TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: colaboração online em escala massiva
Filmed:
Readability: 3.8
1,740,008 views
Após redefinir CAPTCHA para que cada resposta humana digitada ajude a digitalizar livros, Luis von Ahn imaginou como utilizar pequenas contribuições de muitos na internet para um bem maior. No TEDxCMU, ele compartilha como seu ambicioso novo projeto, Duolingo, irá ajudar milhões a aprender novas línguas ao traduzir a Web de forma rápida e precisa -- tudo de graça.
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. Full bio
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 many of you had to fill out some sort of web form
0
0
2000
Quantos de vocês já preencheu algum tipo de formulário da web
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
em que tiveram que ler uma distorcida sequência de caracteres como esta?
00:19
How many of you found it really, really annoying?
2
4000
2000
Quantos de vocês achou isso realmente chato?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Ok, excelente. Então, eu inventei isso.
00:24
(Laughter)
4
9000
2000
(Risadas)
00:26
Or I was one of the people who did it.
5
11000
2000
Ou fui uma das pessoas que inventou.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Aquela coisa é chamada CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
E a razão pela qual isso existe é para garantir que você, a entidade que preenche o formulário,
00:32
are actually a human and not some sort of computer program
8
17000
3000
é realmente um humano e não apenas um programa de computador
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
que foi criado para preencher formulários milhões e milhões de vezes.
00:37
The reason it works is because humans,
10
22000
2000
A razão pela qual funciona é porque humanos,
00:39
at least non-visually-impaired humans,
11
24000
2000
pelo menos os que não possuem deficiências visuais,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
não possuem problema lendo esses caracteres distorcidos,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
enquanto programas de computadores simplesmente não fazem isso ainda.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Por exemplo, no caso do Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
a razão pelo qual você tem que digitar esses caracteres distorcidos
00:50
is to prevent scalpers from writing a program
16
35000
2000
é para prevenir cambistas de escreverem um programa
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
que pode comprar milhões de ingressos, 2 por vez.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
CAPTCHAs são usados por toda internet.
00:56
And since they're used so often,
19
41000
2000
E como são usados tão frequentemente,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
muitas vezes a sequência aleatória de caracteres que é mostrada ao usuário
01:00
is not so fortunate.
21
45000
2000
não é muito favorável.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Assim este exemplo é da página de registro do Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Os caracteres aleatórios que acabaram sendo exibidos ao usuário
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
foram W, A, I, T, que, em inglês, forma a palavra "espere".
01:10
But the best part is the message
25
55000
3000
Mas a melhor parte desta mensagem
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
foi a que o setor de ajuda do Yahoo recebeu 20 minutos depois.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Texto: "Ajuda! Estou esperando a mais de 20 minutos, e nada acontece."
01:19
(Laughter)
28
64000
4000
(Risadas)
01:23
This person thought they needed to wait.
29
68000
2000
Esta pessoa pensou que precisava esperar.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Isto é claro, não é tão ruim como esta pobre pessoa.
01:28
(Laughter)
31
73000
2000
(Risadas)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
O Projeto CAPTCHA é algo que fizemos aqui na Carnegie Melllon mais de 10 anos atrás,
01:33
and it's been used everywhere.
33
78000
2000
e tem sido usado em toda parte.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Deixe-me agora contar-lhes sobre um projeto que fizemos alguns anos atrás,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
que é como uma evolução do CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Este é um projeto que chamamos reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
que é algo que começamos na Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
então nós o transformamos em uma empresa voltada a alta tecnologia.
01:46
And then about a year and a half ago,
39
91000
2000
E cerca de um ano e meio atrás,
01:48
Google actually acquired this company.
40
93000
2000
Google adquiriu esta companhia.
01:50
So let me tell you what this project started.
41
95000
2000
Assim deixe-me contar-lhes o que este projeto iniciou.
01:52
So this project started from the following realization:
42
97000
3000
Então este projeto começou a partir da seguinte percepção:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Acontece que aproximadamente 200 milhões de CAPTCHAs
01:57
are typed everyday by people around the world.
44
102000
3000
são digitadas todos os dias por pessoas em todo mundo.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Quando ouvi isso a primeira vez, fiquei muito orgulhoso.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Pensei, veja o impacto que a minha pesquisa teve.
02:04
But then I started feeling bad.
47
109000
2000
Mas aí eu comecei a me sentir mal.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Veja aqui esta a coisa, toda vez que você digita um CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
essencialmente você perde 10 segundos do seu tempo.
02:11
And if you multiply that by 200 million,
50
116000
2000
E se você multiplicar isso por 200 milhões,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
você percebe que a humanidade como um todo está gastando 500.000 horas todo dia
02:16
typing these annoying CAPTCHAs.
52
121000
2000
digitando esses chatos CAPTCHAs.
02:18
So then I started feeling bad.
53
123000
2000
Então comecei a me sentir mal.
02:20
(Laughter)
54
125000
2000
(Risadas)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
E então comecei a pensar, bem, é claro, não podemos nos livrar dos CAPTCHAs,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
porque de certa forma a segurança na Web depende disso.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Mas então eu comecei a pensar, existe alguma forma de usarmos esse empenho
02:30
for something that is good for humanity?
58
135000
2000
para algo que seja bom para a humanidade?
02:32
So see, here's the thing.
59
137000
2000
Então veja, aqui está.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Enquanto você está digitando um CAPTCHA, durante estes 10 segundos,
02:36
your brain is doing something amazing.
61
141000
2000
seu cérebro está fazendo algo extraordinário.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Seu cérebro está fazendo algo que computadores não podem fazer.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Assim será que conseguimos fazer você produzir algo útil nesses 10 segundos?
02:43
Another way of putting it is,
64
148000
2000
Outra forma de explicar isso é,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
existem alguns problemas enormes que computadores não conseguem resolver,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
mas que conseguimos dividir em pedaços de 10 segundos
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
para que toda vez que alguém solucione um CAPTCHA
02:52
they solve a little bit of this problem?
68
157000
2000
ele resolva uma pequena parte deste problema?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
E a resposta é "sim", e isto é o que estamos fazendo agora.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Assim o que talvez você não saiba é que hoje em dia enquanto você digita um CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
não apenas você está se autenticando como humano,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
mas em adição você está realmente nos ajudando a digitalizar livros.
03:03
So let me explain how this works.
73
168000
2000
Então deixem-me explicar como isso funciona.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Existem muitos projetos por aí tentando digitalizar livros.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google tem um. O Internet Archive tem um.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, agora com o Kindle, está tentando digitalizar livros.
03:12
Basically the way this works
77
177000
2000
Basicamente a forma como isso funciona
03:14
is you start with an old book.
78
179000
2000
é você começa com um livro antigo.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Já viram essas coisas, certo? Tipo um livro?
03:18
(Laughter)
80
183000
2000
(Risadas)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Então você começa com um livro, e aí você o scanneia.
03:22
Now scanning a book
82
187000
2000
Agora scannear um livro
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
é como tirar uma fotografia de cada página do livro.
03:26
It gives you an image for every page of the book.
84
191000
2000
Ele te dá uma imagem para cada página do livro.
03:28
This is an image with text for every page of the book.
85
193000
2000
Esta é uma imagem com texto de cada página do livro.
03:30
The next step in the process
86
195000
2000
O próximo passo no processo
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
é que o computador precisa ser capaz de decifrar todas as palavras nesta imagem.
03:35
That's using a technology called OCR,
88
200000
2000
Isto usando uma tecnologia chamada OCR,
03:37
for optical character recognition,
89
202000
2000
que significa reconhecimento ótico de caractere,
03:39
which takes a picture of text
90
204000
2000
que tira uma foto do texto
03:41
and tries to figure out what text is in there.
91
206000
2000
e tenta descobrir que texto está ali.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
O problema é que OCR não é perfeito.
03:45
Especially for older books
93
210000
2000
Especialmente em livros antigos
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
em que a tinta desbotou e as páginas ficaram amarelas,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
OCR não consegue reconhecer muitas das palavras.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Por exemplo, para coisas que foram escritas a mais de 50 anos atrás,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
o computador não consegue reconhecer 30% das palavras.
03:57
So what we're doing now
98
222000
2000
Assim o que estamos fazendo agora
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
é pegar todas as palavras que o computador não reconhece
04:01
and we're getting people to read them for us
100
226000
2000
e estamos fazendo com que pessoas as leiam para nós
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
enquanto elas digitam um CAPTCHA na internet.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Assim, na próxima vez que você digitar um CAPTCHA , as palavras que você está digitando
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
são na verdade palavras vindas de livros que estão sendo digitalizados
04:11
that the computer could not recognize.
104
236000
2000
que o computador não reconheceu.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
E agora o motivo pelo qual temos 2 palavras atualmente ao invés de uma
04:15
is because, you see, one of the words
106
240000
2000
é porque, veja você, uma das palavras
04:17
is a word that the system just got out of a book,
107
242000
2000
é uma palavra que o sistema acabou de tirar de um livro,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
ele não sabe o que é, e ele irá apresentá-la a você.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Mas como ele não sabe a resposta para ela, ele não pode te avaliar.
04:25
So what we do is we give you another word,
110
250000
2000
Assim o que fazemos é dar a você outra palavra,
04:27
one for which the system does know the answer.
111
252000
2000
uma que o sistema conheça a resposta.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Nós não te contamos qual é qual, e dizemos, favor digitar as duas.
04:31
And if you type the correct word
113
256000
2000
E se você digitar a palavra certa
04:33
for the one for which the system already knows the answer,
114
258000
2000
para uma das palavras que o sistema já conhece a resposta,
04:35
it assumes you are human,
115
260000
2000
ele assume que você é humano,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
e ele também confia que você digitou a outra palavra corretamente.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
E se repetirmos esse processo para 10 diferentes pessoas
04:42
and all of them agree on what the new word is,
118
267000
2000
e todas elas concordem qual é a palavra nova,
04:44
then we get one more word digitized accurately.
119
269000
2000
assim conseguimos mais uma palavra precisamente digitalizada.
04:46
So this is how the system works.
120
271000
2000
Então é assim que o sistema funciona.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
E basicamente, já que lançamos isto cerca de 3 ou 4 anos atrás,
04:51
a lot of websites have started switching
122
276000
2000
muitos websites começaram a trocar
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
o antigo CAPTCHA em que as pessoas perdiam seu tempo
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
para o novo CAPTCHA em que as pessoas ajudam a digitalizar livros.
04:57
So for example, Ticketmaster.
125
282000
2000
Assim por exemplo, Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Toda vez que você comprar ingressos pelo Ticketmaster, você está ajudando a digitalizar um livro.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: Toda vez que você adiciona um amigo ou cutuca alguém,
05:04
you help to digitize a book.
128
289000
2000
você está ajudando a digitalizar um livro.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter e cerca de 350.000 outros sites todos usam reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
E na verdade, o número de sites usando reCAPTCHA é tão alto
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
que o número de palavras que são digitalizadas por dia é realmente, relamente grande.
05:14
It's about 100 million a day,
132
299000
2000
É cerca de 100 milhões por dia,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
o que é o equivalente a 2,5 milhões de livros por ano.
05:20
And this is all being done one word at a time
134
305000
2000
E tudo isto tem sido feito uma palavra por vez
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
somente por pessoas digitando CAPTCHAs na internet.
05:24
(Applause)
136
309000
8000
(Aplausos)
05:32
Now of course,
137
317000
2000
Agora é claro,
05:34
since we're doing so many words per day,
138
319000
2000
já que estamos fazendo tantas palavras por dia,
05:36
funny things can happen.
139
321000
2000
coisas engraçadas podem acontecer.
05:38
And this is especially true because now we're giving people
140
323000
2000
E isto é especialmente verdadeiro porque agora estamos dando às pessoas
05:40
two randomly chosen English words next to each other.
141
325000
2000
2 palavras aleatórias em inglês próximas uma da outra.
05:42
So funny things can happen.
142
327000
2000
Assim coisas engraçadas podem acontecer.
05:44
For example, we presented this word.
143
329000
2000
Por exemplo, apresentamos esta palavra.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
É a palavra "Cristãos"; não há nada de errado com ela.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Mas se apresentarmos junto com outra palavra escolhida aleatoriamente,
05:51
bad things can happen.
146
336000
2000
coisas ruins podem acontecer.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Assim chegamos nisso. (Texto: maus cristãos)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Mas é ainda pior, porque o site em particular em que isso apareceu
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
é de fato chamado A Embaixada do Reino de Deus.
06:01
(Laughter)
150
346000
2000
(Risadas)
06:03
Oops.
151
348000
2000
Oops.
06:05
(Laughter)
152
350000
3000
(Risadas)
06:08
Here's another really bad one.
153
353000
2000
Aqui está outra realmente ruim.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Texto: Maldito liberal)
06:15
(Laughter)
156
360000
2000
(Risadas)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Assim continuamos a insultar pessoas aqui e ali todo dia.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Agora, é claro, não estamos insultando pessoas.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Veja aqui está a coisa, desde que apresentamos 2 palavras escolhidas aleatoriamente,
06:25
interesting things can happen.
160
370000
2000
coisas interessantes acontecem.
06:27
So this actually has given rise
161
372000
2000
Assim isso realmente tem dado origem
06:29
to a really big Internet meme
162
374000
3000
a uma enorme transmissão cultural via internet
06:32
that tens of thousands of people have participated in,
163
377000
2000
que dezenas de milhares de pessoas têm participado,
06:34
which is called CAPTCHA art.
164
379000
2000
que é chamado arte CAPTCHA.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Tenho certeza que alguns de vocês já ouviram falar disso.
06:38
Here's how it works.
166
383000
2000
Isto funciona assim.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Imagine que voê está usando a internet e você vê um CAPTCHA
06:42
that you think is somewhat peculiar,
168
387000
2000
que você acredita ser de alguma forma peculiar,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
como este CAPTCHA. (Texto: torradeira invisível)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Assim o que você deve fazer é tirar uma foto da tela.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Então é claro, você preenche seu CAPTCHA
06:50
because you help us digitize a book.
172
395000
2000
porque você está nos ajudando a digitalizar um livro.
06:52
But then, first you take a screen shot,
173
397000
2000
Mas então, primeiro você tira uma foto da tela,
06:54
and then you draw something that is related to it.
174
399000
2000
e então você desenha algo relacionado com ela.
06:56
(Laughter)
175
401000
2000
(Risadas)
06:58
That's how it works.
176
403000
3000
É assim que funciona.
07:01
There are tens of thousands of these.
177
406000
3000
Existem dezenas de milhares destes.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Alguns são muito fofos. (Texto: Aperte isso)
07:06
(Laughter)
179
411000
2000
(Risadas)
07:08
Some of them are funnier.
180
413000
2000
Alguns são mais engraçados.
07:10
(Text: stoned founders)
181
415000
3000
(Texto: fundadores chapados)
07:13
(Laughter)
182
418000
3000
(Risadas)
07:16
And some of them,
183
421000
2000
E alguns deles,
07:18
like paleontological shvisle,
184
423000
3000
como uma sequência paleontológica de letras,
07:21
they contain Snoop Dogg.
185
426000
2000
contém Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Risadas)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Ok, então este é o meu número favorito de reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Então isto é minha coisa favorita de todo este projeto.
07:31
This is the number of distinct people
189
436000
2000
Este é o número de pessoas distintas
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
que nos ajudaram a digitalizar pelo menos uma palavra de um livro através do reCAPTCHA
07:36
750 million,
191
441000
2000
750 milhões,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
que é um pouco mais de 10% da população mundial,
07:40
has helped us digitize human knowledge.
193
445000
2000
nos ajudou a digitalizar o conhecimento humano.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
E são números como este que motivam minha agenda de pesquisa.
07:45
So the question that motivates my research is the following:
195
450000
3000
Assim a questão que motiva minha pesquisa é a seguinte:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Se você olhar para as conquitas humanas em larga escala,
07:50
these really big things
197
455000
2000
essas coisas realmente enormes
07:52
that humanity has gotten together and done historically --
198
457000
3000
que a humanidade se juntou e realizou historicamente --
07:55
like for example, building the pyramids of Egypt
199
460000
2000
como por exemplo, construir as pirâmides do Egito
07:57
or the Panama Canal
200
462000
2000
ou o Canal do Panamá
07:59
or putting a man on the Moon --
201
464000
2000
ou colocar o homem na Lua --
08:01
there is a curious fact about them,
202
466000
2000
existem fatos curiosos sobre isso,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
e é que todos elas foram feitas quase com o mesmo número de pessoas.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
É estranho; todas elas foram feitas com cerca de 100.000 pessoas.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
E a razão para isso é porque, antes da internet,
08:11
coordinating more than 100,000 people,
206
476000
2000
coordenar mais de 100.000 pessoas,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
muito menos pagá-las, era essencialmente impossível.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Mas agora com a internet, acabo de mostrar-lhes um projeto
08:18
where we've gotten 750 million people
209
483000
2000
em que tivemos 750 milhões de pessoas
08:20
to help us digitize human knowledge.
210
485000
2000
nos ajudando a digitalizar o conhecimento humano.
08:22
So the question that motivates my research is,
211
487000
2000
Assim a pergunta que motiva minha pesquisa é,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
se conseguimos colocar o homem na Lua com 100.000
08:27
what can we do with 100 million?
213
492000
2000
o que podemos fazer com 100 milhões?
08:29
So based on this question,
214
494000
2000
Assim baseado nesta questão,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
temos diferentes projetos em que estamos trabalhando.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Deixem-me ocntar-lhe sobre um que estou mais empolgado.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Isto é algo que estamos trabalhando semi-quietos
08:38
for the last year and a half or so.
218
503000
2000
mais ou menos no último ano e meio.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Anda não foi lançado. É chamdo Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Já que não foi lançado, shhhhhhh!
08:44
(Laughter)
221
509000
2000
(Risadas)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Sim, posso confiar que farão isso.
08:48
So this is the project. Here's how it started.
223
513000
2000
Então este é o projeto. Aqui é como começou.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Começou comigo perguntando a meu aluno de graduação,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Ok, este é Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Então fiz a pergunta a meu aluno de graduação.
08:58
By the way, you did hear me correctly;
228
523000
2000
E sim, você me ouviram corretamente;
09:00
his last name is Hacker.
229
525000
2000
o sobrenome dele é Hacker.
09:02
So I posed this question to him:
230
527000
2000
Então fiz esta pergunta a ele:
09:04
How can we get 100 million people
231
529000
2000
Como podemos conseguir 100 milhões de pessoas
09:06
translating the Web into every major language for free?
232
531000
3000
traduzindo a Web nas principais línguas gratuitamente?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Ok, tem muitas coisas a serem ditas sobre esta pergunta.
09:11
First of all, translating the Web.
234
536000
2000
Primeiro, traduzir a Web.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Atualmente a Web é dividida em diversas línguas.
09:16
A large fraction of it is in English.
236
541000
2000
Uma grande fração dela é em Inglês.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Se você não conhece inglês, você não tem acesso a ela.
09:20
But there's large fractions in other different languages,
238
545000
2000
Mas existem grandes frações em outras línguas diferentes,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
e se você não conhece essas línguas, você não tem acesso a ela.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Assim eu gostaria de traduzir toda a Web, ou pelo menos a maiorira da Web,
09:28
into every major language.
241
553000
2000
em cada língua principal.
09:30
So that's what I would like to do.
242
555000
2000
Então é isso que gostaria de fazer.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Agora alguns de vocês podem dizer, porque não usamos computadores para traduzir?
09:35
Why can't we use machine translation?
244
560000
2000
Porque não usamos uma máquina de tradução?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Máquinas de tradução hoje em dia estão começando a traduzir algumas frases aqui e ali.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Porque não a usamos para traduzir toda a Web?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Bem o problema com isso é que ainda não é bom o suficiente
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
e provavelmente não o será nos próximos 15 a 20 anos.
09:45
It makes a lot of mistakes.
249
570000
2000
Ela erra muito.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Mesmo quando não erra,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
como faz muitos erros, você não sabe se deve confiar ou não.
09:52
So let me show you an example
252
577000
2000
Então deixe-me lhes mostrar um exemplo
09:54
of something that was translated with a machine.
253
579000
2000
de algo que foi traduzido com uma máquina.
09:56
Actually it was a forum post.
254
581000
2000
Na verdade eram posts de forum.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Era alguém que estava tentando perguntar algo sobre JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Foi traduzido do japonês para o inglês.
10:04
So I'll just let you read.
257
589000
2000
Vou apenas deixá-los ler.
10:06
This person starts apologizing
258
591000
2000
Esta pessoa começa se desculpando
10:08
for the fact that it's translated with a computer.
259
593000
2000
pelo fato do texto ser traduzido por um computador.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Então a próxima frase será a introdução da questão.
10:13
So he's just explaining something.
261
598000
2000
Então ele está explicando algo.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Lembrem-se é uma questão sobre JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Texto: Em frequentemente, o tempo cabra instala um erro é vômito.)
10:23
(Laughter)
264
608000
4000
(Risadas)
10:27
Then comes the first part of the question.
265
612000
3000
Então vem a primeira parte da questão.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Texto: Quantas vezes como o vento, um poste e um dragão?)
10:34
(Laughter)
267
619000
2000
(Risadas)
10:36
Then comes my favorite part of the question.
268
621000
3000
Aí vem minha parte favorita da questão.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Texto: Isto insulta o pai das pedras?)
10:42
(Laughter)
270
627000
2000
(Risadas)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
E aí vem o final, que é minha parte favorita de tudo isso.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Texto: Por favor desculpe-se por sua estupidez. Existem muitos obrigados.)
10:51
(Laughter)
273
636000
2000
(Risadas)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Ok, então a tradução por computador, ainda não é boa o suficiente.
10:55
So back to the question.
275
640000
2000
Assim de volta a questão.
10:57
So we need people to translate the whole Web.
276
642000
3000
Então precisamos de pessoas para traduzir toda a Web.
11:00
So now the next question you may have is,
277
645000
2000
Agora a próxima pergunta que vocês devem ter é,
11:02
well why can't we just pay people to do this?
278
647000
2000
então porque nós simplesmente não pagamos pessoas para fazer isso?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Poderíamos pagar tradutores profissionais para traduzir toda a Web.
11:07
We could do that.
280
652000
2000
Podemos fazer isso.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Infelizmente, seria extremamente caro.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Por exemplo, traduzindo uma pequenina fração de toda a Web, Wikipedia,
11:14
into one other language, Spanish.
283
659000
3000
em outra língua, Espanhol.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia existe em espanhol,
11:19
but it's very small compared to the size of English.
285
664000
2000
mas é muito pequena se comparada com a versão em inglês.
11:21
It's about 20 percent of the size of English.
286
666000
2000
É cerca de 20% do tamanho da em inglês.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Se quisermos traduzir os outros 80% em espanhol,
11:26
it would cost at least 50 million dollars --
288
671000
2000
custaria pelo menos 50 milhões de dólares --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
e isto no mais explorado, país terceirizado por aí.
11:31
So it would be very expensive.
290
676000
2000
Assim seria muito caro.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Então o que queremos fazer é pegar 100 milhões de pessoas
11:35
translating the Web into every major language
292
680000
2000
traduzindo a Web em cada língua principal
11:37
for free.
293
682000
2000
de graça.
11:39
Now if this is what you want to do,
294
684000
2000
Agora se é isto que você quer fazer,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
você provavelmente encontrará duas grandes barreiras,
11:43
two big obstacles.
296
688000
2000
dois grandes obstáculos.
11:45
The first one is a lack of bilinguals.
297
690000
3000
O primeiro é a falta de pessoas bilíngues.
11:48
So I don't even know
298
693000
2000
Assim eu nem sei
11:50
if there exists 100 million people out there using the Web
299
695000
3000
se existe por aí 100 milhões de pessoas usando a Web
11:53
who are bilingual enough to help us translate.
300
698000
2000
que são bilíngues o suficiente para nos ajudar a traduzir.
11:55
That's a big problem.
301
700000
2000
Isto é um grande problema.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
O outro problema que você encontrará é a falta de motivação.
11:59
How are we going to motivate people
303
704000
2000
Como iremos motivar as pessoas
12:01
to actually translate the Web for free?
304
706000
2000
para realmente traduzirem a Web de graça?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalmente, você deve pagar a pessoa para fazer isso.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Então como iremos motivá-las para fazer isto de graça?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Agora quando começamos a pensar nisso, fomos bloqueados por essas duas coisas.
12:11
But then we realized, there's actually a way
308
716000
2000
Mas aí percebemos, que existe sim uma forma
12:13
to solve both these problems with the same solution.
309
718000
2000
de resolver esses dois problemas com a mesma solução.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Uma forma de matar dois pássaros com uma só pedra.
12:17
And that is to transform language translation
311
722000
3000
E istó é transformar a tradução de línguas
12:20
into something that millions of people want to do,
312
725000
3000
em algo que milhões de pessoas querem fazer,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
e isto também ajuda com o problema da falta de bilíngues,
12:26
and that is language education.
314
731000
3000
e isto é educação de línguas.
12:29
So it turns out that today,
315
734000
2000
Assim acontece que hoje em dia,
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
existem mais de 1.2 milhões de pessoas aprendendo uma língua estrangeira.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Pessoas que realmente querem aprender uma língua estrangeira.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
E não é apenas porque elas estão sendo forçadas a isso na escola.
12:39
For example, in the United States alone,
319
744000
2000
Por exemplo, apenas nos Estados Unidos,
12:41
there are over five million people who have paid over $500
320
746000
2000
existem mais de 5 milhões de pessoas que pagaram mais de 500 dólares
12:43
for software to learn a new language.
321
748000
2000
em softwares para aprender uma nova língua.
12:45
So people really, really want to learn a new language.
322
750000
2000
Assim as pessoas realmente querem aprender uma nova língua.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Então o que estamos trabalhando no último ano e meio é um novo site --
12:50
it's called Duolingo --
324
755000
2000
chamdo Duolingo --
12:52
where the basic idea is people learn a new language for free
325
757000
3000
em que a ideia básica é que as pessoas aprendem uma nova língua de graça
12:55
while simultaneously translating the Web.
326
760000
2000
enquanto simultaneamente traduzem a Web.
12:57
And so basically they're learning by doing.
327
762000
2000
E então basicamente elas estão aprendendo fazendo.
12:59
So the way this works
328
764000
2000
Assim a forma como isso funciona
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
é que desde quando você é um iniciante, lhes damos frases muito simples.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Existem, é claro, muitas frases simples na Web.
13:06
We give you very, very simple sentences
331
771000
2000
Lhes damos frases muito, muito simples
13:08
along with what each word means.
332
773000
2000
junto com o significado de cada palavra.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
E quando você as traduz, e ao ver como outras pessoas as traduzem,
13:13
you start learning the language.
334
778000
2000
você começa a aprender a língua.
13:15
And as you get more and more advanced,
335
780000
2000
E ao se tornar mais e mais avançado,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
lhes damos frases mais e mais complexas para traduzir.
13:19
But at all times, you're learning by doing.
337
784000
2000
Mas todas as vezes, você aprende fazendo.
13:21
Now the crazy thing about this method
338
786000
2000
Agora a coisa mais doida sobre este método
13:23
is that it actually really works.
339
788000
2000
é que realmente funciona.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Primeiro, as pessoas realmente estao aprendendo uma língua.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Nós praticamente acabamos de construir, e agora estamos testando.
13:29
People really can learn a language with it.
342
794000
2000
Pessoas realmente podem aprender uma língua com isto.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
E eles aprendem tão bem quanto com os softwares de ensino de línguas.
13:34
So people really do learn a language.
344
799000
2000
Assim as pessoas realmente aprendem uma língua.
13:36
And not only do they learn it as well,
345
801000
2000
E não apenas a aprendem bem,
13:38
but actually it's way more interesting.
346
803000
2000
mas de uma forma mais interessante.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Porque com Duolingo, as pessoas aprendem realmente com um conteúdo real.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Ao contrário de aprenderem com frases inventadas,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
as pessoas estão aprendendo com conteúdo real o que é inerentemente interessante.
13:48
So people really do learn a language.
350
813000
2000
Assim as pessoas realmente aprendem uma língua.
13:50
But perhaps more surprisingly,
351
815000
2000
Mas talvez o mais surpreendente,
13:52
the translations that we get from people using the site,
352
817000
3000
as traduções que obtemos das pessoas que usam o site,
13:55
even though they're just beginners,
353
820000
2000
ainda que sejam inciantes,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
as traduções que obtemos são tão precisas quanto as de um tradutor profissional,
14:00
which is very surprising.
355
825000
2000
o que é muito surpreendente.
14:02
So let me show you one example.
356
827000
2000
Assim deixem-me mostrar-lhes um exemplo.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Esta é uma frase que foi traduzida do alemão para o inglês.
14:06
The top is the German.
358
831000
2000
No alto está o alemão.
14:08
The middle is an English translation
359
833000
2000
No meio está a tradução em inglês
14:10
that was done by somebody who was a professional English translator
360
835000
2000
ela foi feita por alguém que é um tradutor profissional
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
que pagamos 20 centavos a palavra por esta tradução.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
E embaixo está a tradução de usuários do Duolingo,
14:17
none of whom knew any German
363
842000
2000
nenhum deles conhecia nada de alemão
14:19
before they started using the site.
364
844000
2000
antes de começarem a usar este site.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Como podem ver, está praticamente perfeita.
14:23
Now of course, we play a trick here
366
848000
2000
Agora, é claro, fizemos um truque aqui
14:25
to make the translations as good as professional language translators.
367
850000
2000
para tornar as traduções tão boas quanto as de tradutores profissionais.
14:27
We combine the translations of multiple beginners
368
852000
3000
Combinamos as traduções de diversos iniciantes
14:30
to get the quality of a single professional translator.
369
855000
3000
para chegar a qualidade de um tradutor profissional.
14:33
Now even though we're combining the translations,
370
858000
5000
Agora mesmo que estejamos combinando traduções,
14:38
the site actually can translate pretty fast.
371
863000
2000
o site realmente pode traduzir rapidamente.
14:40
So let me show you,
372
865000
2000
Então deixem-me mostrar-lhes,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
esta é nossa estimativa de quão rápido podemos traduzir a Wikipedia
14:44
from English into Spanish.
374
869000
2000
de inglês para espanhol.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Lembre-se, isto vale 50 milhões dólares.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Então se queremos traduzir a Wikipedia em espanhol,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
podemos fazer isto em 5 semanas com 100 mil usuários ativos.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
E poderíamos fazer isto em cerca de 80 horas com um milhão de usuários ativos.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Partindo do princípio que todos os projetos que meu grupo trabalhou até então tiveram milhões de usuários,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
estamos esperançosos em podermos traduzir
15:02
extremely fast with this project.
381
887000
2000
extremamente rápido com este projeto.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Agora a coisa que estou mais animado com o Duolingo
15:07
is I think this provides a fair business model for language education.
383
892000
3000
é que acredito que ele disponibiliza um modelo de negócio para o ensino de línguas.
15:10
So here's the thing:
384
895000
2000
Então aqui está:
15:12
The current business model for language education
385
897000
2000
O modelo atual de negócio para ensino de línguas
15:14
is the student pays,
386
899000
2000
é aquele em que o estudante paga,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
e particularmente, o estudante paga ao software Rosetta Stone 500 dólares.
15:18
(Laughter)
388
903000
2000
(Risadas)
15:20
That's the current business model.
389
905000
2000
Este é o modelo de negócios atual.
15:22
The problem with this business model
390
907000
2000
O problema com este modelo de negócio
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
é que 95% da população mundial não possui 500 dólares.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Então é extremamente injusto com os pobres.
15:30
This is totally biased towards the rich.
393
915000
2000
Isto é totalmente direcionado aos ricos.
15:32
Now see, in Duolingo,
394
917000
2000
Agora vejam, com Duolingo,
15:34
because while you learn
395
919000
2000
porque enquanto você aprende
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
você realmente cria valor, você está traduzindo coisas --
15:39
which for example, we could charge somebody for translations.
397
924000
3000
o que por exemplo, nós poderíamos cobrar de alguém pela traduções.
15:42
So this is how we could monetize this.
398
927000
2000
Então é assim que podemos rentabilizar isto.
15:44
Since people are creating value while they're learning,
399
929000
2000
Já que as pessoas estão criando valor enquanto aprendem,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
elas não precisam pagar com seu dinheiro, elas pagam com seu tempo.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Mas a mágica aqui é que elas estão pagando com seu tempo,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
mas este é um tempo que estaria sendo gasto de qualquer forma
15:54
learning the language.
403
939000
2000
no aprendizando de uma língua.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
O bom do Duolingo é que acredito que ele disponibiliza um modelo de negócios justo --
15:59
one that doesn't discriminate against poor people.
405
944000
2000
um que não discrimina as pessoas pobres.
16:01
So here's the site. Thank you.
406
946000
2000
Então aqui está o site. Obrigado.
16:03
(Applause)
407
948000
8000
(Aplausos)
16:11
So here's the site.
408
956000
2000
Então aqui está o site.
16:13
We haven't yet launched,
409
958000
2000
Ainda não lançamos,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
mas se você acessá-lo, poderá se registrar para fazer parte da versão beta privada,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
que provavelmente começará em 3 ou 4 semanas.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Ainda não lançamos este Duolingo.
16:22
By the way, I'm the one talking here,
413
967000
2000
Por sinal, sou eu quem está falando aqui,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
mas na verdade Duolingo é o trabalho de uma equipe fantástica e certos membros estão aqui.
16:27
So thank you.
415
972000
2000
Então, obrigado.
16:29
(Applause)
416
974000
4000
(Aplausos)
ABOUT THE SPEAKER
Luis von Ahn - Computer scientistLuis 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.
Luis von Ahn | Speaker | TED.com