TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Spolupráce v obřím měřítku
Filmed:
Readability: 3.8
1,740,008 views
Poté, co předělal systém CAPTCHA tak, že každá člověkem zadaná odpověď pomáhá převádět knihy do digitální podoby, se Luis von Ahn zajímal o to, jak využít malé příspěvky na internetu od spousty jedinců pro vyšší dobro. Na TEDxCMU se dělí o to, jak jeho nový ambiciózní projekt, Duolingo, pomůže miliónům lidí naučit se nový jazyk, zatímco budou překládat web rychle a přesně -- to vše zdarma.
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
Kolik z vás už muselo vyplnit nějaký nějaký webový formulář,
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
kde jste byli požádáni o přečtení řetězce zdeformovaných znaků jako jsou tato?
00:19
How many of you found it really, really annoying?
2
4000
2000
Pro kolik z vás to bylo otravné?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Dobře, skvělé. To jsem vymyslel já.
00:24
(Laughter)
4
9000
2000
(Smích)
00:26
Or I was one of the people who did it.
5
11000
2000
Spíš jsem byl jedním z těch, co to vymysleli.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Jmenuje se to CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
A je tam proto, aby zjistila, že vy, bytost, která formulář vyplňuje,
00:32
are actually a human and not some sort of computer program
8
17000
3000
jste opravdu člověk a ne nějaký typ programu,
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
napsaný tak, aby odesílal formulář milionkrát.
00:37
The reason it works is because humans,
10
22000
2000
Funguje to, protože lidé,
00:39
at least non-visually-impaired humans,
11
24000
2000
alespoň ti bez zrakového postižení,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
nemají problém se čtením těchto pokroucených znaků,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
zatímco počítačové programy to zatím tak dobře nesvedou.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Například v případě Ticketmasteru,
00:48
the reason you have to type these distorted characters
15
33000
2000
musíte tyto znaky zadat,
00:50
is to prevent scalpers from writing a program
16
35000
2000
aby se zabránilo spekulantům v napsání programu,
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
který by po dvou nakoupil miliony lístků.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
CAPTCHA se používá po celém internetu.
00:56
And since they're used so often,
19
41000
2000
A protože se užívá tak hojně,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
často se stane, že konkrétní řada zobrazených náhodných znaků
01:00
is not so fortunate.
21
45000
2000
může být nešťastná.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Například tento registrační formulář na Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Náhodné znaky, které se uživateli zobrazily,
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
byly Č, E, K, E, J, což samozřejmě tvoří slovo.
01:10
But the best part is the message
25
55000
3000
Ale nejlepší část je zpráva,
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
kterou obdržela pomocná linka Yahoo asi za 20 minut.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
"Pomoc! Už čekám přes 20 minut a nic se neděje."
01:19
(Laughter)
28
64000
4000
(Smích)
01:23
This person thought they needed to wait.
29
68000
2000
Takže si myslel, že musí počkat.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Ale tento uživatel na tom byl ještě hůř.
01:28
(Laughter)
31
73000
2000
(Smích)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Projekt CAPTCHA jsme vytvořili zde v Carnegie Mellon před 10 lety
01:33
and it's been used everywhere.
33
78000
2000
a používá se úplně všude.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Řeknu vám o projektu, který jsme udělali o pár let později,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
další krok ve vývoji CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Říkáme mu reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
a je něčím, co jsme začli zde na Carnegie Mellon
01:44
then we turned it into a startup company.
38
89000
2000
a časem z toho udělali začínající firmu.
01:46
And then about a year and a half ago,
39
91000
2000
A pak, asi před rokem a půl,
01:48
Google actually acquired this company.
40
93000
2000
koupil tuto firmu Google.
01:50
So let me tell you what this project started.
41
95000
2000
Řeknu vám, jak to začalo.
01:52
So this project started from the following realization:
42
97000
3000
Když mi došlo následující:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Přibližně 200 milionů CAPTCHA
01:57
are typed everyday by people around the world.
44
102000
3000
se na světě vyplní každý den.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Když jsem to slyšel prvně, byl jsem na sebe hrdý.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Říkal jsem si, jaký dopad můj výzkum má.
02:04
But then I started feeling bad.
47
109000
2000
Ale pak jsem se začal cítit špatně.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Víte, pokaždé, když vyplňujete CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
vlastně přijdete o 10 vteřin vašeho času.
02:11
And if you multiply that by 200 million,
50
116000
2000
A když to vynásobíte 200 miliony,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
zjistíte, že lidstvo jako celek ztrácí asi 500 000 hodin denně
02:16
typing these annoying CAPTCHAs.
52
121000
2000
při psaní těch otravných CAPTCHA.
02:18
So then I started feeling bad.
53
123000
2000
Tehdy jsem se začal cítit špatně.
02:20
(Laughter)
54
125000
2000
(Smích)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
A pak jsem si říkal, no, nemůžeme CAPTCHA odstranit,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
protože bezpečnost webu na nich závisí.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Ale pak jsem si pomyslel, existuje způsob jak z tohoto úsilí
02:30
for something that is good for humanity?
58
135000
2000
získat něco dobrého pro lidstvo?
02:32
So see, here's the thing.
59
137000
2000
Má se to takto.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Zatímco píšete CAPTCHU, během těch 10 vteřin,
02:36
your brain is doing something amazing.
61
141000
2000
váš mozek dělá něco úžasného.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Vás mozek dělá něco, co počítače zatím nesvedou.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Můžete tak dělat během těch 10 vteřin něco užitečného?
02:43
Another way of putting it is,
64
148000
2000
Jinak řečeno,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
je tu nějaký velký problém, který počítače nedokáží vyřešit,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
ale můžeme jej rozdělit na 10 vteřinové úseky,
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
takže když někdo vyřeší CAPTCHA
02:52
they solve a little bit of this problem?
68
157000
2000
vyřeší i kousek toho problému?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
A odpověď na to je "ano", a to je to co teď děláme.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Takže to co možná nevíte je, že zatímco píšete CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
nejen, že se dokazujete, že jste člověk,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
ale zároveň pomáháte digitalizovat knihy.
03:03
So let me explain how this works.
73
168000
2000
Vysvětlím vám jak to funguje.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Je tu spousty projektů, pokoušejících se o digitalizaci knih.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google jeden má, The Internet Archive jeden má.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, teď když má Kindle, se o to pokouší.
03:12
Basically the way this works
77
177000
2000
V základě to funguje tak,
03:14
is you start with an old book.
78
179000
2000
že vezmete starou knihu.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Viděli jste ty věci, že? Myslím, knihy?
03:18
(Laughter)
80
183000
2000
(Smích)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Začnete s knihou a naskenujete jí.
03:22
Now scanning a book
82
187000
2000
Ale skenování knihy
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
je jako focení každé její stránky.
03:26
It gives you an image for every page of the book.
84
191000
2000
Z každé stránky máte obrázek.
03:28
This is an image with text for every page of the book.
85
193000
2000
Je to obrázek s textem z každé stránky knihy.
03:30
The next step in the process
86
195000
2000
V dalším kroku procesu
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
musí počítač dešifrovat všechna ta slova na obrázku.
03:35
That's using a technology called OCR,
88
200000
2000
K tomu se používá technologie OCR,
03:37
for optical character recognition,
89
202000
2000
optické rozeznávání znaků,
03:39
which takes a picture of text
90
204000
2000
které vezme obrázek textu
03:41
and tries to figure out what text is in there.
91
206000
2000
a pokusí se zjistit, jaký text tam je.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Problém u OCR je, že je nedokonalý.
03:45
Especially for older books
93
210000
2000
Hlavně u starších knih,
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
kde inkoust vybledl a stránky zežloutly,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
OCR nerozpozná hodně slov.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Například u knih napsaných před více než 50 roky,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
počítač nerozpozná okolo 30 procent slov.
03:57
So what we're doing now
98
222000
2000
Takže my děláme to,
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
že sebereme všechna slova, která počítač nerozezná,
04:01
and we're getting people to read them for us
100
226000
2000
a dáváme je lidem, aby je pro nás přečetli,
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
když píšou CAPTCHA na internetu.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Takže příště až budete psát CAPTCHA, ta slova která píšete,
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
jsou vlastně slova z knih, které se právě digitalizují
04:11
that the computer could not recognize.
104
236000
2000
a počítač je nerozeznal.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
A důvod proč používáme 2 slova místo jednoho je ten,
04:15
is because, you see, one of the words
106
240000
2000
protože jedno z těch slov
04:17
is a word that the system just got out of a book,
107
242000
2000
je slovo, které systém dostal z knihy,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
a neví co to to je a ukáže vám ho.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Protože ale neví, jaká je správná odpověď, nemůže jí posoudit.
04:25
So what we do is we give you another word,
110
250000
2000
Takže vám dáme další slovo,
04:27
one for which the system does know the answer.
111
252000
2000
které systém už zná.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Neřekneme vám, které je které a poprosíme o vyplnění obou.
04:31
And if you type the correct word
113
256000
2000
A když zadáte správné slovo
04:33
for the one for which the system already knows the answer,
114
258000
2000
pro to, které systém už zná, tak předpokládá,
04:35
it assumes you are human,
115
260000
2000
že jste člověk
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
a také získá důvěru, že jste dobře napsali i to druhé slovo.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
A když zopakujeme tento proces třeba u 10 různých lidí
04:42
and all of them agree on what the new word is,
118
267000
2000
a všichni se shodnou jaké to nové slovo je,
04:44
then we get one more word digitized accurately.
119
269000
2000
máme jedno nové správné slovo v digitální podobě.
04:46
So this is how the system works.
120
271000
2000
Takže takhle to funguje.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
A od doby před asi třemi nebo čtyřmi lety, kdy jsme s tím začli,
04:51
a lot of websites have started switching
122
276000
2000
spousta stránek začala přecházet
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
ze staré CAPTCHA, kde lidé mrhali svým časem,
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
na novou CAPTCHA, kde lidí pomáhají s digitalizováním knih.
04:57
So for example, Ticketmaster.
125
282000
2000
Například Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
S každou koupí lístku na Ticketmasteru, pomůžete digitalizovat knihu.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: Pokaždé když si někoho přidáte nebo šťouchnete,
05:04
you help to digitize a book.
128
289000
2000
pomůžete digitalizovat knihu.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter a dalších asi 350 000 dalších stránek používá reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Popravdě to číslo stránek, které reCAPTCHA používají je tak vysoké,
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
že množství slov digitalizovaných denně je opravdu velké.
05:14
It's about 100 million a day,
132
299000
2000
Je to kolem 100 milionu denně,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
což je asi dva a půl milionu knížek ročně.
05:20
And this is all being done one word at a time
134
305000
2000
A to vše napsáno slovo po slově
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
jen lidmi vyplňujícími CAPTCHA na internetu.
05:24
(Applause)
136
309000
8000
(Potlesk)
05:32
Now of course,
137
317000
2000
Samozřejmě,
05:34
since we're doing so many words per day,
138
319000
2000
když máme tolik slov každý den,
05:36
funny things can happen.
139
321000
2000
může se stát něco vtipného.
05:38
And this is especially true because now we're giving people
140
323000
2000
A to hlavně proto, že teď dáváme lidem dvě
05:40
two randomly chosen English words next to each other.
141
325000
2000
náhodně vybraná anglická slova vedle sebe.
05:42
So funny things can happen.
142
327000
2000
Takže se stávají vtipné věci.
05:44
For example, we presented this word.
143
329000
2000
Například, objevilo se toto slovo.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Slovo "Křesťané", na tom není nic špatného.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Když se ale objeví vedle dalšího náhodného slova,
05:51
bad things can happen.
146
336000
2000
může se stát něco špatného.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Dostali jsme toto. (Špatní křesťané)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Ale je to ještě horší, protože stránka, na které se ukázalo
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
byla "Ambasáda Království božího".
06:01
(Laughter)
150
346000
2000
(Smích)
06:03
Oops.
151
348000
2000
Hups.
06:05
(Laughter)
152
350000
3000
(Smích)
06:08
Here's another really bad one.
153
353000
2000
Tady je další špatná.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Zatracený liberál)
06:15
(Laughter)
156
360000
2000
(Smích)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Takže pořád urážíme lidi v jednom kuse.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Samozřejmě lidi jen neurážíme.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Jde o to, že když uvádíme dvě náhodná slova,
06:25
interesting things can happen.
160
370000
2000
může se stát něco zajímavého.
06:27
So this actually has given rise
161
372000
2000
To dalo vzniknout velkému
06:29
to a really big Internet meme
162
374000
3000
internetovému memu,
06:32
that tens of thousands of people have participated in,
163
377000
2000
kterému přispěli desetitisíce lidí,
06:34
which is called CAPTCHA art.
164
379000
2000
říká se mu CAPTCHA umění.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Určitě o něm někteří z vás slyšeli.
06:38
Here's how it works.
166
383000
2000
Takhle to funguje.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Představte si, že jste na internetu a vidíte CAPTCHA
06:42
that you think is somewhat peculiar,
168
387000
2000
a pomyslíte si, že je to něco konkrétního,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
jako zde. (Neviditelný toustovač)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Takže uděláte s tím snímek obrazovky.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Pak, samozřejmě, vyplníte CAPTCHA,
06:50
because you help us digitize a book.
172
395000
2000
protože pomůžete s digitalizací.
06:52
But then, first you take a screen shot,
173
397000
2000
Ale nejdřív uděláte snímek,
06:54
and then you draw something that is related to it.
174
399000
2000
a pak namalujete něco co se k tomu vztahuje.
06:56
(Laughter)
175
401000
2000
(Smích)
06:58
That's how it works.
176
403000
3000
To je celá věda.
07:01
There are tens of thousands of these.
177
406000
3000
Jsou jich desetitisíce.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Některé roztomilé. (Udržel jsem to)
07:06
(Laughter)
179
411000
2000
(Smích)
07:08
Some of them are funnier.
180
413000
2000
Některé vtipné.
07:10
(Text: stoned founders)
181
415000
3000
(Sjetí předci)
07:13
(Laughter)
182
418000
3000
Smích
07:16
And some of them,
183
421000
2000
A některé,
07:18
like paleontological shvisle,
184
423000
3000
jako paleontologické ňůňo
07:21
they contain Snoop Dogg.
185
426000
2000
mohou obsahovat Snoop Dogga.
07:23
(Laughter)
186
428000
3000
(Smích)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Dobře, toto je mé nejoblíbenější číslo z reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Je to moje nejoblíbenější věc na celém projektu.
07:31
This is the number of distinct people
189
436000
2000
Je to množství lidí,
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
kteří pomohli zdigitalizovat alespoň jedno slovo přes reCAPTCHA
07:36
750 million,
191
441000
2000
750 milionů,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
což je něco málo přes 10 procent světové populace,
07:40
has helped us digitize human knowledge.
193
445000
2000
nám pomohlo zdigitalizovat vědění lidstva.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
A čísla jako jsou tato, mě motivují ve výzkumu.
07:45
So the question that motivates my research is the following:
195
450000
3000
Otázka, která motivuje můj výzkum, je tato:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Když se podíváte na největší úspěchy lidstva,
07:50
these really big things
197
455000
2000
ty opravdu největší,
07:52
that humanity has gotten together and done historically --
198
457000
3000
které spojily lidstvo a změnily dějiny --
07:55
like for example, building the pyramids of Egypt
199
460000
2000
například stavba pyramid v Egyptě,
07:57
or the Panama Canal
200
462000
2000
Panamského kanálu
07:59
or putting a man on the Moon --
201
464000
2000
nebo poslání člověka na Měsíc --
08:01
there is a curious fact about them,
202
466000
2000
všechny mají něco společného,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
hlavně to, byly dokončeny s podobným množstvím lidí.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
Zvláštní, ty všechny zvládnuty s asi 100.000 lidmi.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
A důvod je ten, že před internetem,
08:11
coordinating more than 100,000 people,
206
476000
2000
organizování více než 100.000 lidí,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
nemluvě o výplatách, byla téměř nemožná.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Teď jsem vám ale ukázal projekt, který v době internetu
08:18
where we've gotten 750 million people
209
483000
2000
kde spolupracuje 750 milionu lidí
08:20
to help us digitize human knowledge.
210
485000
2000
na digitalizaci vědění lidstva.
08:22
So the question that motivates my research is,
211
487000
2000
Takže otázkou, která mě motivuje je,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
když zvládneme poslat člověka na Měsíc se 100 000 lidmi,
08:27
what can we do with 100 million?
213
492000
2000
co zvládneme se 100 miliony?
08:29
So based on this question,
214
494000
2000
A na základě této otázky
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
jsme rozjeli různé projekty, na kterých pracujeme.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Ukážu vám jeden, ze kterého jsem opravdu nadšený.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Něco, na čem jsme v tichosti pracovali
08:38
for the last year and a half or so.
218
503000
2000
asi poslední rok a půl.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Ještě není spuštěn. Jmenuje se Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
A protože nebyl spuštěn, pšššt!
08:44
(Laughter)
221
509000
2000
(Smích)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Věřím vám.
08:48
So this is the project. Here's how it started.
223
513000
2000
To je ten projekt a takhle začal.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Začal mou otázkou na mého studenta
08:52
Severin Hacker.
225
517000
2000
Severina Hackera.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Dobře, to je Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Takže, položil jsem mu svou otázku.
08:58
By the way, you did hear me correctly;
228
523000
2000
Mimochodem, slyšeli jste dobře,
09:00
his last name is Hacker.
229
525000
2000
jeho příjmení je Hacker.
09:02
So I posed this question to him:
230
527000
2000
Dal jsem mu tedy tuto otázku:
09:04
How can we get 100 million people
231
529000
2000
Jak přimějeme 100 milionů lidí
09:06
translating the Web into every major language for free?
232
531000
3000
přeložit web do všech hlavních jazyků zdarma?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Dobře, několik věcí k té otázce.
09:11
First of all, translating the Web.
234
536000
2000
Zaprvé, překládání webu.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Web je rozložen do více jazyků.
09:16
A large fraction of it is in English.
236
541000
2000
Jeho velká část je v angličtině.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Když anglicky neumíte, nedostanete s k ní.
09:20
But there's large fractions in other different languages,
238
545000
2000
Ale jsou i ty velké části v jiných jazycích,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
které když neznáte, nedostanete se k nim.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
A my bychom chtěli přeložit web, alespoň jeho většinu,
09:28
into every major language.
241
553000
2000
do všech hlavních jazyků.
09:30
So that's what I would like to do.
242
555000
2000
To je to, co bych rád udělal.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Někteří možná namítnou, proč nepoužijeme počítače?
09:35
Why can't we use machine translation?
244
560000
2000
Proč nemůžeme použít překladače?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
V současnosti počítačové překlady sem tam přeloží větu.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Proč je nepoužijeme pro celý web?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
No, problém s tímto je, že to není dost dobré
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
a pravděpodobně nebude dalších asi 15 až 20 let.
09:45
It makes a lot of mistakes.
249
570000
2000
Tvoří spoustu chyb.
09:47
Even when it doesn't make a mistake,
250
572000
2000
A i když nechybuje,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
tak protože dělá tolik chyb, nevíte, zda tomu věřit, či ne.
09:52
So let me show you an example
252
577000
2000
Ukážu vám příklad
09:54
of something that was translated with a machine.
253
579000
2000
něčeho přeloženého strojem.
09:56
Actually it was a forum post.
254
581000
2000
Byl to příspěvek na fóru.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Někdo se ptal na něco ohledně JavaScriptu.
10:01
It was translated from Japanese into English.
256
586000
3000
Bylo to přeloženo s japonštiny do angličtiny.
10:04
So I'll just let you read.
257
589000
2000
Nechám vás číst.
10:06
This person starts apologizing
258
591000
2000
Ten člověk začíná omluvou za to,
10:08
for the fact that it's translated with a computer.
259
593000
2000
že to bylo přeloženo počítačem.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Další věta je úvod k otázce.
10:13
So he's just explaining something.
261
598000
2000
Takže něco vysvětluje.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Pamatujte, je to otázka ohledně JavaScriptu.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Často, kozločas instaluje chyba jsou zvratky.)
10:23
(Laughter)
264
608000
4000
(Často, kozločas instaluje chyba jsou zvratky.)
10:27
Then comes the first part of the question.
265
612000
3000
Pak následuje první část otázky.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Kolikrát jako vítr, stožár a drak?)
10:34
(Laughter)
267
619000
2000
(Kolikrát jako vítr, stožár a drak?)
10:36
Then comes my favorite part of the question.
268
621000
3000
Pak přichází má oblíbená část otázky.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Není to urážka otcových gulí?)
10:42
(Laughter)
270
627000
2000
(Není to urážka otcových gulí?)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
A pak přichází závěr, který je z toho všeho nejlepší.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Prosím omluvte svou hloupost. Pro vás mnohé díky.)
10:51
(Laughter)
273
636000
2000
(Prosím omluvte svou hloupost. Pro vás mnohé díky.)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Takže počítačový překlad ještě není dost dobrý.
10:55
So back to the question.
275
640000
2000
Zpět k otázce.
10:57
So we need people to translate the whole Web.
276
642000
3000
Takže potřebujeme, aby lidé přeložili web.
11:00
So now the next question you may have is,
277
645000
2000
Takže teď asi budete ptát,
11:02
well why can't we just pay people to do this?
278
647000
2000
proč nemůžeme lidem zaplatit, aby to udělali?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Mohli bychom zaplatit profesionální překladatele, aby vše přeložili.
11:07
We could do that.
280
652000
2000
To můžeme.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Bohužel by to bylo extrémně nákladné.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Například, překlad malinkého zlomku celého webu, Wikipedie,
11:14
into one other language, Spanish.
283
659000
3000
do jednoho jazyka, španělštiny.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia existuje ve španělštině,
11:19
but it's very small compared to the size of English.
285
664000
2000
ale ta je velice malá ve srovnání s anglickou.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Je to asi 20 procent velikosti té anglické.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Pokud chceme přeložit těch dalších 80 procent do španělštiny,
11:26
it would cost at least 50 million dollars --
288
671000
2000
stálo by to asi 50 milionů dolarů --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
a to v té nejzneužívanější outsourcingové zemi vůbec.
11:31
So it would be very expensive.
290
676000
2000
Takže by to bylo velice nákladné.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Takže my chceme sehnat 100 milionů lidí
11:35
translating the Web into every major language
292
680000
2000
na překlad webu do všech hlavních jazyků
11:37
for free.
293
682000
2000
zadarmo.
11:39
Now if this is what you want to do,
294
684000
2000
Ale když se do toho pustíte,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
brzy si uvědomíte, že máte dvě velké trhliny,
11:43
two big obstacles.
296
688000
2000
dvě velké překážky.
11:45
The first one is a lack of bilinguals.
297
690000
3000
První je nedostatek bilingvních lidí.
11:48
So I don't even know
298
693000
2000
Já ani nevím,
11:50
if there exists 100 million people out there using the Web
299
695000
3000
jestli na světě existuje 100 milionu lidí, kteří používají web
11:53
who are bilingual enough to help us translate.
300
698000
2000
a umí dva jazyky tak, aby mohli pomoci.
11:55
That's a big problem.
301
700000
2000
To je velký problém.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
A ten druhý problém je nedostatek motivace.
11:59
How are we going to motivate people
303
704000
2000
Jak chceme lidi motivovat,
12:01
to actually translate the Web for free?
304
706000
2000
aby opravdu překládali web zdarma?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Běžně za to lidem musíte platit.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Tak jak je přimět, aby to udělali zdarma?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Když o tom začneme přemýšlet, jsme omezeni těmi dvěmi věcmi.
12:11
But then we realized, there's actually a way
308
716000
2000
Ale pak jsme si uvědomili, že vlastně
12:13
to solve both these problems with the same solution.
309
718000
2000
existuje způsob na řešení obou problémů naráz.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Jak zabít dvě mouchy jednou ranou.
12:17
And that is to transform language translation
311
722000
3000
A to tak, že změníte překládání,
12:20
into something that millions of people want to do,
312
725000
3000
v něco, co miliony lidí chtějí dělat,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
a to také vyřeší problém s nedostatkem bilingválů,
12:26
and that is language education.
314
731000
3000
a to je výuka jazyků.
12:29
So it turns out that today,
315
734000
2000
Ukázalo se, že dnes
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
se asi 1,2 miliardy lidí učí cizí jazyk.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Lidé se opravdu chtějí cizí jazyk učit.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Ne jen proto, že jsou k tomu nuceni ve škole.
12:39
For example, in the United States alone,
319
744000
2000
Například jen ve Spojených státech
12:41
there are over five million people who have paid over $500
320
746000
2000
je přes 5 milionů lidí, kteří zaplatili přes 500 dolarů
12:43
for software to learn a new language.
321
748000
2000
za software na výuku jazyků.
12:45
So people really, really want to learn a new language.
322
750000
2000
Lidé se chtějí jazyky učit opravdu hodně.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Takže na tom jsme pracovali přibližně poslední rok a půl --
12:50
it's called Duolingo --
324
755000
2000
stránka jménem Duolingo,
12:52
where the basic idea is people learn a new language for free
325
757000
3000
kde hlavní myšlenkou je naučit lidi jazyky zdarma
12:55
while simultaneously translating the Web.
326
760000
2000
a zároveň překládat web.
12:57
And so basically they're learning by doing.
327
762000
2000
Takže se učí praxí.
12:59
So the way this works
328
764000
2000
Funguje to tak,
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
že když jste nováček, dostanete velice snadné věty.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Těch je na webu samozřejmě plno.
13:06
We give you very, very simple sentences
331
771000
2000
Dáme vám velice snadné věty
13:08
along with what each word means.
332
773000
2000
společně s významem slov.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
A jak překládáte a koukáte, jak je překládali ostatní,
13:13
you start learning the language.
334
778000
2000
začnete se učit jazyk.
13:15
And as you get more and more advanced,
335
780000
2000
A jak se zlepšujete,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
dostáváte na překlad složitější věty.
13:19
But at all times, you're learning by doing.
337
784000
2000
Ale pořád se učíte praxí.
13:21
Now the crazy thing about this method
338
786000
2000
Šílené na tomto způsobu je,
13:23
is that it actually really works.
339
788000
2000
že opravdu funguje.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Zaprvé, lidé se opravdu učí jazyky.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Už to je převážně hotové, teď to testujeme.
13:29
People really can learn a language with it.
342
794000
2000
Lidé se tam tak mohou naučit jazyk.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
A naučí se ho přibližně stejně jako u nejlepšího výukového programu.
13:34
So people really do learn a language.
344
799000
2000
Takže lidé se jazyk opravdu naučí.
13:36
And not only do they learn it as well,
345
801000
2000
Výuka není jen stejně dobrá,
13:38
but actually it's way more interesting.
346
803000
2000
ale i zajímavější.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
A to proto, že Duolingo používá skutečný obsah.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Na rozdíl od vymyšlených vět z učebnic,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
lidé se učí na skutečném obsahu, který je zajímavější.
13:48
So people really do learn a language.
350
813000
2000
Takže lidé se doopravdy naučí.
13:50
But perhaps more surprisingly,
351
815000
2000
Ale co je asi nejpřekvapivější,
13:52
the translations that we get from people using the site,
352
817000
3000
překlady, které máme od lidí z této stránky,
13:55
even though they're just beginners,
353
820000
2000
i když jsou jen začátečníci,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
jsou tak přesné, jako ty od profesionálních překladatelů,
14:00
which is very surprising.
355
825000
2000
což je opravdu překvapivé.
14:02
So let me show you one example.
356
827000
2000
Ukážu vám jeden příklad.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Toto je věta přeložená z němčiny do angličtiny.
14:06
The top is the German.
358
831000
2000
Horní je německy.
14:08
The middle is an English translation
359
833000
2000
Prostřední je anglický překlad,
14:10
that was done by somebody who was a professional English translator
360
835000
2000
který dělal profesionální překladatel,
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
kterému bylo zaplaceno 20 centů za každé slovo.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
A spodní je překlad uživateli Duolinga,
14:17
none of whom knew any German
363
842000
2000
kteří vůbec neuměli německy,
14:19
before they started using the site.
364
844000
2000
když stránky začali používat.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Vidíte, že je téměř perfektní.
14:23
Now of course, we play a trick here
366
848000
2000
Samozřejmě, máme na to malý trik
14:25
to make the translations as good as professional language translators.
367
850000
2000
aby překlad byl stejně dobrý jako profesionální.
14:27
We combine the translations of multiple beginners
368
852000
3000
Kombinujeme překlad několika začátečníků
14:30
to get the quality of a single professional translator.
369
855000
3000
na dosáhnutí profesionální kvality.
14:33
Now even though we're combining the translations,
370
858000
5000
Ale i když kombinujeme překlady,
14:38
the site actually can translate pretty fast.
371
863000
2000
tyto stránky dokáží překládat velice rychle.
14:40
So let me show you,
372
865000
2000
Něco vám ukážu,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
toto je odhad, za jak dlouho můžeme přeložit Wikipedii
14:44
from English into Spanish.
374
869000
2000
z angličtiny do španělštiny.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Nezapomínejme, že to má hodnotu 50 milionů dolarů.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Takže kdybychom chtěli přeložit Wikipedii do Španělštiny,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
šlo by to za 5 týdnů se 100 000 aktivními uživateli.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
A přibližně za 80 hodin s milionem aktivních uživatelů.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Protože všechny projekty, na kterých jsme pracovali, měly miliony uživatelů,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
doufáme, že s tímto projektem budeme schopni
15:02
extremely fast with this project.
381
887000
2000
překládat extrémně rychle.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
To, proč jsem z Duolinga tak nadšený je to,
15:07
is I think this provides a fair business model for language education.
383
892000
3000
že si myslím, že nabízí poctivý obchodní model výuky jazyka.
15:10
So here's the thing:
384
895000
2000
Jde o tohle:
15:12
The current business model for language education
385
897000
2000
Současný obchodní model výuky jazyků je,
15:14
is the student pays,
386
899000
2000
že student platí,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
vlastně platí Rosettově desce 500 dolarů.
15:18
(Laughter)
388
903000
2000
vlastně platí Rosettově desce 500 dolarů.
15:20
That's the current business model.
389
905000
2000
Takový je současný obchodní model.
15:22
The problem with this business model
390
907000
2000
Problém s tímto modelem je,
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
že 95 procent světové populace nemá 500 dolarů.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Takže je extrémně nefér k chudým.
15:30
This is totally biased towards the rich.
393
915000
2000
A vlastně je zaměřen na bohaté.
15:32
Now see, in Duolingo,
394
917000
2000
Ale u Duolinga,
15:34
because while you learn
395
919000
2000
protože jak se učíte,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
tvoříte hodnoty, děláte překlad --
15:39
which for example, we could charge somebody for translations.
397
924000
3000
za který bychom mohli někomu zaplatit.
15:42
So this is how we could monetize this.
398
927000
2000
A takto to můžeme zpeněžit.
15:44
Since people are creating value while they're learning,
399
929000
2000
A protože lidé tvoří hodnoty během učení,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
nemusí nám platit penězi, platí nám svým časem.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Kouzelné na tom je, že sice platí svým časem,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
ale ten čas by stejně strávili tím,
15:54
learning the language.
403
939000
2000
že by se učili jazyk.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Takže pěkné na Duolingu je, že nabízí poctivý obchodní model --
15:59
one that doesn't discriminate against poor people.
405
944000
2000
takový, který nediskriminuje chudé.
16:01
So here's the site. Thank you.
406
946000
2000
Toto je ta stránka. Děkuji vám.
16:03
(Applause)
407
948000
8000
(Potlesk)
16:11
So here's the site.
408
956000
2000
Takže toto je ta stránka.
16:13
We haven't yet launched,
409
958000
2000
Ještě jsme ji nespustili,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
ale když tam půjdete, můžete se přihlásit do naší soukromé bety,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
která začne nejspíš za 3 nebo 4 týdny.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Ještě jsme toto Duolingo nespustili.
16:22
By the way, I'm the one talking here,
413
967000
2000
Mimochodem, já zde mluvím,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
ale Duolingo je ve skutečnosti práce úžasného týmu, ze kterého tu část je.
16:27
So thank you.
415
972000
2000
Takže, děkuji.
16:29
(Applause)
416
974000
4000
(Potlesk)
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