TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Onlinesamarbejde i storformat
Filmed:
Readability: 3.8
1,740,008 views
Da Luis von Ahn havde ændret CAPTCHA, så hver svar indtastet af et menneske er med til at digitalisere bøger, overvejede han, hvordan små bidrag fra mange på internettet kan bruges til et højere formål. På TEDxCMU fortæller han, hvordan hans nye ambitiøse projekt, Duolingo, vil hjælpe millioner med at lære et nyt sprog, mens de oversætter internettet hurtigt og korrekt - helt gratis.
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
Hvor mange her har prøvet at udfylde en formular på internettet,
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
hvor I blev bedt om at læse en forvrænget række af tegn som denne?
00:19
How many of you found it really, really annoying?
2
4000
2000
Hvor mange af jer syntes, det var virkelig, virkelig irriterende?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Udmærket. Det var mig, der opfandt det.
00:24
(Laughter)
4
9000
2000
(Latter)
00:26
Or I was one of the people who did it.
5
11000
2000
Eller jeg var med til at lave det.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Sådan en kaldes en CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Den er der, fordi den skal sikre, at du - den enhed, der udfylder formularen -
00:32
are actually a human and not some sort of computer program
8
17000
3000
- er et menneske og ikke et computerprogram
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
der skal bruges til at sende formularen flere millioner gange.
00:37
The reason it works is because humans,
10
22000
2000
Den virker, fordi mennesker -
00:39
at least non-visually-impaired humans,
11
24000
2000
- eller i hvert fald mennesker uden synsbesvær -
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
sagtens kan læse disse forvrængede og snørklede tegn,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
men det er computerprogammer ikke så gode til endnu.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
F.eks. som det er tilfældet for Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
skal du skrive disse disse forvrængede tegn
00:50
is to prevent scalpers from writing a program
16
35000
2000
så billethajer ikke skriver et program,
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
der kan købe millioner af billetter - to ad gangen.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
CAPTCHA'er bruges overalt på internettet.
00:56
And since they're used so often,
19
41000
2000
Og eftersom de bruges så ofte,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
vil den nøjagtige rækkefølge af tilfældige tegn, som brugeren får vist,
01:00
is not so fortunate.
21
45000
2000
ikke være specielt heldig.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Her er et eksempel fra Yahoo's tilmeldingsside.
01:05
The random characters that happened to be shown to the user
23
50000
2000
De tilfældige tegn, som brugeren fik vist,
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
var W, A, I, T, som jo giver et ord, der betyder VENT.
01:10
But the best part is the message
25
55000
3000
Men det bedste er den meddelelse, som
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
Yahoo's kundehjælp modtog 20 minutter senere.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Teks: "Hjælp! Jeg har ventet i over 20 minutter, og der sker ingenting."
01:19
(Laughter)
28
64000
4000
(Latter)
01:23
This person thought they needed to wait.
29
68000
2000
Denne person troede, man skulle vente.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Dette er selvfølgelig ikke så slemt, som for denne stakkel.
01:28
(Laughter)
31
73000
2000
(Latter)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Vi gennemførte CAPTCHA-projektet her på Carnegie Mellon for over 10 år siden,
01:33
and it's been used everywhere.
33
78000
2000
og det bliver brugt overalt.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Lad mig fortælle om et projekt, som vi gennemførte nogle få år senere,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
og som kan kaldes næste trin i CAPTCHA's udvikling.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Dette er et projekt, som vi kalder reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
som vi startede her på Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
hvorefter vi gjorde det til en opstartsvirksomhed.
01:46
And then about a year and a half ago,
39
91000
2000
Og så for halvandet år siden,
01:48
Google actually acquired this company.
40
93000
2000
har Google faktisk købt denne virksomhed.
01:50
So let me tell you what this project started.
41
95000
2000
Lad mig fortælle jer, hvad dette projekt satte i gang.
01:52
So this project started from the following realization:
42
97000
3000
Projektet blev startet ud fra følgende observation:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Det viser sig, at ca. 200 millioner CAPTCHA'er
01:57
are typed everyday by people around the world.
44
102000
3000
indtastes af mennesker hver dag i hele verden.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Da vi hørte det første gang, blev jeg ret stolt af mig selv.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Jeg tænkte "Se, hvilken indvirkning min forskning har haft".
02:04
But then I started feeling bad.
47
109000
2000
Men så blev jeg ked af det.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Sagen er, at hver gang du indtaster en CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
spilder du 10 sekunder af din tid.
02:11
And if you multiply that by 200 million,
50
116000
2000
Og hvis du ganger det med 200 millioner,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
bliver resultatet, at menneskeheden spilder ca. 500.000 timer hver dag
02:16
typing these annoying CAPTCHAs.
52
121000
2000
på at indtaste irriterende CAPTCHA'er.
02:18
So then I started feeling bad.
53
123000
2000
Så jeg begyndte at føle mig ked af det.
02:20
(Laughter)
54
125000
2000
(Latter)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Og så tænkte jeg, at vi kan selvfølgelig ikke bare afskaffe CAPTCHA'er,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
fordi sikkerheden på internettet er ligesom afhængig af dem.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Men jeg begyndt at tænke, om der er en måde, hvorpå vi kan bruge denne indsats
02:30
for something that is good for humanity?
58
135000
2000
til noget, der er godt for menneskeheden?
02:32
So see, here's the thing.
59
137000
2000
Så dette er, hvad det drejer sig om.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Mens du indtaster en CAPTCHA - i de 10 sekunder -
02:36
your brain is doing something amazing.
61
141000
2000
gør din hjerne noget fantastisk.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Din hjerne gør noget, som computere ikke kan gøre.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Kan vi få dig til at gøre et nyttigt stykke arbejde i de 10 sekunder?
02:43
Another way of putting it is,
64
148000
2000
Formuleret på en anden måde:
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
Er der et eller andet kæmpe problem, som vi ikke kan få computere til at løse?
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
og som vi kan opdele i 10-sekunders bidder,
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
sådan at hver gang nogen løser en CAPTCHA,
02:52
they solve a little bit of this problem?
68
157000
2000
løser vedkommende en lille del af dette problem?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Og svaret på det spørgsmål er "ja", og det er, hvad vi gør nu.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Det som du muligvis ikke ved er, at når du indtaster en CAPTCHA i dag,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
er du ikke bare i færd med at bekræfte, at du er et menneske,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
men du hjælper os også med at digitalisere bøger.
03:03
So let me explain how this works.
73
168000
2000
Lad mig forklare, hvordan det virker.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Der findes en masse projekter, hvor man forsøger at digitalisere bøger.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google har et projekt, og Internet Archive har et.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, med Kindle, prøver at digitalisere bøger.
03:12
Basically the way this works
77
177000
2000
De fungerer grundlæggende ved,
03:14
is you start with an old book.
78
179000
2000
at du begynder med en gammel bog.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Du har set sådan nogen, ikke? En bog?
03:18
(Laughter)
80
183000
2000
(Latter)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Du starter med en bog, og så scanner du den.
03:22
Now scanning a book
82
187000
2000
Det at scanne en bog
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
er som at tage et digitalt fotografi af hver side i bogen.
03:26
It gives you an image for every page of the book.
84
191000
2000
Det giver dig et billede for hver side i bogen.
03:28
This is an image with text for every page of the book.
85
193000
2000
Dette er et billede med tekst for hver side i bogen.
03:30
The next step in the process
86
195000
2000
Det næste trin i processen er,
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
at computeren skal kunne tyde alle ordene i billedet.
03:35
That's using a technology called OCR,
88
200000
2000
Det sker ved hjælp af en teknologi, der kaldes OCR,
03:37
for optical character recognition,
89
202000
2000
optisk tegngenkendelse,
03:39
which takes a picture of text
90
204000
2000
som tager et billede af teksten
03:41
and tries to figure out what text is in there.
91
206000
2000
og forsøger at finde ud af, hvilken tekst det indeholder.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Problemet er, at OCR ikke er perfekt.
03:45
Especially for older books
93
210000
2000
Særligt med gamle bøger,
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
hvor tryksværten er blegnet, og siderne er blevet gule,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
kan OCR ikke genkende en stor del af ordene.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
F.eks. ved tekster, der er skrevet for over 50 års siden,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
kan computeren ikke genkende omkring 30 procent af ordene.
03:57
So what we're doing now
98
222000
2000
Så det vi gør nu,
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
er at tage alle de ord, som computeren ikke kan genkende,
04:01
and we're getting people to read them for us
100
226000
2000
og får mennesker til at læse dem for os,
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
mens de indtaster CAPTCHA'er på internettet.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Så næste gang, du indtaster en CAPTCHA, vil de ord, du skriver,
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
faktisk være ord, som kommer fra digitaliserede bøger,
04:11
that the computer could not recognize.
104
236000
2000
og som computeren ikke kunne genkende.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Og nu til årsagen til, at vi har to ord i dag i stedet for et:
04:15
is because, you see, one of the words
106
240000
2000
Det er fordi, at et af ordene
04:17
is a word that the system just got out of a book,
107
242000
2000
er et ord, som systemet fandt i en bog,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
det kunne ikke genkende ordet, og systemet viser dig det.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Men eftersom systemet ikke kender svaret, kan det ikke validere det for dig.
04:25
So what we do is we give you another word,
110
250000
2000
Derfor giver vi dig et andet ord,
04:27
one for which the system does know the answer.
111
252000
2000
som systemet kender svaret på.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Vi fortæller ikke, hvilket ord der er hvad, og vi beder dig indtaste dem begge.
04:31
And if you type the correct word
113
256000
2000
Og hvis du skriver det rigtige ord
04:33
for the one for which the system already knows the answer,
114
258000
2000
for det ord, som systemet kender svaret på,
04:35
it assumes you are human,
115
260000
2000
antager det, at du er menneske,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
og det får også en vis tillid til, at du har skrevet det andet ord rigtigt.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Og hvis vi gentager denne proces for f.eks. 10 forskellige personer,
04:42
and all of them agree on what the new word is,
118
267000
2000
og de alle er enige om, hvad ordet er,
04:44
then we get one more word digitized accurately.
119
269000
2000
har vi fået digitaliseret endnu et ord korrekt.
04:46
So this is how the system works.
120
271000
2000
Det er altså sådan systemet virker.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Og siden vi frigav det for 3 - 4 år siden,
04:51
a lot of websites have started switching
122
276000
2000
er mange websteder begyndt at skifte
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
fra den gamle CAPTCHA, hvor folk spildte deres tid,
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
til den nye CAPTCHA, hvor folk er med til at digitalisere bøger.
04:57
So for example, Ticketmaster.
125
282000
2000
For eksempel Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Hver gang, du køber billetter på Ticketmaster, er du med til at digitalisere en bog.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: Hver gang du tilføjer en ven eller prikker til nogen,
05:04
you help to digitize a book.
128
289000
2000
er du med til at digitalisere en bog.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter og ca. 350.000 andre websteder bruger alle reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Og faktisk er der så mange websteder, der bruger reCAPTCHA,
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
at antallet af ord, som vi digitaliserer hver dag, er virkelig, virkelig stort.
05:14
It's about 100 million a day,
132
299000
2000
Det er cirka 100 millioner om dagen,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
hvilket svarer til cirka 2,5 millioner bøger om året.
05:20
And this is all being done one word at a time
134
305000
2000
Og dette gøres et ord ad gangen
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
bare ved at folk indtaster CAPTCHA'er på internettet.
05:24
(Applause)
136
309000
8000
(Bifald)
05:32
Now of course,
137
317000
2000
Men selvfølgelig...
05:34
since we're doing so many words per day,
138
319000
2000
eftersom vi laver så mange ord om dagen,
05:36
funny things can happen.
139
321000
2000
kan der ske sjove ting.
05:38
And this is especially true because now we're giving people
140
323000
2000
Og dette gør sig særligt gældende nu, hvor vi giver folk
05:40
two randomly chosen English words next to each other.
141
325000
2000
to tilfældige engelske ord ved siden af hinanden.
05:42
So funny things can happen.
142
327000
2000
Så der kan ske sjove ting.
05:44
For example, we presented this word.
143
329000
2000
For eksempel viste vi dette ord.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Det er ordet "Kristne", og der er intet galt med det.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Men hvis du viser det ved siden af et andet tilfældigt ord,
05:51
bad things can happen.
146
336000
2000
kan der ske slemme ting.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Så får vi dette. (Tekst: slemme kristne)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Men det er værre endnu, fordi det websted, hvor vi viste dette,
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
hedder faktisk "Ambassaden for Guds Kongerige".
06:01
(Laughter)
150
346000
2000
(Latter)
06:03
Oops.
151
348000
2000
Ups.
06:05
(Laughter)
152
350000
3000
(Latter)
06:08
Here's another really bad one.
153
353000
2000
Her er en anden virkelig slem en.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Tekst: Forbandet liberal)
06:15
(Laughter)
156
360000
2000
(Latter)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Så vi bliver ved at fornærme folk hver eneste dag.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Vi nøjes selvfølgelig ikke med at fornærme folk.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Sagen er, at eftersom vi viser to tilfældigt valgte ord,
06:25
interesting things can happen.
160
370000
2000
kan der ske interessante ting.
06:27
So this actually has given rise
161
372000
2000
Dette har faktisk startet
06:29
to a really big Internet meme
162
374000
3000
et virkelig stort internetfænomen,
06:32
that tens of thousands of people have participated in,
163
377000
2000
som titusindvis af mennesker har deltaget i,
06:34
which is called CAPTCHA art.
164
379000
2000
der kaldes CAPTCHA-kunst.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Jeg er sikker på, at nogle af jer har hørt om det.
06:38
Here's how it works.
166
383000
2000
Det virker sådan her.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Forestil dig, at du bruger internettet og ser en CAPTCHA,
06:42
that you think is somewhat peculiar,
168
387000
2000
som du synes er lidt mærkelig,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
f.eks. denne CAPTCHA. (Tekst: usynlig brødrister)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Det du så skal gøre, er at tage et skærmbillede af den.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Og så skal du selvfølgelig lige udfylde CAPTCHA'en,
06:50
because you help us digitize a book.
172
395000
2000
fordi du hjælper os med at digitalisere en bog.
06:52
But then, first you take a screen shot,
173
397000
2000
Men altså, først skal du tage et skærmbillede,
06:54
and then you draw something that is related to it.
174
399000
2000
og derefter tegner du noget, der har relation til den.
06:56
(Laughter)
175
401000
2000
(Latter)
06:58
That's how it works.
176
403000
3000
Det er sådan, det fungerer.
07:01
There are tens of thousands of these.
177
406000
3000
Der er titusindvis af dem.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Nogle af dem er meget søde. (Tekst: knyttede den)
07:06
(Laughter)
179
411000
2000
(Latter)
07:08
Some of them are funnier.
180
413000
2000
Nogle af dem er sjovere.
07:10
(Text: stoned founders)
181
415000
3000
(Tekst: stenede grundlæggere)
07:13
(Laughter)
182
418000
3000
(Latter)
07:16
And some of them,
183
421000
2000
Og nogle af dem,
07:18
like paleontological shvisle,
184
423000
3000
som palæontologisk shvisle,
07:21
they contain Snoop Dogg.
185
426000
2000
indeholder Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Latter)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
OK, det her er mit yndlingstal for reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Det er, hvad jeg allerbedst kan lide ved hele projektet.
07:31
This is the number of distinct people
189
436000
2000
Det er antallet af individuelle personer,
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
der har hjulpet os med at digitalisere mindst ét ord i en bog via reCAPTCHA:
07:36
750 million,
191
441000
2000
750 millioner,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
hvilket er lidt over 10 procent af verdens befolkning,
07:40
has helped us digitize human knowledge.
193
445000
2000
har hjulpet os med at digitalisere menneskelig viden.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Og det er tal som disse, der motiverer mig i min forskning.
07:45
So the question that motivates my research is the following:
195
450000
3000
Det spørgsmål, der motiverer min forskning, er følgende:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Hvis man ser på, hvad menneskeheden har opnået af store ting,
07:50
these really big things
197
455000
2000
de virkelig store ting,
07:52
that humanity has gotten together and done historically --
198
457000
3000
som menneskeheden historisk har lavet i fællesskab -
07:55
like for example, building the pyramids of Egypt
199
460000
2000
f.eks. pyramiderne i Egypten
07:57
or the Panama Canal
200
462000
2000
eller Panamakanalen
07:59
or putting a man on the Moon --
201
464000
2000
eller at sende en mand til månen -
08:01
there is a curious fact about them,
202
466000
2000
er der en besynderlig ting, de har til fælles,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
og det er, at de alle blev udført af det samme antal mennesker.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
Det er mærkeligt. De blev alle udført af ca. 100.000 personer.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Og grunden til dette er, at før internettet, var det
08:11
coordinating more than 100,000 people,
206
476000
2000
at koordinere mere end 100.000 mennesker
08:13
let alone paying them, was essentially impossible.
207
478000
3000
for ikke at tale om at betale dem - stort set umuligt.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Men nu, hvor vi har internettet, har jeg lige vist jer et projekt,
08:18
where we've gotten 750 million people
209
483000
2000
hvor vi har 750 millioner mennesker,
08:20
to help us digitize human knowledge.
210
485000
2000
der hjælper os med at digitalisere menneskelig viden.
08:22
So the question that motivates my research is,
211
487000
2000
Så det spørgsmål, der motiverer min forskning er,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
hvis vi kan sende en mand til månen med 100.000,
08:27
what can we do with 100 million?
213
492000
2000
hvad kan vi så gøre med 100 millioner?
08:29
So based on this question,
214
494000
2000
Så på grundlag af dette spørgsmål
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
har vi arbejdet på mange forskellige projekter.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Lad mig fortælle jer om et projekt, jeg er meget spændt på.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Det er noget, vi har arbejdet på lidt i det stille
08:38
for the last year and a half or so.
218
503000
2000
i det sidste halvandet års tid.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Det er ikke offentliggjort endnu. Det kaldes Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Og da det ikke er offentliggjort, så...shyyy.
08:44
(Laughter)
221
509000
2000
(Latter)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Ja, jeg kan stole på, at I gør det.
08:48
So this is the project. Here's how it started.
223
513000
2000
Det her er projektet. Sådan startede det.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Det startede ved at jeg stillede min ph.d.-studerende,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker, et spørgsmål.
08:54
Okay, that's Severin Hacker.
226
519000
2000
OK, det er Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Jeg stillede min ph.d.-studerende et spørgsmål.
08:58
By the way, you did hear me correctly;
228
523000
2000
Og ja, I hørte rigtigt:
09:00
his last name is Hacker.
229
525000
2000
Hans efternavn er Hacker.
09:02
So I posed this question to him:
230
527000
2000
Jeg stillede ham dette spørgsmål:
09:04
How can we get 100 million people
231
529000
2000
Hvordan kan vi få 100 millioner mennesker
09:06
translating the Web into every major language for free?
232
531000
3000
til at oversætte internettet til alle hovedsprog gratis?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
OK, der er meget, man kan sige om dette spørgsmål.
09:11
First of all, translating the Web.
234
536000
2000
For det første om at oversætte internettet.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Lige nu er internettet opdelt i flere sprog.
09:16
A large fraction of it is in English.
236
541000
2000
En stor del af det er på engelsk.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Hvis du ikke kan engelsk, har du ikke adgang til den.
09:20
But there's large fractions in other different languages,
238
545000
2000
Men der er store dele på andre sprog,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
og hvis du ikke kan disse sprog, har du ikke adgang til dem.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Altså vil jeg gerne oversætte hele internettet, eller i det mindste det meste af internettet,
09:28
into every major language.
241
553000
2000
til hver hovedsprog.
09:30
So that's what I would like to do.
242
555000
2000
Det er, hvad jeg kunne tænke mig at gøre.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Nogle af jer vil måske sige, hvorfor kan vi ikke bruge computere til at oversætte med?
09:35
Why can't we use machine translation?
244
560000
2000
Hvorfor kan vi ikke bruge maskinoversættelse?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Maskinoversættelse i dag er begyndt at oversætte nogle sætninger her og der.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Hvorfor kan vi ikke bruge det til at oversætte hele internettet?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Tja, problemet er, at det ikke er godt nok endnu,
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
og det bliver det sikkert ikke de næste 15 til 20 år.
09:45
It makes a lot of mistakes.
249
570000
2000
Der laves en masse fejl.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Selv når det ikke laver fejl,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
netop fordi det laver så mange fejl, kan du ikke være sikker på, om du kan stole på oversættelsen.
09:52
So let me show you an example
252
577000
2000
Lad mig vise jer et eksempel
09:54
of something that was translated with a machine.
253
579000
2000
på noget, der er oversat af en maskine.
09:56
Actually it was a forum post.
254
581000
2000
Det er faktisk et indlæg fra et forum.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
En person forsøgte at stille et spørgsmål om JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Det blev oversat fra japansk til engelsk.
10:04
So I'll just let you read.
257
589000
2000
I kan bare få lov at læse.
10:06
This person starts apologizing
258
591000
2000
Denne person begynder med at undskylde
10:08
for the fact that it's translated with a computer.
259
593000
2000
for, at det er oversat med en computer.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Så den næste sætning vil være indledningen til spørgsmålet.
10:13
So he's just explaining something.
261
598000
2000
Han forklarer bare noget.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Husk, det er et spørgsmål vedrørende JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Tekst: Ofte gede-tiden installerer en fejl er opkast.)
10:23
(Laughter)
264
608000
4000
(Latter)
10:27
Then comes the first part of the question.
265
612000
3000
Derefter kommer den første del af spørgsmålet.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Tekst: Hvor mange gange som vinden, en pæl og dragen?)
10:34
(Laughter)
267
619000
2000
(Latter)
10:36
Then comes my favorite part of the question.
268
621000
3000
Derefter kommer den del af spørgsmålet, jeg holder mest af.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Tekst: Dette fornærmelse til fars sten?)
10:42
(Laughter)
270
627000
2000
(Latter)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Og så afslutningen, som er det allerbedste af det hele.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Tekst: Undskyld venligst for Deres dumhed. Der er mange tak.)
10:51
(Laughter)
273
636000
2000
(Latter)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
OK, så maskinoversættelse er ikke godt nok endnu.
10:55
So back to the question.
275
640000
2000
Tilbage til spørgsmålet.
10:57
So we need people to translate the whole Web.
276
642000
3000
Vi vil gerne have, at mennesker oversætter hele internettet.
11:00
So now the next question you may have is,
277
645000
2000
Det næste spørgsmål, I måske vil stille, er,
11:02
well why can't we just pay people to do this?
278
647000
2000
hvorfor kan vi ikke bare betale nogen for at gøre det?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Vi kunne betale professionelle oversættere for at oversætte hele internettet.
11:07
We could do that.
280
652000
2000
Det kunne vi.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Desværre ville det være ekstremt dyrt.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
For eksempel ville prisen for at oversætte en lille-bitte del af hele internettet, Wikipedia,
11:14
into one other language, Spanish.
283
659000
3000
til et andet sprog, spansk.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia findes på spansk,
11:19
but it's very small compared to the size of English.
285
664000
2000
men det er meget lille sammenlignet med størrelsen på engelsk.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Spansk er ca. 20 procent af størrelsen af engelsk.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Hvis vi ønskede at oversætte de sidste 80 procent til spansk,
11:26
it would cost at least 50 million dollars --
288
671000
2000
ville det koste mindst 50 millioner dollars -
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
og det ville være i selv det grovest udnyttede, outsourcing-land vi kunne finde.
11:31
So it would be very expensive.
290
676000
2000
Så det ville være dyrt.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Det vi vil gøre i stedet er at få 100 millioner mennesker
11:35
translating the Web into every major language
292
680000
2000
til at oversætte internettet til alle hovedsprog
11:37
for free.
293
682000
2000
gratis.
11:39
Now if this is what you want to do,
294
684000
2000
Hvis det er det, du gerne vil,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
vil du hurtigt finde ud af, at du støder på to ganske store hurdler,
11:43
two big obstacles.
296
688000
2000
to store forhindringer.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Den første er manglen på tosprogede.
11:48
So I don't even know
298
693000
2000
Jeg ved ikke engang,
11:50
if there exists 100 million people out there using the Web
299
695000
3000
om der findes 100 millioner mennesker derude, som bruger internettet,
11:53
who are bilingual enough to help us translate.
300
698000
2000
og som er tilstrækkeligt tosprogede til at hjælpe os med at oversætte.
11:55
That's a big problem.
301
700000
2000
Det er et stort problem.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
Det andet problem, du vil støde på, er manglende motivation.
11:59
How are we going to motivate people
303
704000
2000
Hvordan vil vi motivere folk
12:01
to actually translate the Web for free?
304
706000
2000
til faktisk at oversætte internettet gratis?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalt bliver man nødt til at betale folk for at gøre det.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Hvordan vil vi så motivere dem til at gøre det gratis?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Da vi begyndte at tænke på dette, blev vi blokeret af disse to spørgsmål.
12:11
But then we realized, there's actually a way
308
716000
2000
Men så fandt vi ud af, at der faktisk er en måde,
12:13
to solve both these problems with the same solution.
309
718000
2000
hvorpå vi kan løse begge disse problemer med samme løsning.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Der var en måde, vi kunne slå to fluer med ét smæk.
12:17
And that is to transform language translation
311
722000
3000
Det er, hvis vi laver oversættelse af sprog
12:20
into something that millions of people want to do,
312
725000
3000
om til noget, som millioner af mennesker gerne vil,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
og som også hjælper på problemet med manglen på tosprogede,
12:26
and that is language education.
314
731000
3000
og det er sproglig uddannelse.
12:29
So it turns out that today,
315
734000
2000
Det viser sig, at der i dag
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
er over 1,2 milliarder mennesker, der er ved at lære et fremmedsprog.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Folk vil virkelig, virkelig gerne lære et fremmedsprog.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Og det er ikke bare, fordi de bliver tvunget til det i skolen.
12:39
For example, in the United States alone,
319
744000
2000
For eksempel er der alene i USA
12:41
there are over five million people who have paid over $500
320
746000
2000
over 5 millioner mennesker, der har betalt over 500 $
12:43
for software to learn a new language.
321
748000
2000
for software, der kan bruges til at lære et nyt sprog.
12:45
So people really, really want to learn a new language.
322
750000
2000
Så folk vil virkelig, virkelig gerne lære et nyt sprog.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Det som vi har arbejdet på det seneste halvandet år, er et nyt websted -
12:50
it's called Duolingo --
324
755000
2000
det hedder Duolingo -
12:52
where the basic idea is people learn a new language for free
325
757000
3000
hvor den grundlæggende tanke er, at folk lærer et nyt sprog gratis,
12:55
while simultaneously translating the Web.
326
760000
2000
mens de samtidig oversætter internettet.
12:57
And so basically they're learning by doing.
327
762000
2000
Så helt basalt er det læring ved praktisk arbejde.
12:59
So the way this works
328
764000
2000
Det virker på den måde, at
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
hvis du bare er begynder, giver vi dig meget, meget simple sætninger.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Der er selvfølgelig mange meget simple sætninger på internettet.
13:06
We give you very, very simple sentences
331
771000
2000
Vi giver dig meget, meget simple sætninger
13:08
along with what each word means.
332
773000
2000
sammen med oplysninger om, hvad hvert ord betyder.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Og mens du oversætter dem, og når du kan se, hvordan andre mennesker oversætter dem,
13:13
you start learning the language.
334
778000
2000
begynder du at lære sproget.
13:15
And as you get more and more advanced,
335
780000
2000
Og efterhåndens som du stiger i niveau,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
giver vi dig mere komplicerede sætninger at oversætte.
13:19
But at all times, you're learning by doing.
337
784000
2000
Men du lærer hele tiden, mens du oversætter.
13:21
Now the crazy thing about this method
338
786000
2000
Det skøre ved denne metode er,
13:23
is that it actually really works.
339
788000
2000
at den faktisk virker.
13:25
First of all, people are really, really learning a language.
340
790000
2000
For det første vil folk virkelig, virkelig gerne lære et sprog.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Vi er næsten færdige med det, og vi er ved at teste det.
13:29
People really can learn a language with it.
342
794000
2000
Folk kan virkelig lære et sprog med det.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Og de lærer det cirka lige så hurtigt som ved hjælp af den førende software til sprogundervisning.
13:34
So people really do learn a language.
344
799000
2000
Så folk lærer faktisk et sprog.
13:36
And not only do they learn it as well,
345
801000
2000
Og ikke alene lærer de det lige så godt,
13:38
but actually it's way more interesting.
346
803000
2000
men det er faktisk mere interessant.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Fordi med Duoling lærer man faktisk med virkeligt indhold.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Modsat når man lærer med sætninger, der er opdigtet,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
lærer folk med virkeligt indhold, som helt naturligt vil være interessant.
13:48
So people really do learn a language.
350
813000
2000
Så folk lærer virkelig et sprog.
13:50
But perhaps more surprisingly,
351
815000
2000
Men det som er mere overraskende er,
13:52
the translations that we get from people using the site,
352
817000
3000
at de oversættelser, vi får fra personer, der bruger webstedet,
13:55
even though they're just beginners,
353
820000
2000
også selv om de bare er begyndere,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
de oversættelser, vi får, er ligeså korrekte, som oversætteler fra professionelle oversætter,
14:00
which is very surprising.
355
825000
2000
og det er meget overraskende.
14:02
So let me show you one example.
356
827000
2000
Lad mig vise jer et eksempel.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Dette er en sætning, der er blevet oversat fra tysk til engelsk.
14:06
The top is the German.
358
831000
2000
Den øverste er tysk.
14:08
The middle is an English translation
359
833000
2000
Den midterste er en engelsk oversættelse,
14:10
that was done by somebody who was a professional English translator
360
835000
2000
der er lavet af en, som var professionel engelsk-oversætter,
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
som vi har betalt 20 cent pr. ord for denne oversættelse.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Den nederste oversættelse er lavet af brugere af Duolingo,
14:17
none of whom knew any German
363
842000
2000
hvoraf ingen kunne tysk,
14:19
before they started using the site.
364
844000
2000
før de begyndte at bruge webstedet.
14:21
You can see, it's pretty much perfect.
365
846000
2000
I kan se, at det er nærmest perfekt.
14:23
Now of course, we play a trick here
366
848000
2000
Vi bruger selvfølgelig et trick her,
14:25
to make the translations as good as professional language translators.
367
850000
2000
så oversættelserne bliver ligeså gode som dem fra professionelle oversættere.
14:27
We combine the translations of multiple beginners
368
852000
3000
Vi kombinerer oversættelserne fra flere begyndere,
14:30
to get the quality of a single professional translator.
369
855000
3000
så vi får samme kvalitet som fra en enkelt professionel oversætter.
14:33
Now even though we're combining the translations,
370
858000
5000
Selv om vi kombinerer oversættelserne,
14:38
the site actually can translate pretty fast.
371
863000
2000
kan webstedet faktisk oversætte ret hurtigt.
14:40
So let me show you,
372
865000
2000
Lad mig vise jer det.
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
Dette er, hvor lang tid vi regner med, det vil tage at oversætte Wikipedia
14:44
from English into Spanish.
374
869000
2000
fra engelsk til spansk.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Husk, det har en værdi af 50 millioner dollars.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Så hvis vi ville oversætte Wikipedia til spansk,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
kunne vi gøre det på fem uger med 100.000 aktive brugere.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Og vi kunne gøre det på ca. 80 timer med en million aktive brugere.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
eftersom alle projekter, min gruppe har arbejdet på indtil nu, har fået millioner af brugere,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
har vi gode forhåbninger til, at vi vil kunne
15:02
extremely fast with this project.
381
887000
2000
oversætte meget hurtigt med dette projekt.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Det som jeg synes er mest spændende ved Duolingo,
15:07
is I think this provides a fair business model for language education.
383
892000
3000
er, at det efter min mening giver en fair forretningsmodel for sprogundervisning.
15:10
So here's the thing:
384
895000
2000
Det jeg mener, er dette:
15:12
The current business model for language education
385
897000
2000
Den nuværende forretningsmodel for sprogundervisning er,
15:14
is the student pays,
386
899000
2000
at den studerende betaler,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
og særligt: den studerende betaler Rosetta Stone 500 dollar.
15:18
(Laughter)
388
903000
2000
(Latter)
15:20
That's the current business model.
389
905000
2000
Det er den nuværende forretningsmodel.
15:22
The problem with this business model
390
907000
2000
Problemet med denne forretningsmodel er,
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
at 95 procent af verdens befolkning ikke har 500 dollar.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Derfor er det ekstremt urimeligt i forhold til de fattige.
15:30
This is totally biased towards the rich.
393
915000
2000
Denne model tilgodeser kun de rige.
15:32
Now see, in Duolingo,
394
917000
2000
Men se, i Duolingo
15:34
because while you learn
395
919000
2000
eftersom du, mens du lærer,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
faktisk skaber værdi - du oversætter noget -
15:39
which for example, we could charge somebody for translations.
397
924000
3000
som vi f.eks. kunne tage betaling for oversættelser.
15:42
So this is how we could monetize this.
398
927000
2000
Dette er en måde, vi kunne gøre dette kommercielt på
15:44
Since people are creating value while they're learning,
399
929000
2000
Da folk skaber værdi, mens de lærer,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
behøver de ikke at betale med penge, men de betaler med deres tid.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Men det magiske her er, at de betaler med deres tid,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
men det er tid, som de ville have været nødt til at bruge alligevel,
15:54
learning the language.
403
939000
2000
mens de lærte sproget.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Så det fine ved Duolingo, synes jeg, er, at det giver en fair forretningsmodel -
15:59
one that doesn't discriminate against poor people.
405
944000
2000
en model, der ikke diskriminerer mod fattige mennesker.
16:01
So here's the site. Thank you.
406
946000
2000
Så her er webstedet. Mange tak.
16:03
(Applause)
407
948000
8000
(Bifald)
16:11
So here's the site.
408
956000
2000
Så her er webstedet.
16:13
We haven't yet launched,
409
958000
2000
Vi har ikke offentliggjort det endnu,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
men hvis i besøger siden, kan I tilmelde jer og blive end del af vores private betagruppe,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
som sikkert starter om tre til fire uger.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Vi har ikke startet denne version af Duolingo endnu.
16:22
By the way, I'm the one talking here,
413
967000
2000
Forresten, nu er det er mig, der taler her,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
men faktisk er Duolingo lavet af et virkelig fantastisk team, hvor af nogen er her i dag.
16:27
So thank you.
415
972000
2000
Så mange tak.
16:29
(Applause)
416
974000
4000
(Bifald)
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