εννοώ.
03:18
(LaughterΤο γέλιο)
80
183000
2000
(Γέλιο)
03:20
So you startαρχή with a bookΒιβλίο, and then you scanσάρωση it.
81
185000
2000
Παίρνεις ένα βιβλίο, και το σκανάρεις.
03:22
Now scanningέρευνα a bookΒιβλίο
82
187000
2000
Όταν σκανάρεις ένα βιβλίο
03:24
is like takingλήψη a digitalψηφιακό photographφωτογραφία of everyκάθε pageσελίδα of the bookΒιβλίο.
83
189000
2000
είναι σαν να παίρνεις μια ψηφιακή φωτογραφία κάθε σελίδας.
03:26
It givesδίνει you an imageεικόνα for everyκάθε pageσελίδα of the bookΒιβλίο.
84
191000
2000
Σου δίνει μια εικόνα για κάθε σελίδα του βιβλίου.
03:28
This is an imageεικόνα with textκείμενο for everyκάθε pageσελίδα of the bookΒιβλίο.
85
193000
2000
Είναι εικόνες με το κείμενο της κάθε σελίδας.
03:30
The nextεπόμενος stepβήμα in the processεπεξεργάζομαι, διαδικασία
86
195000
2000
Το επόμενο βήμα της διαδικασίας
03:32
is that the computerυπολογιστή needsανάγκες to be ableικανός to decipherαποκρυπτογραφήσει all of the wordsλόγια in this imageεικόνα.
87
197000
3000
είναι η αποκρυπτογράφηση όλων των λέξεων της εικόνας απο τον υπολογιστή.
03:35
That's usingχρησιμοποιώντας a technologyτεχνολογία calledπου ονομάζεται OCROCR,
88
200000
2000
Είναι μια τεχνολογία που ονομάζεται ΟΑΧ
03:37
for opticalοπτική characterχαρακτήρας recognitionαναγνώριση,
89
202000
2000
οπτική αναγνώριση χαρακτήρων,
03:39
whichοι οποίες takes a pictureεικόνα of textκείμενο
90
204000
2000
η οποία δέχεται μια εικόνα κειμένου
03:41
and triesπροσπαθεί to figureεικόνα out what textκείμενο is in there.
91
206000
2000
και προσπαθεί να καταλάβει τι γράφει το κείμενο.
03:43
Now the problemπρόβλημα is that OCROCR is not perfectτέλειος.
92
208000
2000
Το πρόβλημα είναι ότι το ΟΑΧ είναι ατελές.
03:45
EspeciallyΕιδικά for olderΠαλαιότερα booksβιβλία
93
210000
2000
Ειδικά για παλαιότερα βιβλία
03:47
where the inkμελάνι has fadedξεθωριάσει and the pagesσελίδες have turnedγύρισε yellowκίτρινος,
94
212000
3000
που το μελάνι έχει εξασθενίσει και οι σελίδες είναι κίτρινες,
03:50
OCROCR cannotδεν μπορώ recognizeαναγνωρίζω a lot of the wordsλόγια.
95
215000
2000
το ΟΑΧ δεν μπορεί να αναγνωρίσει πολλές απο τις λέξεις.
03:52
For exampleπαράδειγμα, for things that were writtenγραπτός more than 50 yearsχρόνια agoπριν,
96
217000
2000
Για παράδειγμα, για κείμενα που γράφτηκαν πριν απο μισό αιώνα,
03:54
the computerυπολογιστή cannotδεν μπορώ recognizeαναγνωρίζω about 30 percentτοις εκατό of the wordsλόγια.
97
219000
3000
ο υπολογιστής δε μπορεί να αναγνωρίσει 30% των λέξεων.
03:57
So what we're doing now
98
222000
2000
Αυτό που κάνουμε τώρα
03:59
is we're takingλήψη all of the wordsλόγια that the computerυπολογιστή cannotδεν μπορώ recognizeαναγνωρίζω
99
224000
2000
είναι να παίρνουμε όλες τις λέξεις που δεν μπορεί να αναγνωρίσει ο υπολογιστής
04:01
and we're gettingνα πάρει people to readανάγνωση them for us
100
226000
2000
και βάζουμε ανθρώπους να τις διαβάζουν για μας
04:03
while they're typingπληκτρολόγηση a CAPTCHACAPTCHA on the InternetΣτο διαδίκτυο.
101
228000
2000
καθώς πληκτρολογούν ένα CAPTCHA στο δίκτυο.
04:05
So the nextεπόμενος time you typeτύπος a CAPTCHACAPTCHA, these wordsλόγια that you're typingπληκτρολόγηση
102
230000
3000
Έτσι την επόμενη φορά που θα γράφετε ένα CAPTCHA, εκείνες οι λέξεις
04:08
are actuallyπράγματι wordsλόγια that are comingερχομός from booksβιβλία that are beingνα εισαι digitizedψηφιοποιημένο
103
233000
3000
που γράφετε, προέρχονται από βιβλία σε διαδικασία ψηφιοποίησης
04:11
that the computerυπολογιστή could not recognizeαναγνωρίζω.
104
236000
2000
που ο υπολογιστής δε μπορεί να αναγνωρίσει.
04:13
And now the reasonλόγος we have two wordsλόγια nowadaysστην εποχή μας insteadαντι αυτου of one
105
238000
2000
Ο λόγος που τώρα υπάρχουν 2 λέξεις αντί για μία όπως παλιά
04:15
is because, you see, one of the wordsλόγια
106
240000
2000
είναι επειδή μία από τις λέξεις
04:17
is a wordλέξη that the systemΣύστημα just got out of a bookΒιβλίο,
107
242000
2000
αντλήθηκε από ένα βιβλίο μέσω του συστήματος,
04:19
it didn't know what it was, and it's going to presentπαρόν it to you.
108
244000
3000
δεν γνώριζε τι είναι, και θα το παρουσιάσει σε εσάς.
04:22
But sinceΑπό it doesn't know the answerαπάντηση for it, it cannotδεν μπορώ gradeΒαθμός it for you.
109
247000
3000
Αλλά επειδή δεν ξέρει την απάντηση, δε μπορεί να την βαθμολογήσει.
04:25
So what we do is we give you anotherαλλο wordλέξη,
110
250000
2000
Έτσι, σας δίνουμε μια άλλη λέξη,
04:27
one for whichοι οποίες the systemΣύστημα does know the answerαπάντηση.
111
252000
2000
μία για την οποία το σύστημα γνωρίζει την απάντηση.
04:29
We don't tell you whichοι οποίες one'sκάποιου whichοι οποίες, and we say, please typeτύπος bothκαι τα δυο.
112
254000
2000
Δεν σας λέμε ποια είναι ποια, απλά λέμε, παρακαλώ πληκτρολογήστε και τις δύο.
04:31
And if you typeτύπος the correctσωστός wordλέξη
113
256000
2000
Έαν γράψετε τη σωστή λέξη
04:33
for the one for whichοι οποίες the systemΣύστημα alreadyήδη knowsξέρει the answerαπάντηση,
114
258000
2000
για αυτή την οποία το σύστημα ήδη γνωρίζει την απάντηση,
04:35
it assumesυποθέτει you are humanο άνθρωπος,
115
260000
2000
υποθέτει ότι είστε άνθρωπος,
04:37
and it alsoεπίσης getsπαίρνει some confidenceαυτοπεποίθηση that you typedπληκτρολογήσαμε the other wordλέξη correctlyσωστά.
116
262000
2000
και «ευελπιστεί» ότι γράψατε και την άλλη λέξη σωστά.
04:39
And if we repeatεπαναλαμβάνω this processεπεξεργάζομαι, διαδικασία to like 10 differentδιαφορετικός people
117
264000
3000
Εάν επαναλάβουμε αυτή τη διαδικασία σε 10 διαφορετικά άτομα
04:42
and all of them agreeσυμφωνώ on what the newνέος wordλέξη is,
118
267000
2000
και όλοι τους συμφωνούν για το ποια είναι η νέα λέξη,
04:44
then we get one more wordλέξη digitizedψηφιοποιημένο accuratelyμε ακρίβεια.
119
269000
2000
τότε ψηφιοποιήθηκε με ακρίβεια άλλη μια λέξη.
04:46
So this is how the systemΣύστημα worksεργοστάσιο.
120
271000
2000
Έτσι δουλεύει το σύστημα.
04:48
And basicallyβασικα, sinceΑπό we releasedκυκλοφόρησε it about threeτρία or fourτέσσερα yearsχρόνια agoπριν,
121
273000
3000
Από τη κυκλοφορία του, πριν απο 3 ή 4 χρόνια, μέχρι σήμερα,
04:51
a lot of websitesιστοσελίδες have startedξεκίνησε switchingεναλλαγή
122
276000
2000
πολλές ιστοσελίδες έχουν αλλάξει
04:53
from the oldπαλαιός CAPTCHACAPTCHA where people wastedσπατάλη theirδικα τους time
123
278000
2000
απο το παλιό CAPTCHA που τα άτομα απλά σπαταλούσαν χρόνο
04:55
to the newνέος CAPTCHACAPTCHA where people are helpingβοήθεια to digitizeψηφιοποίηση booksβιβλία.
124
280000
2000
στο νέο CAPTCHA που οι άνθρωποι βοηθάνε στη ψηφιοποίηση βιβλίων.
04:57
So for exampleπαράδειγμα, TicketmasterTicketmaster.
125
282000
2000
Για παράδειγμα, το Τικετμάστερ.
04:59
So everyκάθε time you buyαγορά ticketsεισιτήρια on TicketmasterTicketmaster, you help to digitizeψηφιοποίηση a bookΒιβλίο.
126
284000
3000
Κάθε φορά που αγοράζεις εισιτήρια απο το Τίκετμαστερ, συμβάλλετε στη ψηφιοποίηση ενός βιβλίου.
05:02
FacebookΣτο Facebook: EveryΚάθε time you addπροσθέτω a friendφίλος or pokeσακί somebodyκάποιος,
127
287000
2000
Φέισμπουκ: Κάθε φορά που προσθέτετε ένα φίλο, ή κάνετε poke
05:04
you help to digitizeψηφιοποίηση a bookΒιβλίο.
128
289000
2000
συμβάλλετε στη ψηφιοποίηση ενός βιβλίου.
05:06
TwitterΠειραχτήρι and about 350,000 other sitesιστοσελίδες are all usingχρησιμοποιώντας reCAPTCHAξαναπιάνω.
129
291000
3000
Το Τουίτερ και περίπου 350,000 άλλες ιστοσελίδες χρησιμοποιούν reCAPTCHA.
05:09
And in factγεγονός, the numberαριθμός of sitesιστοσελίδες that are usingχρησιμοποιώντας reCAPTCHAξαναπιάνω is so highυψηλός
130
294000
2000
Κατ ακρίβεια, ο αριθμός των σελίδων που χρησιμοποιούν reCAPTCHA είναι τόσο μεγάλος
05:11
that the numberαριθμός of wordsλόγια that we're digitizingψηφιοποίηση perανά day is really, really largeμεγάλο.
131
296000
3000
που ο όγκος των λέξεων που ψηφιοποιούμε καθημερινά είναι τεράστιος.
05:14
It's about 100 millionεκατομμύριο a day,
132
299000
2000
Περίπου 100 εκατομμύρια λέξεις την μέρα,
05:16
whichοι οποίες is the equivalentισοδύναμος of about two and a halfΉμισυ millionεκατομμύριο booksβιβλία a yearέτος.
133
301000
4000
που αντιστοιχεί σε 2.5 εκατομμύρια βιβλία το χρόνο.
05:20
And this is all beingνα εισαι doneΈγινε one wordλέξη at a time
134
305000
2000
Και όλο αυτό γίνεται μία λέξη τη φορά απο άτομα
05:22
by just people typingπληκτρολόγηση CAPTCHAsCAPTCHAs on the InternetΣτο διαδίκτυο.
135
307000
2000
που απλά πληκτρολογούν CAPTCHAs στο ίντερνετ.
05:24
(ApplauseΧειροκροτήματα)
136
309000
8000
(Χειροκρότημα)
05:32
Now of courseσειρά μαθημάτων,
137
317000
2000
Φυσικά,
05:34
sinceΑπό we're doing so manyΠολλά wordsλόγια perανά day,
138
319000
2000
επειδή επεξεργαζόμαστε τόσες λέξεις τη μέρα,
05:36
funnyαστείος things can happenσυμβεί.
139
321000
2000
συμβαίνουν και μερικά ευτράπελα.
05:38
And this is especiallyειδικά trueαληθής because now we're givingδίνοντας people
140
323000
2000
Ειδικά τώρα που δίνουμε στους ανθρώπους δύο
05:40
two randomlyτυχαία chosenεκλεκτός EnglishΑγγλικά wordsλόγια nextεπόμενος to eachκαθε other.
141
325000
2000
τυχαία επιλεγμένες αγγλικές λέξεις δίπλα δίπλα.
05:42
So funnyαστείος things can happenσυμβεί.
142
327000
2000
Αστεία πράγματα μπορεί να συμβούν.
05:44
For exampleπαράδειγμα, we presentedπαρουσιάστηκε this wordλέξη.
143
329000
2000
Για παράδειγμα, είχαμε αυτή τη λέξη.
05:46
It's the wordλέξη "ChristiansΟι Χριστιανοί"; there's nothing wrongλανθασμένος with it.
144
331000
2000
Η λέξη «Χριστιανοί» δεν έχει κάτι αστείο.
05:48
But if you presentπαρόν it alongκατά μήκος with anotherαλλο randomlyτυχαία chosenεκλεκτός wordλέξη,
145
333000
3000
Αλλά αν την βάλεις δίπλα απο μια άλλη τυχαία επιλεγμένη λέξη,
05:51
badκακό things can happenσυμβεί.
146
336000
2000
τότε παρουσιάζονται προβλήματα.
05:53
So we get this. (TextΚείμενο: badκακό christiansοι Χριστιανοί)
147
338000
2000
Όπως αυτό: (Κείμενο: Κακοί χριστιανοί)
05:55
But it's even worseχειρότερος, because the particularιδιαιτερος websiteδικτυακός τόπος where we showedέδειξε this
148
340000
3000
Και είναι ακόμη χειρότερο, επειδή η συγκεκριμένη ιστοσελίδα που εμφανίστηκε αυτό
05:58
actuallyπράγματι happenedσυνέβη to be calledπου ονομάζεται The EmbassyΠρεσβεία of the KingdomΒασίλειο of God.
149
343000
3000
τύχαινε να ονομαζόταν Η Πρεσβεία της Βασιλείας του Θεού.
06:01
(LaughterΤο γέλιο)
150
346000
2000
(Γέλιο)
06:03
OopsΩχ.
151
348000
2000
Ούπς.
06:05
(LaughterΤο γέλιο)
152
350000
3000
(Γέλιο)
06:08
Here'sΕδώ είναι anotherαλλο really badκακό one.
153
353000
2000
Ορίστε ακόμη ένα αρκετά κακό.
06:10
JohnEdwardsJohnEdwards.comcom
154
355000
2000
ΤζόνΈντουαρντς.κομ
06:12
(TextΚείμενο: DamnΓαμώτο liberalφιλελεύθερη)
155
357000
3000
(κείμενο: Καταραμένοι Φιλελεύθεροι)
06:15
(LaughterΤο γέλιο)
156
360000
2000
(Γέλιο)
06:17
So we keep on insultingεξύβριση people left and right everydayκάθε μέρα.
157
362000
3000
Καθημερινώς άνθρωποι παντού, προσβάλλονταν απο αυτά.
06:20
Now, of courseσειρά μαθημάτων, we're not just insultingεξύβριση people.
158
365000
2000
Φυσικά, δεν προσβάλαμε μόνο ανθρώπους.
06:22
See here'sεδώ είναι the thing, sinceΑπό we're presentingπαρουσίαση two randomlyτυχαία chosenεκλεκτός wordsλόγια,
159
367000
3000
Κοιτάξτε, επειδή παρουσιάζαμε δύο τυχαία επιλεγμένες λέξεις,
06:25
interestingενδιαφέρων things can happenσυμβεί.
160
370000
2000
συνέβαιναν ενδιαφέροντα πράγματα.
06:27
So this actuallyπράγματι has givenδεδομένος riseαύξηση
161
372000
2000
Αυτό ήταν και η αιτία της δημιουργίας
06:29
to a really bigμεγάλο InternetΣτο διαδίκτυο memememe
162
374000
3000
μιας πολύ μεγάλης ιντερνετικής μόδας
06:32
that tensδεκάδες of thousandsχιλιάδες of people have participatedσυμμετείχαν in,
163
377000
2000
που δεκάδες χιλιάδες άτομα έχουν πάρει μέρος,
06:34
whichοι οποίες is calledπου ονομάζεται CAPTCHACAPTCHA artτέχνη.
164
379000
2000
που ονομάζεται τέχνη CAPTCHA.
06:36
I'm sure some of you have heardακούσει about it.
165
381000
2000
είμαι σίγουρος μερικοί απο σάς το έχουν ακούσει.
06:38
Here'sΕδώ είναι how it worksεργοστάσιο.
166
383000
2000
Ορίστε πώς δουλεύει.
06:40
ImagineΦανταστείτε you're usingχρησιμοποιώντας the InternetΣτο διαδίκτυο and you see a CAPTCHACAPTCHA
167
385000
2000
Φανταστείτε ότι χρησιμοποιείτε το ίντερνετ και βλέπετε ένα CAPTCHA
06:42
that you think is somewhatκάπως peculiarπερίεργο,
168
387000
2000
που σας φαίνεται λίγο παράξενο,
06:44
like this CAPTCHACAPTCHA. (TextΚείμενο: invisibleαόρατος toasterτοστιέρα)
169
389000
2000
όπως π.χ αυτό. (Κείμενο: αόρατη τοστιέρα)
06:46
Then what you're supposedυποτιθεμένος to do is you take a screenοθόνη shotβολή of it.
170
391000
2000
Αυτό που υποτίθεται ότι πρέπει να κάνετε είναι να το αποθηκεύσετε σαν εικόνα.
06:48
Then of courseσειρά μαθημάτων, you fillγέμισμα out the CAPTCHACAPTCHA
171
393000
2000
Μετά φυσικά, συμπληρώνετε το CAPTCHA
06:50
because you help us digitizeψηφιοποίηση a bookΒιβλίο.
172
395000
2000
επειδή μας βοηθάτε να ψηφιοποιούμε τα βιβλία.
06:52
But then, first you take a screenοθόνη shotβολή,
173
397000
2000
Αλλά μετά, πρώτα το αποθηκεύετε,
06:54
and then you drawσχεδιάζω something that is relatedσχετίζεται με to it.
174
399000
2000
και μετά ζωγραφίζετε κάτι σχετικά με αυτό.
06:56
(LaughterΤο γέλιο)
175
401000
2000
(Γέλιο)
06:58
That's how it worksεργοστάσιο.
176
403000
3000
Έτσι δουλεύει.
07:01
There are tensδεκάδες of thousandsχιλιάδες of these.
177
406000
3000
Υπάρχουν δεκάδες χιλιάδες απο αυτά.
07:04
Some of them are very cuteΧαριτωμένο. (TextΚείμενο: clenchedσφιγμένα it)
178
409000
2000
Μερικά είναι πολύ χαριτωμένα. ( Κείμενο:
07:06
(LaughterΤο γέλιο)
179
411000
2000
(Γέλιο)
07:08
Some of them are funnierαστείο.
180
413000
2000
Μερικά είναι αστεία.
07:10
(TextΚείμενο: stonedλιθοβολήθηκε foundersιδρυτές)
181
415000
3000
(Κείμενο: μαστουρωμένοι ιδρυτές)
07:13
(LaughterΤο γέλιο)
182
418000
3000
(Γέλιο)
07:16
And some of them,
183
421000
2000
Και μερικά απο αυτά,
07:18
like paleontologicalΠαλαιοντολογικό shvisleshvisle,
184
423000
3000
όπως παλαιοντολογικό μυστρί,
07:21
they containπεριέχω SnoopSnoop DoggDogg.
185
426000
2000
περιέχουν τον Σνούπ Ντογκ.
07:23
(LaughterΤο γέλιο)
186
428000
3000
(Γέλιο)
07:26
Okay, so this is my favoriteαγαπημένη numberαριθμός of reCAPTCHAξαναπιάνω.
187
431000
2000
Αυτός είναι ο αγαπημένος μου αριθμός για το reCAPTCHA.
07:28
So this is the favoriteαγαπημένη thing that I like about this wholeολόκληρος projectέργο.
188
433000
3000
Είναι το πράγμα που λατρέυω για το όλο πρότζεκτ.
07:31
This is the numberαριθμός of distinctδιακριτή people
189
436000
2000
Αυτός είναι ο αριθμός των διαφορετικών ατόμων
07:33
that have helpedβοήθησα us digitizeψηφιοποίηση at leastελάχιστα one wordλέξη out of a bookΒιβλίο throughδιά μέσου reCAPTCHAξαναπιάνω:
190
438000
3000
που μας έχουν βοηθήσει να ψηφιοποιήσουμε τουλάχιστον μία λέξη απο ένα βιβλίο με το reCAPTCHA:
07:36
750 millionεκατομμύριο,
191
441000
2000
750 εκατομμύρια,
07:38
whichοι οποίες is a little over 10 percentτοις εκατό of the world'sτου κόσμου populationπληθυσμός,
192
443000
2000
λίγο περισσότερο απο 10% του παγκόσμιου πληθυσμού,
07:40
has helpedβοήθησα us digitizeψηφιοποίηση humanο άνθρωπος knowledgeη γνώση.
193
445000
2000
μας έχει βοηθήσει στη ψηφιοποίηση της ανθρώπινης γνώσης.
07:42
And it is numbersαριθμούς like these that motivateθέτω στην κίνησιν my researchέρευνα agendaημερήσια διάταξη.
194
447000
3000
Και είναι αριθμοί σαν αυτόν που δίνουν κίνητρο στο ερευνητικό μου πρόγραμμα.
07:45
So the questionερώτηση that motivatesκίνητρα my researchέρευνα is the followingΕΠΟΜΕΝΟ:
195
450000
3000
Η ερώτηση που ωθεί την έρευνα μου είναι η εξής:
07:48
If you look at humanity'sτης ανθρωπότητας large-scaleμεγάλης κλίμακας achievementsεπιτεύγματα,
196
453000
2000
Αν δεις τα μεγαλύτερα επιτεύγματα της ανθρωπότητας,
07:50
these really bigμεγάλο things
197
455000
2000
αυτά τα πραγματικά τεράστια πράγματα
07:52
that humanityανθρωπότητα has gottenπήρε togetherμαζί and doneΈγινε historicallyιστορικά --
198
457000
3000
που η ανθρωπότητα έχει ενωθεί και έχει δημιουργήσει --
07:55
like for exampleπαράδειγμα, buildingΚτίριο the pyramidsπυραμίδες of EgyptΑίγυπτος
199
460000
2000
όπως για παράδειγμα, το χτίσιμο των πυραμίδων της Αιγύπτου
07:57
or the PanamaΠαναμάς CanalΚανάλι
200
462000
2000
ή η Διώρυγα Παναμά
07:59
or puttingβάζοντας a man on the MoonΦεγγάρι --
201
464000
2000
ή η προσελήνωση του ανθρώπου --
08:01
there is a curiousπερίεργος factγεγονός about them,
202
466000
2000
υπάρχει ένα περίεργο στοιχείο σε όλα αυτά,
08:03
and it is that they were all doneΈγινε with about the sameίδιο numberαριθμός off people.
203
468000
2000
και είναι ότι, όλα έχουν γίνει με περίπου τον ίδιο αριθμό ανθρώπων.
08:05
It's weirdΠερίεργο; they were all doneΈγινε with about 100,000 people.
204
470000
3000
είναι περίεργο; έχουν όλα επιτευχθεί με περίπου 100,000 ανθρώπους.
08:08
And the reasonλόγος for that is because, before the InternetΣτο διαδίκτυο,
205
473000
3000
Και ο λόγος για αυτό είναι, πριν απο το Ίντερνετ,
08:11
coordinatingτον συντονισμό more than 100,000 people,
206
476000
2000
το να συντονίσεις περισσότερο απο 100,000 ανθρώπους,
08:13
let aloneμόνος payingδικαιούχος them, was essentiallyουσιαστικά impossibleαδύνατο.
207
478000
3000
πόσο μάλλον να τους πληρώνεις, ήταν ουσιαστικά αδύνατο.
08:16
But now with the InternetΣτο διαδίκτυο, I've just shownαπεικονίζεται you a projectέργο
208
481000
2000
Αλλά τώρα με το ίντερνετ, σας έχω δείξει ένα πρότζεκτ
08:18
where we'veέχουμε gottenπήρε 750 millionεκατομμύριο people
209
483000
2000
όπου 750 εκατομμύρια άνθρωποι έχουν συμβάλει
08:20
to help us digitizeψηφιοποίηση humanο άνθρωπος knowledgeη γνώση.
210
485000
2000
στην ψηφιοποίηση ανθρώπινης γνώσης.
08:22
So the questionερώτηση that motivatesκίνητρα my researchέρευνα is,
211
487000
2000
Έτσι η ερώτηση που παρακινεί την έρευνα είναι,
08:24
if we can put a man on the MoonΦεγγάρι with 100,000,
212
489000
3000
εάν μπορούμε να στείλουμε ένα άνθρωπο στο φεγγάρι με 100,000,
08:27
what can we do with 100 millionεκατομμύριο?
213
492000
2000
τι μπορούμε να κάνουμε με 100 εκατομμύρια;
08:29
So basedμε βάση on this questionερώτηση,
214
494000
2000
Έτσι με βάση αυτή την ερώτηση,
08:31
we'veέχουμε had a lot of differentδιαφορετικός projectsέργα that we'veέχουμε been workingεργαζόμενος on.
215
496000
2000
έχουμε πολλά διαφορετικά πρότζεκτ που επεξεργαζόμαστε.
08:33
Let me tell you about one that I'm mostπλέον excitedερεθισμένος about.
216
498000
3000
Θα σας πω ένα για το οποίο είμαι πολύ ενθουσιασμένος.
08:36
This is something that we'veέχουμε been semi-quietlyημι-ήσυχα workingεργαζόμενος on
217
501000
2000
Αυτό είναι κάτι στο οποίο δουλεύουμε ανεπίσημα
08:38
for the last yearέτος and a halfΉμισυ or so.
218
503000
2000
για το τελευταίο ενάμιση χρόνο.
08:40
It hasn'tδεν έχει yetΑκόμη been launchedξεκίνησε. It's calledπου ονομάζεται DuolingoΝτουολίγκο.
219
505000
2000
Δεν έχει εγκαινιαστεί ακόμη. Ονομάζεται Duolingo.
08:42
SinceΑπό το it hasn'tδεν έχει been launchedξεκίνησε, shhhhhshhhhh!
220
507000
2000
Εφόσον δεν έχει εγκαινιαστεί, σσσσ!
08:44
(LaughterΤο γέλιο)
221
509000
2000
(Γέλιο)
08:46
Yeah, I can trustεμπιστοσύνη you'llθα το κάνετε do that.
222
511000
2000
Θα σας εμπιστευτώ ότι θα το κρατήσετε μυστικό.
08:48
So this is the projectέργο. Here'sΕδώ είναι how it startedξεκίνησε.
223
513000
2000
Αυτό είναι το πρότζεκτ και νά πως ξεκίνησε.
08:50
It startedξεκίνησε with me posingθέτοντας a questionερώτηση to my graduateαποφοιτώ studentμαθητης σχολειου,
224
515000
2000
Έθεσα μια ερώτηση σε ένα απο τους μεταπτυχιακούς φοιτητές μου,
08:52
SeverinΣεβερίν HackerΧάκερ.
225
517000
2000
τον Σέβεριν Χάκερ.
08:54
Okay, that's SeverinΣεβερίν HackerΧάκερ.
226
519000
2000
Αυτός είναι ο Σέβεριν Χάκερ.
08:56
So I posedπου τίθενται the questionερώτηση to my graduateαποφοιτώ studentμαθητης σχολειου.
227
521000
2000
Έθεσα λοιπόν αυτή την ερώτηση στο φοιτητή μου.
08:58
By the way, you did hearακούω me correctlyσωστά;
228
523000
2000
Ναι σωστά με ακούσατε;
09:00
his last nameόνομα is HackerΧάκερ.
229
525000
2000
το επίθετό του είναι Χάκερ.
09:02
So I posedπου τίθενται this questionερώτηση to him:
230
527000
2000
Τον ρώτησα λοιπόν;
09:04
How can we get 100 millionεκατομμύριο people
231
529000
2000
Πως μπορούμε να κάνουμε 100 εκατομμύρια άτομα
09:06
translatingμετάφραση the WebWeb into everyκάθε majorμείζων languageΓλώσσα for freeΕλεύθερος?
232
531000
3000
να μεταφράσουν το ίντερνετ σε κάθε κύρια γλώσσα δωρεάν;
09:09
Okay, so there's a lot of things to say about this questionερώτηση.
233
534000
2000
Υπάρχουν αρκετά πράγματα που χρίζουν ξεκαθάρισμα σε αυτή την ερώτηση.
09:11
First of all, translatingμετάφραση the WebWeb.
234
536000
2000
Πρώτον, μεταφράζοντας το Ίντερνετ.
09:13
So right now the WebWeb is partitionedΔιαμερίσματα into multipleπολλαπλούς languagesΓλώσσες.
235
538000
3000
Αυτή τη στιγμή το διαδίκτυο είναι χωρισμένο σε διάφορες γλώσσες.
09:16
A largeμεγάλο fractionκλάσμα of it is in EnglishΑγγλικά.
236
541000
2000
Τεράστιο μέρος του είναι στα αγγλικά.
09:18
If you don't know any EnglishΑγγλικά, you can't accessπρόσβαση it.
237
543000
2000
Εάν δε γνωρίζεις καθόλου αγγλικά, δεν μπορείς να το χειριστείς.
09:20
But there's largeμεγάλο fractionsκλάσματα in other differentδιαφορετικός languagesΓλώσσες,
238
545000
2000
Αλλά υπάρχει ένα μεγάλο μέρος που είναι σε άλλες γλώσσες,
09:22
and if you don't know those languagesΓλώσσες, you can't accessπρόσβαση it.
239
547000
3000
και εάν δε γνωρίζεις αυτές τις γλώσσες, πάλι δε μπορείς να το χειριστείς.
09:25
So I would like to translateμεταφράζω all of the WebWeb, or at leastελάχιστα mostπλέον of the WebWeb,
240
550000
3000
Έτσι θα ήθελα να μεταφράσω όλο το Δίκτυο, ή τουλάχιστον το περισσότερο,
09:28
into everyκάθε majorμείζων languageΓλώσσα.
241
553000
2000
σε κάθε κύρια γλώσσα.
09:30
So that's what I would like to do.
242
555000
2000
Αυτό είναι που θα ήθελα να κάνω.
09:32
Now some of you mayενδέχεται say, why can't we use computersΥπολογιστές to translateμεταφράζω?
243
557000
3000
Μερικοί απο σας ίσως αναρωτιούνται, γιατί δε βάζουμε τα pc να μεταφράσουν;
09:35
Why can't we use machineμηχανή translationμετάφραση?
244
560000
2000
Γιατί δε μπορούμε να χρησιμοποιήσουμε μηχανική μετάφραση;
09:37
MachineΜηχάνημα translationμετάφραση nowadaysστην εποχή μας is startingεκκίνηση to translateμεταφράζω some sentencesποινές here and there.
245
562000
2000
Η μηχανική μετάφραση στις μέρες μας μπορεί να μεταφράσει μερικές προτάσεις εδώ και 'κει.
09:39
Why can't we use it to translateμεταφράζω the wholeολόκληρος WebWeb?
246
564000
2000
Γιατί δε τη χρησιμοποιούμε για να μεταφράσουμε όλο το Δίκτυο;
09:41
Well the problemπρόβλημα with that is that it's not yetΑκόμη good enoughαρκετά
247
566000
2000
Το πρόβλημα είναι ότι δεν είναι αρκετά καλή ακόμη
09:43
and it probablyπιθανώς won'tσυνηθισμένος be for the nextεπόμενος 15 to 20 yearsχρόνια.
248
568000
2000
και θα χρειαστούν περίπου 15 με 20 χρόνια μέχρι να είναι.
09:45
It makesκάνει a lot of mistakesλάθη.
249
570000
2000
Κάνει πάρα πολλά λάθη.
09:47
Even when it doesn't make a mistakeλάθος,
250
572000
2000
Ακόμη και όταν δεν κάνει λάθος,
09:49
sinceΑπό it makesκάνει so manyΠολλά mistakesλάθη, you don't know whetherκατά πόσο to trustεμπιστοσύνη it or not.
251
574000
3000
απ τη στιγμή που είναι τόσο ελαττωματική, δεν ξέρεις εάν μπορείς να βασιστείς σε αυτή.
09:52
So let me showπροβολή you an exampleπαράδειγμα
252
577000
2000
Ορίστε ένα παράδειγμα
09:54
of something that was translatedμεταφραστεί with a machineμηχανή.
253
579000
2000
μιας μετάφρασης απο υπολογιστή.
09:56
ActuallyΣτην πραγματικότητα it was a forumΦόρουμ postΘέση.
254
581000
2000
Για την ακρίβεια ήταν μήνυμα απο ένα φόρουμ.
09:58
It was somebodyκάποιος who was tryingπροσπαθεί to askπαρακαλώ a questionερώτηση about JavaScriptJavaScript.
255
583000
3000
Κάποιος προσπαθούσε να κάνει μια ερώτηση για τη JavaScript.
10:01
It was translatedμεταφραστεί from JapaneseΙαπωνικά into EnglishΑγγλικά.
256
586000
3000
Μεταφράστηκε απο Γιαπωνέζικα στα Αγγλικά.
10:04
So I'll just let you readανάγνωση.
257
589000
2000
Θα σας αφήσω να το διαβάσετε.
10:06
This personπρόσωπο startsξεκινά apologizingΣυγγνώμη
258
591000
2000
Το άτομο απολογείται για το
10:08
for the factγεγονός that it's translatedμεταφραστεί with a computerυπολογιστή.
259
593000
2000
γεγονός ότι μεταφράστηκε με υπολογιστή.
10:10
So the nextεπόμενος sentenceπερίοδος is is going to be the preambleπροοίμιο to the questionερώτηση.
260
595000
3000
Η επόμενη ερώτηση είναι η εισαγωγή στην ερώτηση.
10:13
So he's just explainingεξηγώντας something.
261
598000
2000
Προσπαθεί να εξηγήσει κάτι.
10:15
RememberΝα θυμάστε, it's a questionερώτηση about JavaScriptJavaScript.
262
600000
3000
Να θυμάστε, είναι ερώτηση για την JavaScript.
10:19
(TextΚείμενο: At oftenσυχνά, the goat-timeκατσίκα-χρόνος installεγκαθιστώ a errorλάθος is vomitκάνω εμετό.)
263
604000
4000
(Κείμενο: Στα συχνά, ο κατσικο-χρόνος εγκαθιστάτε ένα λάθος είναι εμετός.)
10:23
(LaughterΤο γέλιο)
264
608000
4000
(Γέλιο)
10:27
Then comesέρχεται the first partμέρος of the questionερώτηση.
265
612000
3000
Μετά είναι το πρώτο μέρος της ερώτησης.
10:30
(TextΚείμενο: How manyΠολλά timesφορές like the windάνεμος, a poleΠόλος, and the dragonδράκων?)
266
615000
4000
(Κείμενο: Πόσες φορές όπως τον άνεμο, το κοντάρι, και τον δράκο;)
10:34
(LaughterΤο γέλιο)
267
619000
2000
(Γέλιο)
10:36
Then comesέρχεται my favoriteαγαπημένη partμέρος of the questionερώτηση.
268
621000
3000
Μετά είναι το αγαπημένο μου μέρος της ερώτησης.
10:39
(TextΚείμενο: This insultπροσβολή to father'sτου πατέρα stonesπέτρες?)
269
624000
3000
(Κείμενο: Αυτή είναι προσβολή στη ταφόπλακα του πατέρα μου;)
10:42
(LaughterΤο γέλιο)
270
627000
2000
(Γέλιο)
10:44
And then comesέρχεται the endingκατάληξη, whichοι οποίες is my favoriteαγαπημένη partμέρος of the wholeολόκληρος thing.
271
629000
3000
Και μετά το τέλος που είναι το αγαπημένο μου μέρος όλου του θέματος.
10:47
(TextΚείμενο: Please apologizeΑπολογούμαι for your stupidityβλακεία. There are a manyΠολλά thank you.)
272
632000
4000
(Κείμενο: Παρακαλώ απολογούμαι για την ηλιθιότητα σου. Υπάρχουν πολλοί ευχαριστώ.)
10:51
(LaughterΤο γέλιο)
273
636000
2000
(Γέλιο)
10:53
Okay, so computerυπολογιστή translationμετάφραση, not yetΑκόμη good enoughαρκετά.
274
638000
2000
Ωραία, λοιπόν μετάφραση απο υπολογιστή, όχι αρκετά καλή ακόμη.
10:55
So back to the questionερώτηση.
275
640000
2000
Πίσω στην ερώτηση.
10:57
So we need people to translateμεταφράζω the wholeολόκληρος WebWeb.
276
642000
3000
Χρειαζόμαστε λοιπόν ανθρώπους για να μεταφράσουν το διαδίκτυο.
11:00
So now the nextεπόμενος questionερώτηση you mayενδέχεται have is,
277
645000
2000
Η επόμενη ερώτηση που μπορεί να έχετε είναι,
11:02
well why can't we just payπληρωμή people to do this?
278
647000
2000
γιατί δε μπορούμε να πληρώσουμε ανθρώπους να το κάνουν;
11:04
We could payπληρωμή professionalεπαγγελματίας languageΓλώσσα translatorsμεταφραστές to translateμεταφράζω the wholeολόκληρος WebWeb.
279
649000
3000
Θα μπορούσαμε να πληρώσουμε επαγγελματίες μεταφραστές για να μεταφράσουν το διαδίκτυο.
11:07
We could do that.
280
652000
2000
Θα μπορούσαμε να το κάνουμε αυτό.
11:09
UnfortunatelyΔυστυχώς, it would be extremelyεπακρώς expensiveακριβός.
281
654000
2000
Δυστυχώς θα ήταν εξαιρετικά ακριβό.
11:11
For exampleπαράδειγμα, translatingμετάφραση a tinyμικροσκοπικός, tinyμικροσκοπικός fractionκλάσμα of the wholeολόκληρος WebWeb, WikipediaWikipedia,
282
656000
3000
Για παράδειγμα, το να μεταφράσουμε ένα μικροσκοπικό τμήμα τοου διαδικτύου, την βικιπαίδεια,
11:14
into one other languageΓλώσσα, SpanishΙσπανικά.
283
659000
3000
σε μια άλλη γλώσσα, τα Ισπανικά.
11:17
WikipediaWikipedia existsυπάρχει in SpanishΙσπανικά,
284
662000
2000
Η βικιπαίδεια υπάρχει στα Ισπανικά,
11:19
but it's very smallμικρό comparedσε συγκριση to the sizeμέγεθος of EnglishΑγγλικά.
285
664000
2000
αλλά είναι πολύ μικρή σε σχέση με την αγγλική σελίδα.
11:21
It's about 20 percentτοις εκατό of the sizeμέγεθος of EnglishΑγγλικά.
286
666000
2000
Είναι περίπου το 20% της αγγλικής.
11:23
If we wanted to translateμεταφράζω the other 80 percentτοις εκατό into SpanishΙσπανικά,
287
668000
3000
Εάν θέλαμε να μεταφράσουμε το υπόλοιπο 80% στα Ισπανικά,
11:26
it would costκόστος at leastελάχιστα 50 millionεκατομμύριο dollarsδολάρια --
288
671000
2000
θα κόστιζε τουλάχιστον 50 εκατομμύρια δολλάρια --
11:28
and this is at even the mostπλέον exploitedαντικείμενο εκμετάλλευσης, outsourcingεξωτερική ανάθεση countryΧώρα out there.
289
673000
3000
και αυτό χρησιμοποιώντας την πιο εκμεταλλεύσιμη χώρα που υπάρχει.
11:31
So it would be very expensiveακριβός.
290
676000
2000
Θα ήταν λοιπόν πολύ δαπανηρό.
11:33
So what we want to do is we want to get 100 millionεκατομμύριο people
291
678000
2000
Αυτό που θέλουμε να κάνουμε λοιπόν είναι να βάλουμε 100 εκατομμύρια ανθρώπους
11:35
translatingμετάφραση the WebWeb into everyκάθε majorμείζων languageΓλώσσα
292
680000
2000
να μεταφράσουν το διαδίκτυο σε κάθε κύρια γλώσσα
11:37
for freeΕλεύθερος.
293
682000
2000
δωρεάν.
11:39
Now if this is what you want to do,
294
684000
2000
Εάν αυτό είναι που θέλεις να πετύχεις,
11:41
you prettyαρκετά quicklyγρήγορα realizeσυνειδητοποιώ you're going to runτρέξιμο into two prettyαρκετά bigμεγάλο hurdlesεμπόδια,
295
686000
2000
πολύ γρήγορα αντιλαμβάνεσαι ότι θα συναντήσεις 2 μεγάλα προβλήματα,
11:43
two bigμεγάλο obstaclesεμπόδια.
296
688000
2000
2 μεγάλα εμπόδια.
11:45
The first one is a lackέλλειψη of bilingualsΟι δίγλωσσοι.
297
690000
3000
Το πρώτο είναι η έλλειψη δίγλωσσων.
11:48
So I don't even know
298
693000
2000
Δεν ξέρω κάν
11:50
if there existsυπάρχει 100 millionεκατομμύριο people out there usingχρησιμοποιώντας the WebWeb
299
695000
3000
αν υπάρχουν 100 εκατομμύρια άνθρωποι χρήστες του διαδικτύου
11:53
who are bilingualδίγλωσσα enoughαρκετά to help us translateμεταφράζω.
300
698000
2000
που είναι αρκετά δίγλωσσοι ώστε να μας βοηθήσουν να μεταφράσουμε.
11:55
That's a bigμεγάλο problemπρόβλημα.
301
700000
2000
Αυτό είναι ένα μεγάλο πρόβλημα.
11:57
The other problemπρόβλημα you're going to runτρέξιμο into is a lackέλλειψη of motivationκίνητρο.
302
702000
2000
Το άλλο πρόβλημα που θα συναντήσεις είναι η έλλειψη κινήτρου.
11:59
How are we going to motivateθέτω στην κίνησιν people
303
704000
2000
Πώς θα κινητοποιήσουμε άτομα
12:01
to actuallyπράγματι translateμεταφράζω the WebWeb for freeΕλεύθερος?
304
706000
2000
να μεταφράσουν το Ίντερνετ δωρεάν;
12:03
NormallyΚανονικά, you have to payπληρωμή people to do this.
305
708000
3000
Κανονικά, πρέπει να τους πληρώσεις για τέτοια δουλειά.
12:06
So how are we going to motivateθέτω στην κίνησιν them to do it for freeΕλεύθερος?
306
711000
2000
Τότε πώς θα τους παρακινήσουμε να το κάνουν δωρεάν;
12:08
Now when we were startingεκκίνηση to think about this, we were blockedμπλοκαριστεί by these two things.
307
713000
3000
Όταν αρχίσαμε να το σχεδιάζουμε, είχαμε κολλήσει σε αυτά τα 2 θέματα.
12:11
But then we realizedσυνειδητοποίησα, there's actuallyπράγματι a way
308
716000
2000
Αλλά μετά αντιληφθήκαμε, ότι υπάρχει λύση
12:13
to solveλύσει bothκαι τα δυο these problemsπροβλήματα with the sameίδιο solutionλύση.
309
718000
2000
στα δύο προβλήματα και μάλιστα είναι η ίδια.
12:15
There's a way to killσκοτώνω two birdsπουλιά with one stoneπέτρα.
310
720000
2000
Μ' ένα σμπάρο δύο τρυγόνια.
12:17
And that is to transformμεταμορφώνω languageΓλώσσα translationμετάφραση
311
722000
3000
Και αυτό είναι να τροποποιήσουμε τη μετάφραση
12:20
into something that millionsεκατομμύρια of people want to do,
312
725000
3000
σε κάτι που θέλουν να κάνουν εκατομμύρια άτομα,
12:23
and that alsoεπίσης helpsβοηθάει with the problemπρόβλημα of lackέλλειψη of bilingualsΟι δίγλωσσοι,
313
728000
3000
και δίνει και λύση στο πρόβλημα της έλλειψης δίγλωσσων,
12:26
and that is languageΓλώσσα educationεκπαίδευση.
314
731000
3000
και αυτό είναι η γλωσσική εκπαίδευση.
12:29
So it turnsστροφές out that todayσήμερα,
315
734000
2000
Απ' οτι φαίνεται, σήμερα
12:31
there are over 1.2 billionδισεκατομμύριο people learningμάθηση a foreignξένο languageΓλώσσα.
316
736000
3000
υπάρχουν 1.2 δις άνθρωποι που μαθαίνουν μια ξένη γλώσσα.
12:34
People really, really want to learnμαθαίνω a foreignξένο languageΓλώσσα.
317
739000
2000
Οι άνθρωποι θέλουν πραγματικά να μάθουν μια ξένη γλώσσα.
12:36
And it's not just because they're beingνα εισαι forcedεξαναγκασμένος to do so in schoolσχολείο.
318
741000
3000
Και δεν είναι επειδή είναι αναγκασμένοι να το μάθουν στο σχολείο.
12:39
For exampleπαράδειγμα, in the UnitedΕνωμένοι StatesΚράτη μέλη aloneμόνος,
319
744000
2000
Για παράδειγμα, μόνο στις Ην. Πολιτείες,
12:41
there are over fiveπέντε millionεκατομμύριο people who have paidεπί πληρωμή over $500
320
746000
2000
πάνω απο 5 εκατομμύρια άνθρωποι έχουν πληρώσει πάνω απο €400
12:43
for softwareλογισμικό to learnμαθαίνω a newνέος languageΓλώσσα.
321
748000
2000
σε προγράμματα για να μάθουν μια νέα γλώσσα.
12:45
So people really, really want to learnμαθαίνω a newνέος languageΓλώσσα.
322
750000
2000
Οι άνθρωποι θέλουν πραγματικά να μάθουν μια νέα γλώσσα.
12:47
So what we'veέχουμε been workingεργαζόμενος on for the last yearέτος and a halfΉμισυ is a newνέος websiteδικτυακός τόπος --
323
752000
3000
Αυτό που δουλεύουμε το τελευταίο ενάμιση χρόνο είναι μια νέα ιστοσελίδα --
12:50
it's calledπου ονομάζεται DuolingoΝτουολίγκο --
324
755000
2000
ονόματι Duolingo --
12:52
where the basicβασικός ideaιδέα is people learnμαθαίνω a newνέος languageΓλώσσα for freeΕλεύθερος
325
757000
3000
που η βασική της ιδέα είναι ότι οι άνθρωποι μαθαίνουν μια νέα γλώσσα δωρεάν
12:55
while simultaneouslyΤΑΥΤΟΧΡΟΝΑ translatingμετάφραση the WebWeb.
326
760000
2000
και ταυτόχρονα μεταφράζουν το διαδίκτυο.
12:57
And so basicallyβασικα they're learningμάθηση by doing.
327
762000
2000
Βασικά μαθαίνουν κάνοντας.
12:59
So the way this worksεργοστάσιο
328
764000
2000
Ο τρόπος που δουλεύει είναι
13:01
is wheneverΟποτεδήποτε you're a just a beginnerαρχάριος, we give you very, very simpleαπλός sentencesποινές.
329
766000
3000
όταν είσαι αρχάριος, σου δίνουμε πολύ απλές προτάσεις.
13:04
There's, of courseσειρά μαθημάτων, a lot of very simpleαπλός sentencesποινές on the WebWeb.
330
769000
2000
Υπάρχουν φυσικά πολλές απλές προτάσεις στο διαδίκτυο.
13:06
We give you very, very simpleαπλός sentencesποινές
331
771000
2000
Σου δίνουμε πολύ απλές προτάσεις
13:08
alongκατά μήκος with what eachκαθε wordλέξη meansπου σημαίνει.
332
773000
2000
μαζί με τη σημασία της κάθε λέξης.
13:10
And as you translateμεταφράζω them, and as you see how other people translateμεταφράζω them,
333
775000
3000
Και καθώς τις μεταφράζεις, και βλέποντας και πώς άλλοι άνθρωποι τις μεταφράζουν
13:13
you startαρχή learningμάθηση the languageΓλώσσα.
334
778000
2000
αρχίζεις να μαθαίνεις τη γλώσσα.
13:15
And as you get more and more advancedπροχωρημένος,
335
780000
2000
Καθώς εξοικειώνεσαι όλο και περισσότερο,
13:17
we give you more and more complexσυγκρότημα sentencesποινές to translateμεταφράζω.
336
782000
2000
σου δίνουμε πιο πολύπλοκες προτάσεις για μετάφραση.
13:19
But at all timesφορές, you're learningμάθηση by doing.
337
784000
2000
Αλλά συνεχώς, μαθαίνεις κάνοντας.
13:21
Now the crazyτρελός thing about this methodμέθοδος
338
786000
2000
Το αξιοσημείωτο πράγμα με αυτή τη μέθοδο
13:23
is that it actuallyπράγματι really worksεργοστάσιο.
339
788000
2000
είναι ότι όντως δουλεύει.
13:25
First of all, people are really, really learningμάθηση a languageΓλώσσα.
340
790000
2000
Καταρχάς, οι άνθρωποι πραγματικά μαθαίνουν μια γλώσσα.
13:27
We're mostlyως επί το πλείστον doneΈγινε buildingΚτίριο it, and now we're testingδοκιμές it.
341
792000
2000
Έχουμε τελειώσει το στήσιμο της ιστοσελίδας, και τώρα τη δοκιμάζουμε.
13:29
People really can learnμαθαίνω a languageΓλώσσα with it.
342
794000
2000
Οι άνθρωποι όντως μπορούν με αυτή να μάθουν μια νέα γλώσσα.
13:31
And they learnμαθαίνω it about as well as the leadingκύριος languageΓλώσσα learningμάθηση softwareλογισμικό.
343
796000
3000
Σε επίπεδο που ανταγωνίζεται τα καλύτερα εκπαιδευτικά προγράμματα.
13:34
So people really do learnμαθαίνω a languageΓλώσσα.
344
799000
2000
Έτσι ο κόσμος πραγματικά μαθαίνει τη γλώσσα.
13:36
And not only do they learnμαθαίνω it as well,
345
801000
2000
Και όχι μόνο τη μαθαίνουν σε ικανοποιητικό επίπεδο,
13:38
but actuallyπράγματι it's way more interestingενδιαφέρων.
346
803000
2000
αλλά είναι και πολύ πιο ενδιαφέρον.
13:40
Because you see with DuolingoΝτουολίγκο, people are actuallyπράγματι learningμάθηση with realπραγματικός contentπεριεχόμενο.
347
805000
3000
Επειδή, με το Duolingo, οι άνθρωποι μαθαίνουν με πραγματικό περιεχόμενο.
13:43
As opposedαντίθετος to learningμάθηση with made-upέτοιμα sentencesποινές,
348
808000
2000
Σε αντίθεση του να μαθαίνεις με «φτιαγμένες» προτάσεις,
13:45
people are learningμάθηση with realπραγματικός contentπεριεχόμενο, whichοι οποίες is inherentlyεκ φύσεως interestingενδιαφέρων.
349
810000
3000
είναι πολύ πιο ενδιαφέρον να μαθαίνεις πιο ρεαλιστικά πράγματα.
13:48
So people really do learnμαθαίνω a languageΓλώσσα.
350
813000
2000
Έτσι ο κόσμος αλήθεια μαθαίνει τη γλώσσα.
13:50
But perhapsίσως more surprisinglyαπροσδόκητα,
351
815000
2000
Ακόμη πιο ενδιαφέρον είναι πως,
13:52
the translationsμεταφράσεις that we get from people usingχρησιμοποιώντας the siteιστοσελίδα,
352
817000
3000
οι μεταφράσεις που παίρνουμε απο τα άτομα που χρησιμοποιούν τη σελίδα,
13:55
even thoughαν και they're just beginnersΑρχάριοι,
353
820000
2000
παρόλο που είναι αρχάριοι,
13:57
the translationsμεταφράσεις that we get are as accurateακριβής as those of professionalεπαγγελματίας languageΓλώσσα translatorsμεταφραστές,
354
822000
3000
οι μεταφράσεις που παίρνουμε είναι τόσο ακριβείς όσο αυτές των επαγγελματιών μεταφραστών,
14:00
whichοι οποίες is very surprisingεκπληκτικός.
355
825000
2000
το οποίο είναι εκπληκτικό.
14:02
So let me showπροβολή you one exampleπαράδειγμα.
356
827000
2000
Δείτε ένα παράδειγμα.
14:04
This is a sentenceπερίοδος that was translatedμεταφραστεί from GermanΓερμανικά into EnglishΑγγλικά.
357
829000
2000
Αυτή είναι μια πρόταση που μεταφράστηκε απο τα Γερμανικά στα Αγγλικά.
14:06
The topμπλουζα is the GermanΓερμανικά.
358
831000
2000
Στην αρχή είναι τα γερμανικά.
14:08
The middleΜέσης is an EnglishΑγγλικά translationμετάφραση
359
833000
2000
Η μεσαία είναι η αγγλική μετάφραση
14:10
that was doneΈγινε by somebodyκάποιος who was a professionalεπαγγελματίας EnglishΑγγλικά translatorμεταφράστης
360
835000
2000
που έγινε απο επαγγελματία Άγγλο μεταφραστή
14:12
who we paidεπί πληρωμή 20 centsσεντ a wordλέξη for this translationμετάφραση.
361
837000
2000
που πληρώθηκε 20 λεπτά τη λέξη για αυτή τη μετάφραση.
14:14
And the bottomκάτω μέρος is a translationμετάφραση by usersχρήστες of DuolingoΝτουολίγκο,
362
839000
3000
Στο κάτω μέρος είναι η μετάφραση απο χρήστες του Duolingo,
14:17
noneκανένας of whomποιόν knewήξερε any GermanΓερμανικά
363
842000
2000
που κανείς τους δεν ήξερε γερμανικά
14:19
before they startedξεκίνησε usingχρησιμοποιώντας the siteιστοσελίδα.
364
844000
2000
πριν την επαφή τους με τη σελίδα.
14:21
You can see, it's prettyαρκετά much perfectτέλειος.
365
846000
2000
Όπως βλέπετε, είναι σχεδόν τέλια.
14:23
Now of courseσειρά μαθημάτων, we playπαίζω a trickτέχνασμα here
366
848000
2000
Φυσικά, κάνουμε ένα κολπάκι εδώ
14:25
to make the translationsμεταφράσεις as good as professionalεπαγγελματίας languageΓλώσσα translatorsμεταφραστές.
367
850000
2000
για να κάνουμε τις μεταφράσεις τόσο καλές όσο αυτές των επαγγελματιών.
14:27
We combineσυνδυασμός the translationsμεταφράσεις of multipleπολλαπλούς beginnersΑρχάριοι
368
852000
3000
Συνδυάζουμε τις μεταφράσεις πολλών αρχάριων χρηστών
14:30
to get the qualityποιότητα of a singleμονόκλινο professionalεπαγγελματίας translatorμεταφράστης.
369
855000
3000
και παίρνουμε τη ποιότητα ενός επαγγελματία μεταφραστή.
14:33
Now even thoughαν και we're combiningσυνδυάζοντας the translationsμεταφράσεις,
370
858000
5000
Παρόλο που συνδυάζουμε τις μεταφράσεις,
14:38
the siteιστοσελίδα actuallyπράγματι can translateμεταφράζω prettyαρκετά fastγρήγορα.
371
863000
2000
η σελίδα στη πραγματικότητα μεταφράζει αρκετά γρήγορα.
14:40
So let me showπροβολή you,
372
865000
2000
Θα σας δείξω,
14:42
this is our estimatesυπολογίζει of how fastγρήγορα we could translateμεταφράζω WikipediaWikipedia
373
867000
2000
τις εκτιμήσεις μας του πόσο γρήγορα μπορούμε να μεταφράσουμε τη Βικιπαίδεια
14:44
from EnglishΑγγλικά into SpanishΙσπανικά.
374
869000
2000
απο Αγγλικά στα Ισπανικά.
14:46
RememberΝα θυμάστε, this is 50 millionεκατομμύριο dollars-worthδολάρια-αξίας of valueαξία.
375
871000
3000
Θυμάστε, αυτή στοιχίζει 50 εκατομμύρια δολλάρια.
14:49
So if we wanted to translateμεταφράζω WikipediaWikipedia into SpanishΙσπανικά,
376
874000
2000
Εάν θέλαμε να μεταφράσουμε τη Βικιπαίδεια στα Ισπανικά,
14:51
we could do it in fiveπέντε weeksεβδομάδες with 100,000 activeενεργός usersχρήστες.
377
876000
3000
θα χρειαζόμασταν 5 εβδομάδες με 100,000 ενεργούς χρήστες.
14:54
And we could do it in about 80 hoursώρες with a millionεκατομμύριο activeενεργός usersχρήστες.
378
879000
3000
Θα μπορούσαμε να το κάνουμε σε 80 ώρες με 1 εκατομμύριο ενεργούς χρήστες.
14:57
SinceΑπό το all the projectsέργα that my groupομάδα has workedεργάστηκε on so farμακριά have gottenπήρε millionsεκατομμύρια of usersχρήστες,
379
882000
3000
Απ τη στιγμή που όλα τα πρότζεκτ που έχει κάνει η ομάδα μου μέχρι τώρα έχουν φέρει εκατομμύρια χρήστες,
15:00
we're hopefulελπιδοφόρος that we'llΚαλά be ableικανός to translateμεταφράζω
380
885000
2000
ευελπιστούμε ότι θα μπορούμε να μεταφράσουμε
15:02
extremelyεπακρώς fastγρήγορα with this projectέργο.
381
887000
2000
εξαιρετικά γρήγορα με αυτό το πρότζεκτ.
15:04
Now the thing that I'm mostπλέον excitedερεθισμένος about with DuolingoΝτουολίγκο
382
889000
3000
Αυτό που με ενθουσιάζει περισσότερο με το Duolingo
15:07
is I think this providesπαρέχει a fairέκθεση businessεπιχείρηση modelμοντέλο for languageΓλώσσα educationεκπαίδευση.
383
892000
3000
είναι το ότι προσφέρει ένα δίκαιο επιχειρηματικό μοντέλο για τη γλωσσική εκπαίδευση.
15:10
So here'sεδώ είναι the thing:
384
895000
2000
Κοιτάξτε:
15:12
The currentρεύμα businessεπιχείρηση modelμοντέλο for languageΓλώσσα educationεκπαίδευση
385
897000
2000
Το τρέχον επιχειρηματικό μοντέλο για την γλωσσική εκπαίδευση
15:14
is the studentμαθητης σχολειου paysπληρώνει,
386
899000
2000
είναι, ο μαθητής πληρώνει,
15:16
and in particularιδιαιτερος, the studentμαθητης σχολειου paysπληρώνει RosettaRosetta StoneΠέτρα 500 dollarsδολάρια.
387
901000
2000
και συγκεκριμένα πληρώνει για το Ροζέτα Στόουν 400 ευρώ.
15:18
(LaughterΤο γέλιο)
388
903000
2000
(Γέλιο)
15:20
That's the currentρεύμα businessεπιχείρηση modelμοντέλο.
389
905000
2000
Αυτό είναι το τρέχον επιχειρηματικό μοντέλο.
15:22
The problemπρόβλημα with this businessεπιχείρηση modelμοντέλο
390
907000
2000
Το πρόβλημα με αυτό το μοντέλο είναι ότι
15:24
is that 95 percentτοις εκατό of the world'sτου κόσμου populationπληθυσμός doesn't have 500 dollarsδολάρια.
391
909000
3000
95% του παγκόσμιου πληθυσμού δε μπορεί να διαθέσει 400 ευρώ.
15:27
So it's extremelyεπακρώς unfairαθέμιτες towardsπρος the poorΦτωχός.
392
912000
3000
Είναι πολύ άδικο για τους φτωχούς.
15:30
This is totallyεντελώς biasedμεροληπτική towardsπρος the richπλούσιος.
393
915000
2000
Είναι εντελώς προκατειλημμένο προς τους πλούσιους.
15:32
Now see, in DuolingoΝτουολίγκο,
394
917000
2000
Όμως, στο Duolingo,
15:34
because while you learnμαθαίνω
395
919000
2000
επειδή καθώς μαθαίνεις
15:36
you're actuallyπράγματι creatingδημιουργώντας valueαξία, you're translatingμετάφραση stuffυλικό --
396
921000
3000
ταυτόχρονα δημιουργείς αξία, μεταφράζεις πράγματα --
15:39
whichοι οποίες for exampleπαράδειγμα, we could chargeχρέωση somebodyκάποιος for translationsμεταφράσεις.
397
924000
3000
που για παράδειγμα, θα μπορούσαμε να χρεώνουμε κάποιον για μεταφράσεις.
15:42
So this is how we could monetizeέχει κέρδος this.
398
927000
2000
Μπορούμε να επωφεληθούμε απο αυτό.
15:44
SinceΑπό το people are creatingδημιουργώντας valueαξία while they're learningμάθηση,
399
929000
2000
Απ τη στιγμή που τα άτομα δημιουργούν αξία ενώ μαθαίνουν,
15:46
they don't have to payπληρωμή theirδικα τους moneyχρήματα, they payπληρωμή with theirδικα τους time.
400
931000
3000
δεν χρειάζεται να πληρώσουν, πληρώνουν με το χρόνο τους.
15:49
But the magicalμαγικός thing here is that they're payingδικαιούχος with theirδικα τους time,
401
934000
3000
Το εκπληκτικό με αυτό είναι ότι πληρώνουν με το χρόνο τους,
15:52
but that is time that would have had to have been spentξόδεψε anywaysτέλος πάντων
402
937000
2000
αλλά αυτός είναι χρόνος που θα ξόδευαν ούτως ή άλλως
15:54
learningμάθηση the languageΓλώσσα.
403
939000
2000
για να μάθουν τη γλώσσα.
15:56
So the niceόμορφη thing about DuolingoΝτουολίγκο is I think it providesπαρέχει a fairέκθεση businessεπιχείρηση modelμοντέλο --
404
941000
3000
Το ωραίο πράγμα με το Duolingo είναι ότι προσφέρει ένα δίκαιο μοντέλο--
15:59
one that doesn't discriminateδιακρίσεις againstκατά poorΦτωχός people.
405
944000
2000
που δεν κάνει διακρίσεις προς τους φτωχούς.
16:01
So here'sεδώ είναι the siteιστοσελίδα. Thank you.
406
946000
2000
Ορίστε η σελίδα. Ευχαριστώ.
16:03
(ApplauseΧειροκροτήματα)
407
948000
8000
(Χειροκρότημα)
16:11
So here'sεδώ είναι the siteιστοσελίδα.
408
956000
2000
Αυτή είναι η σελίδα.
16:13
We haven'tδεν έχουν yetΑκόμη launchedξεκίνησε,
409
958000
2000
Δεν έχουμε ξεκινήσει επίσημα ακόμη,
16:15
but if you go there, you can signσημάδι up to be partμέρος of our privateιδιωτικός betaβήτα,
410
960000
3000
αλλά αν πάτε εκεί, μπορείτε να γραφτείτε και να λάβετε μέρος στις προσωπικές μας δοκιμές,
16:18
whichοι οποίες is probablyπιθανώς going to startαρχή in about threeτρία or fourτέσσερα weeksεβδομάδες.
411
963000
2000
που θα ξεκινήσουν σε περίπου 3 με 4 βδομάδες.
16:20
We haven'tδεν έχουν yetΑκόμη launchedξεκίνησε this DuolingoΝτουολίγκο.
412
965000
2000
Δεν έχουμε λανσάρει ακόμη το Duolingo.
16:22
By the way, I'm the one talkingομιλία here,
413
967000
2000
Παρεμπιπτόντως, είμαι αυτός που μιλάει εδώ,
16:24
but actuallyπράγματι DuolingoΝτουολίγκο is the work of a really awesomeφοβερός teamομάδα, some of whomποιόν are here.
414
969000
3000
αλλά το Duolingo είναι η δουλειά μιας πραγματικά απίστευτης ομάδας, μερικοί απο αυτούς είναι εδώ.
16:27
So thank you.
415
972000
2000
Ένα ευχαριστώ και σε αυτούς.
16:29
(ApplauseΧειροκροτήματα)
416
974000
4000
(Χειροκρότημα)
Translated by Stelios Savva
Reviewed by Vasiliki Fragkoulidou

▲Back to top

ABOUT THE SPEAKER
Luis von Ahn - Computer scientist
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone.

Why you should listen

Louis von Ahn is an associate professor of Computer Science at Carnegie Mellon University, and he's at the forefront of the crowdsourcing craze. His work takes advantage of the evergrowing Web-connected population to acheive collaboration in unprecedented numbers. His projects aim to leverage the crowd for human good. His company reCAPTCHA, sold to Google in 2009, digitizes human knowledge (books), one word at a time. His new project is Duolingo, which aims to get 100 million people translating the Web in every major language.

More profile about the speaker
Luis von Ahn | Speaker | TED.com