TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Collaboration en ligne à grande échelle
Filmed:
Readability: 3.8
1,740,008 views
Après avoir remanié CAPTCHA pour que chaque réponse entrée par un humain contribue à numériser des livres, Luis von Ahn s'est demandé s'il pouvait utiliser de petites contributions de chacun sur Internet pour un plus grand bénéfice. A TEDxCMU, il nous a expliqué comment son ambitieux nouveau projet, Duolingo, aidera des millions de personnes à apprendre une langue tout en traduisant rapidement et efficacement le contenu Internet, le tout gratuitement.
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
Combien d'entre vous ont déjà rempli ce type de formulaire
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
où vous devez lire une séquence de caractères tordue comme celle-là?
00:19
How many of you found it really, really annoying?
2
4000
2000
Combien d'entre vous trouvent ça vraiment, vraiment pénible?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Excellent. Donc c'est moi qui l'ait inventé.
00:24
(Laughter)
4
9000
2000
(Rires)
00:26
Or I was one of the people who did it.
5
11000
2000
Enfin j'étais une des personnes qui l'a fait.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Cette chose s'appelle un CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Et il est là pour s'assurer que l'entité qui remplit le formulaire
00:32
are actually a human and not some sort of computer program
8
17000
3000
est bien un humain et non pas un programme
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
écrit pour soumettre le formulaire des millions de fois.
00:37
The reason it works is because humans,
10
22000
2000
Cela fonctionne car les humains,
00:39
at least non-visually-impaired humans,
11
24000
2000
ou au moins les humains qui voient bien,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
n'ont aucun problème à lire les caractères déformés,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
alors que les programmes ne peuvent pas encore le faire.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Par exemple, dans le cas de Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
la raison pour laquelle vous avez ce type de caractères déformés
00:50
is to prevent scalpers from writing a program
16
35000
2000
est d'empêcher les spéculateurs d'écrire un programme
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
qui pourrait acheter des millions de tickets, deux par deux.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
Les CAPTCHAs sont utilisés partout sur internet.
00:56
And since they're used so often,
19
41000
2000
Et comme ils sont utilisés très souvent,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
la séquence aléatoire de caractères présentée à l'utilisateur
01:00
is not so fortunate.
21
45000
2000
n'est pas toujours très heureuse.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Voilà un exemple sur la page d'inscription de Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Les caractères aléatoires présentés à l'utilisateur
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
soit W,A,I,T (Attendre en français), épellent bien sûr un nom
01:10
But the best part is the message
25
55000
3000
Mais le meilleur c'est le message
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
reçu par le support client de Yahoo 20 minutes plus tard.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
"A l'aide! J'ai déjà attendu 20 minutes et rien ne se passe."
01:19
(Laughter)
28
64000
4000
(Rires)
01:23
This person thought they needed to wait.
29
68000
2000
Cette personne a cru qu'elle devait attendre.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Evidemment, c'est moins pire que cette pauvre personne. (Restart = Redémarrer)
01:28
(Laughter)
31
73000
2000
(Rires)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
CAPTCHA est un projet que nous avons mis sur pied ici à Carnegie Mellon il y a plus de 10 ans,
01:33
and it's been used everywhere.
33
78000
2000
et il a été utilisé partout.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Maintenant un projet que nous avons initié quelques années plus tard,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
qui est une sorte d'évolution du CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Ce projet s'appelle reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
que nous avons commencé ici à Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
et nous avons ensuite créé une startup.
01:46
And then about a year and a half ago,
39
91000
2000
Puis, il y a environ 1 an et demi,
01:48
Google actually acquired this company.
40
93000
2000
Google a acheté la compagnie.
01:50
So let me tell you what this project started.
41
95000
2000
Laissez moi vous raconter comment le projet a commencé.
01:52
So this project started from the following realization:
42
97000
3000
Il a commencé avec la constatation suivante:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Il se trouve qu'environ 200 millions de CAPTCHAs
01:57
are typed everyday by people around the world.
44
102000
3000
sont saisis tous les jours dans le monde.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Quand j'ai entendu cela, j'étais assez fier de moi.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
J'ai pensé: "Regarde l'impact de ce projet de recherche".
02:04
But then I started feeling bad.
47
109000
2000
Et puis je me suis senti mal.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Parce que vous voyez, chaque fois que vous tapez un CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
en fait, vous perdez 10 secondes de votre temps.
02:11
And if you multiply that by 200 million,
50
116000
2000
Et si vous multipliez çà par 200 millions,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
vous vous retrouverez avec l'humanité qui perd environ 500 000 heures par jour
02:16
typing these annoying CAPTCHAs.
52
121000
2000
en tapant ces maudits CAPTCHAs.
02:18
So then I started feeling bad.
53
123000
2000
Alors je me suis senti très mal.
02:20
(Laughter)
54
125000
2000
(Rires)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Alors j'ai pensé que, évidemment, on ne pouvait pas supprimer les CAPTCHAs,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
parce que la sécurité du web dépend d'eux en quelque sorte.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Et je me suis demandé s'il y avait une façon d'utiliser cet effort
02:30
for something that is good for humanity?
58
135000
2000
pour quelque chose de bénéfique pour l'humanité?
02:32
So see, here's the thing.
59
137000
2000
Alors voilà l'affaire.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Pendant que vous tapez un CAPTCHA, pendant ces 10 secondes,
02:36
your brain is doing something amazing.
61
141000
2000
votre cerveau fait quelque chose d'incroyable.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Votre cerveau fait quelque chose que les ordinateurs ne savent pas encore faire.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Alors peut-on vous amener à faire quelque chose d'utile de ces 10 secondes?
02:43
Another way of putting it is,
64
148000
2000
Une autre façon de le présenter est:
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
Y a t'il un problème monstre que nous ne pouvons pas encore demander aux ordinateurs de résoudre,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
que nous pourrions découper en petites bouchées de 10 secondes,
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
de façon à ce que chaque fois que quelqu'un résout un CAPTCHA
02:52
they solve a little bit of this problem?
68
157000
2000
il résolve une petite partie du problème?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Et la réponse est oui, et c'est ce que nous faisons maintenant.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Ce que vous ignorez peut-être c'est que, de nos jours, chaque fois que vous tapez un CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
vous ne faites pas que vous authentifier comme humain,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
mais en plus vous aidez à numériser des livres.
03:03
So let me explain how this works.
73
168000
2000
Laissez moi vous expliquer comment ça marche.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Il y a de nombreux projets en cours pour numériser des livres.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google en a un. Internet Archive en a un.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, maintenant avec le Kindle, essaye de numériser des livres.
03:12
Basically the way this works
77
177000
2000
En fait, la façon dont cela fonctionne
03:14
is you start with an old book.
78
179000
2000
est que vous commencez avec un vieux livre.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Vous avez déjà vu ce genre de truc n'est ce pas? Un livre?
03:18
(Laughter)
80
183000
2000
(Rires)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Donc vous prenez un livre et vous le scannez.
03:22
Now scanning a book
82
187000
2000
Scanner un livre
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
c'est comme prendre une photo numérique de chaque page du livre.
03:26
It gives you an image for every page of the book.
84
191000
2000
Cela vous donne une image par page.
03:28
This is an image with text for every page of the book.
85
193000
2000
Une image avec du texte pour chaque page de livre.
03:30
The next step in the process
86
195000
2000
La prochaine étape
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
est que l'ordinateur doit être capable de déchiffrer tous les mots de cette image.
03:35
That's using a technology called OCR,
88
200000
2000
On utilise la technologie appelée OCR,
03:37
for optical character recognition,
89
202000
2000
pour Optical Character Recognition (Reconnaissance Optique des Caractères)
03:39
which takes a picture of text
90
204000
2000
qui prend la photo du texte
03:41
and tries to figure out what text is in there.
91
206000
2000
et essaie de déterminer quel texte est écrit.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Mais le problème c'est que l'OCR n'est pas parfait.
03:45
Especially for older books
93
210000
2000
En particulier pour les plus vieux livres
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
quand l'encre est devenue plus pâle et que les pages ont jaunies,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
l'OCR ne reconnaît pas beaucoup de mots.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Par exemple, les choses qui ont été écrites il y a plus de 50 ans,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
l'ordinateur ne peut reconnaître que 30% des mots.
03:57
So what we're doing now
98
222000
2000
Alors, ce que nous faisons aujourd'hui
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
c'est que nous prenons tous les mots que l'ordinateur ne peut pas reconnaître
04:01
and we're getting people to read them for us
100
226000
2000
et nous demandons à des gens de les lire pour nous
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
pendant qu'ils tapent un CAPTCHA sur internet.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Alors la prochaine fois que vous taperez un CAPTCHA, les mots que vous taperez
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
seront en fait des mots venant de livres que l'on numérise
04:11
that the computer could not recognize.
104
236000
2000
mais que l'ordinateur n'a pas su reconnaître.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Et maintenant, voilà pourquoi nous avons deux mots maintenant au lieu d'un:
04:15
is because, you see, one of the words
106
240000
2000
c'est que, vous voyez, un des mots
04:17
is a word that the system just got out of a book,
107
242000
2000
est un mot que le système a extrait d'un livre,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
qu'il n'a pas reconnu et il va vous le présenter
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Mais comme nous ne savons pas quelle est la bonne réponse, cela ne suffit pas à vous qualifier.
04:25
So what we do is we give you another word,
110
250000
2000
Donc nous vous présentons un autre mot,
04:27
one for which the system does know the answer.
111
252000
2000
un pour lequel le système connaît la réponse.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
On ne vous dit pas lequel est lequel et on vous demande de taper les deux.
04:31
And if you type the correct word
113
256000
2000
Et si vous saisissez correctement le mot
04:33
for the one for which the system already knows the answer,
114
258000
2000
pour lequel le système connaît déjà la réponse,
04:35
it assumes you are human,
115
260000
2000
il suppose que vous êtes humain,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
et il a aussi confiance que vous avez saisi correctement l'autre mot.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Et si nous répétons ce procédé avec 10 personnes différentes
04:42
and all of them agree on what the new word is,
118
267000
2000
et qu'elles sont toutes d'accord sur le nouveau mot,
04:44
then we get one more word digitized accurately.
119
269000
2000
nous avons un mot de plus numérisé correctement.
04:46
So this is how the system works.
120
271000
2000
Voilà comment cela fonctionne.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Et depuis que nous avons lancé cette version il y a 3 ou 4 ans,
04:51
a lot of websites have started switching
122
276000
2000
de nombreux sites ont changé
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
du vieux CAPTCHA qui faisait perdre du temps au gens
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
au nouveau, grâce auquel les gens aident à numériser des livres.
04:57
So for example, Ticketmaster.
125
282000
2000
Par exemple, Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Donc chaque fois que vous achetez un billet sur Ticketmaster, vous aidez à numériser un livre.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: chaque fois que vous ajoutez un ami ou envoyez un poke,
05:04
you help to digitize a book.
128
289000
2000
vous aidez à numériser un livre.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter et environ 350 000 autres sites utilisent reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Et en fait, le nombre de sites qui utilisent reCAPTCHA est si important
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
que le nombre de mots que nous numérisons par jour est vraiment, vraiment grand.
05:14
It's about 100 million a day,
132
299000
2000
De l'ordre de 100 millions par jour,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
ce qui correspond à environ 2,5 millions de livres par an.
05:20
And this is all being done one word at a time
134
305000
2000
Et tout cela est fait un mot à la fois
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
par des personnes qui saisissent des CAPTCHAs sur internet.
05:24
(Applause)
136
309000
8000
(Applaudissements)
05:32
Now of course,
137
317000
2000
Alors évidemment,
05:34
since we're doing so many words per day,
138
319000
2000
comme nous utilisons tant de mots par jour,
05:36
funny things can happen.
139
321000
2000
il peut arriver de drôles de situations.
05:38
And this is especially true because now we're giving people
140
323000
2000
Et c'est encore plus vrai maintenant que nous présentons aux gens
05:40
two randomly chosen English words next to each other.
141
325000
2000
2 mots choisis au hasard l'un à côté de l'autre.
05:42
So funny things can happen.
142
327000
2000
Donc il arrive de drôles de choses.
05:44
For example, we presented this word.
143
329000
2000
Par exemple, nous avons présenté ce mot.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
C'est le mot "Chrétiens"; pas de problème avec çà.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Mais si vous le présentez avec un autre mot choisi au hasard,
05:51
bad things can happen.
146
336000
2000
les choses peuvent mal tourner.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Alors on a eu ça. (mauvais Chrétiens)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Mais le pire, c'est que le site sur lequel nous avons présenté ça
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
s'appelle l'Ambassade du Royaume de Dieu.
06:01
(Laughter)
150
346000
2000
(Rires)
06:03
Oops.
151
348000
2000
Oups.
06:05
(Laughter)
152
350000
3000
(Rires)
06:08
Here's another really bad one.
153
353000
2000
En voilà un autre très mauvais.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Maudit libéral)
06:15
(Laughter)
156
360000
2000
(Rires)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Alors on insulte des gens à droite et à gauche tous les jours.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Mais évidemment, on ne fait pas qu'insulter les gens.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Parce que vous voyez, dés qu'on présente 2 mots choisis au hasard,
06:25
interesting things can happen.
160
370000
2000
il peut se passer des choses intéressantes.
06:27
So this actually has given rise
161
372000
2000
Cela a donné naissance
06:29
to a really big Internet meme
162
374000
3000
à un grand mouvement internet
06:32
that tens of thousands of people have participated in,
163
377000
2000
auquel des milliers de personnes participent,
06:34
which is called CAPTCHA art.
164
379000
2000
qui s'appelle CAPTCHA art.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Je suis sûr que certains d'entre vous en ont entendu parler.
06:38
Here's how it works.
166
383000
2000
Voilà comment ça marche.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Imaginez que vous utilisez internet et voyez un CAPTCHA
06:42
that you think is somewhat peculiar,
168
387000
2000
que vous trouvez vraiment particulier,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
comme celui là (Grille-pain invisible)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Vous en faites une impression écran.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Evidemment, vous saisissez le CAPTCHA
06:50
because you help us digitize a book.
172
395000
2000
car vous aidez à numériser un livre.
06:52
But then, first you take a screen shot,
173
397000
2000
Mais donc, premièrement vous faites une impression écran,
06:54
and then you draw something that is related to it.
174
399000
2000
et vous dessinez quelque chose qui lui correspond.
06:56
(Laughter)
175
401000
2000
(Rires)
06:58
That's how it works.
176
403000
3000
C'est comme ça que ça marche.
07:01
There are tens of thousands of these.
177
406000
3000
Il y en a des dizaines de milliers comme ça.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Certains sont vraiment mignons. (Je l'ai empoigné)
07:06
(Laughter)
179
411000
2000
(Rires)
07:08
Some of them are funnier.
180
413000
2000
Certains sont plus drôles.
07:10
(Text: stoned founders)
181
415000
3000
(Fondateurs drogués)
07:13
(Laughter)
182
418000
3000
(Rires)
07:16
And some of them,
183
421000
2000
Et certains,
07:18
like paleontological shvisle,
184
423000
3000
comme "paleontological shvisle",
07:21
they contain Snoop Dogg.
185
426000
2000
font apparaître Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Rires)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Alors, voilà mon chiffre favori sur reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
C'est la chose que je préfère dans tout ce projet.
07:31
This is the number of distinct people
189
436000
2000
C'est le nombre de personnes différentes
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
qui ont aidé à numériser au moins un mot d'un livre grâce à reCAPTCHA:
07:36
750 million,
191
441000
2000
750 millions,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
un peu plus de 10% de la population mondiale,
07:40
has helped us digitize human knowledge.
193
445000
2000
a aidé à numériser le savoir humain.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Et ce sont des chiffres comme ceux là qui me motivent dans mes recherches.
07:45
So the question that motivates my research is the following:
195
450000
3000
Alors la question qui motive mes recherches est:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Si on regarde les réalisations les plus importantes de l'humanité,
07:50
these really big things
197
455000
2000
les plus grandes choses
07:52
that humanity has gotten together and done historically --
198
457000
3000
que l'humanité a réalisé historiquement --
07:55
like for example, building the pyramids of Egypt
199
460000
2000
comme par exemple, construire les pyramides d'Egypte
07:57
or the Panama Canal
200
462000
2000
ou le canal de Panama
07:59
or putting a man on the Moon --
201
464000
2000
ou envoyer un homme sur la Lune --
08:01
there is a curious fact about them,
202
466000
2000
on constate une chose curieuse
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
c'est qu'elles ont toutes été réalisées avec le même nombre de personnes.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
C'est bizarre; elles ont été faites avec environ 100 000 personnes.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Et c'est parce que, avant internet,
08:11
coordinating more than 100,000 people,
206
476000
2000
coordonner plus de 100 000 personnes,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
et en plus les payer, était quasiment impossible.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Mais maintenant avec internet, je vous ai montré un projet
08:18
where we've gotten 750 million people
209
483000
2000
où nous avons 750 millions de personnes
08:20
to help us digitize human knowledge.
210
485000
2000
pour aider à numériser le savoir humain.
08:22
So the question that motivates my research is,
211
487000
2000
Alors la question qui me motive est,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
si l'on arrive à mettre un homme sur la Lune avec 100 000 personnes,
08:27
what can we do with 100 million?
213
492000
2000
que peut-on faire avec 100 millions?
08:29
So based on this question,
214
494000
2000
A partir de cette question,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
nous travaillons sur beaucoup de projets différents.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Laissez moi vous parler d'un qui m'intéresse particulièrement.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
C'est quelque chose sur lequel on travaille discrètement
08:38
for the last year and a half or so.
218
503000
2000
depuis la dernière année et demie.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Il n'a pas encore été lancé. Il s'appelle Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Comme il n'a pas encore été lancé, chut!
08:44
(Laughter)
221
509000
2000
(Rires)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Oui, je peux vous faire confiance là-dessus.
08:48
So this is the project. Here's how it started.
223
513000
2000
Alors voici le projet. Voilà comment il a commencé.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
J'ai posé une question a un de mes étudiants,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Voilà Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Donc je lui ai posé la question.
08:58
By the way, you did hear me correctly;
228
523000
2000
Au fait, vous m'avez bien entendu;
09:00
his last name is Hacker.
229
525000
2000
son nom c'est Hacker.
09:02
So I posed this question to him:
230
527000
2000
Donc je lui demande:
09:04
How can we get 100 million people
231
529000
2000
Comment pouvons nous avoir 100 millions de personnes
09:06
translating the Web into every major language for free?
232
531000
3000
qui traduiraient le web dans toutes les langues principales gratuitement?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Il y a beaucoup de choses à dire à ce propos.
09:11
First of all, translating the Web.
234
536000
2000
Premièrement, traduire le web.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Aujourd'hui le web est divisé dans de multiples langues.
09:16
A large fraction of it is in English.
236
541000
2000
Une grande partie est en anglais.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Si vous ne connaissez pas l'anglais, vous ne pouvez pas y avoir accès.
09:20
But there's large fractions in other different languages,
238
545000
2000
Mais il y a de grandes parties dans d'autres langues,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
et si vous ne les connaissez pas, vous ne pouvez pas y avoir accès.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Donc je voudrais traduire le web, ou au moins une grande partie,
09:28
into every major language.
241
553000
2000
dans chaque grande langue.
09:30
So that's what I would like to do.
242
555000
2000
C'est ça que je voudrais faire.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Vous pourriez me demander, pourquoi ne pas utiliser des ordinateurs pour le faire?
09:35
Why can't we use machine translation?
244
560000
2000
Pourquoi ne pas utiliser un traducteur automatique?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Les traducteurs automatiques commencent à traduire des phrases çà et là.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Pourquoi ne pas les utiliser pour traduire tout le web?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Le problème est qu'ils ne sont pas encore assez bons
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
et ne le seront probablement pas avant 15-20 ans.
09:45
It makes a lot of mistakes.
249
570000
2000
Ils font beaucoup d'erreurs.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Et même quand ils ne font pas d'erreurs,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
comme ils font beaucoup d'erreurs, vous ne savez pas si vous pouvez leur faire confiance.
09:52
So let me show you an example
252
577000
2000
Je vais vous montrer un exemple
09:54
of something that was translated with a machine.
253
579000
2000
de quelque chose traduit avec une machine.
09:56
Actually it was a forum post.
254
581000
2000
En fait, c'est une question sur un forum.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Quelqu'un essayait de poser une question à propos de JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Il a été traduit du japonais à l'anglais.
10:04
So I'll just let you read.
257
589000
2000
Je vous laisse lire.
10:06
This person starts apologizing
258
591000
2000
La personne commence en s'excusant
10:08
for the fact that it's translated with a computer.
259
593000
2000
pour le fait de l'avoir traduit avec un ordinateur.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
La phrase suivante est le préambule à sa question.
10:13
So he's just explaining something.
261
598000
2000
Il explique juste ce qu'il s'est passé.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Rappelez vous que c'est une question de JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Par souvent, le chèvre-temps installe une erreur est vomi)
10:23
(Laughter)
264
608000
4000
(Rires)
10:27
Then comes the first part of the question.
265
612000
3000
Arrive la première partie de sa question.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Combien de fois comme le vent, un poteau, et le dragon?)
10:34
(Laughter)
267
619000
2000
(Rires)
10:36
Then comes my favorite part of the question.
268
621000
3000
Et voilà ma partie préférée.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Cela insulte les bijoux du père?)
10:42
(Laughter)
270
627000
2000
(Rires)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Et la fin, ce que je préfère.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Merci de vous excuser de votre bêtise. Il y en a beaucoup merci.)
10:51
(Laughter)
273
636000
2000
(Rires)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Bon, alors, la traduction automatique n'est pas assez bonne
10:55
So back to the question.
275
640000
2000
Revenons à la question.
10:57
So we need people to translate the whole Web.
276
642000
3000
Nous avons besoin des gens pour traduire le web.
11:00
So now the next question you may have is,
277
645000
2000
La prochaine question que vous avez peut-être,
11:02
well why can't we just pay people to do this?
278
647000
2000
on ne peut pas simplement les payer pour le faire?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Nous pourrions payer des traducteurs professionnels pour traduire tout le web.
11:07
We could do that.
280
652000
2000
On pourrait le faire.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Malheureusement, ce serait très coûteux.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Par exemple, traduire une petite, petite part du web, Wikipedia,
11:14
into one other language, Spanish.
283
659000
3000
dans une langue, l'espagnol.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia existe en espagnol,
11:19
but it's very small compared to the size of English.
285
664000
2000
mais il est vraiment petit comparé à l'anglais.
11:21
It's about 20 percent of the size of English.
286
666000
2000
C'est à peu près 20% de l'anglais.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Si on veut traduire l'autre 80% en espagnol,
11:26
it would cost at least 50 million dollars --
288
671000
2000
cela coûterait au moins 50 millions de dollars --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
et c'est en utilisant la main d'oeuvre la plus exploitée dans un pays là-bas.
11:31
So it would be very expensive.
290
676000
2000
Donc ce serait très coûteux.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Ce que nous voulons c'est avoir 100 millions de personnes
11:35
translating the Web into every major language
292
680000
2000
qui traduiraient le web dans toutes les grandes langues
11:37
for free.
293
682000
2000
gratuitement.
11:39
Now if this is what you want to do,
294
684000
2000
Maintenant si c'est ce que vous voulez faire,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
vous voyez que vous allez être confronté
11:43
two big obstacles.
296
688000
2000
a deux gros obstacles.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Le premier est le manque de personnes bilingues.
11:48
So I don't even know
298
693000
2000
Je ne sais même pas
11:50
if there exists 100 million people out there using the Web
299
695000
3000
s'il existe 100 millions de personnes qui utilisent le web
11:53
who are bilingual enough to help us translate.
300
698000
2000
et qui sont assez bilingues pour nous aider à traduire.
11:55
That's a big problem.
301
700000
2000
C'est un gros problème.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
L'autre problème auquel vous êtes confronté est le manque de motivation.
11:59
How are we going to motivate people
303
704000
2000
Comment motiver des gens
12:01
to actually translate the Web for free?
304
706000
2000
à traduire le web gratuitement?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalement, vous devez les payer pour ça.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Alors, comment les motiver pour qu'ils le fassent gratuitement?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Quand nous avons commencé à réfléchir, nous avons été bloqués par ces deux choses.
12:11
But then we realized, there's actually a way
308
716000
2000
Mais nous avons réalisé qu'il y a une façon
12:13
to solve both these problems with the same solution.
309
718000
2000
de résoudre ces problèmes en une solution.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Il y a une façon de faire d'une pierre deux coups.
12:17
And that is to transform language translation
311
722000
3000
Et c'est de transformer la traduction
12:20
into something that millions of people want to do,
312
725000
3000
en quelque chose que des millions de personnes veulent faire,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
et cela aide aussi pour le manque de bilingues,
12:26
and that is language education.
314
731000
3000
et c'est l'apprentissage des langues.
12:29
So it turns out that today,
315
734000
2000
Il se trouve qu'aujourd'hui
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
il y a plus de 1,2 milliards de personnes qui apprennent une langue étrangère.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Les gens veulent vraiment, vraiment apprendre une autre langue.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Et ce n'est pas juste parce qu'ils sont obligés à l'école.
12:39
For example, in the United States alone,
319
744000
2000
Par exemple, rien qu'aux Etats-Unis,
12:41
there are over five million people who have paid over $500
320
746000
2000
il y a plus de 5 millions de personnes qui ont payé plus de 500$
12:43
for software to learn a new language.
321
748000
2000
pour un logiciel de langue.
12:45
So people really, really want to learn a new language.
322
750000
2000
Donc les gens veulent vraiment, vraiment apprendre une autre langue.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Donc on travaille depuis un an et demi sur un nouveau site --
12:50
it's called Duolingo --
324
755000
2000
il s'appelle Duolingo --
12:52
where the basic idea is people learn a new language for free
325
757000
3000
et l'idée c'est que les gens apprennent une nouvelle langue gratuitement
12:55
while simultaneously translating the Web.
326
760000
2000
en même temps qu'ils traduisent le web.
12:57
And so basically they're learning by doing.
327
762000
2000
Et donc ils apprennent en faisant.
12:59
So the way this works
328
764000
2000
Donc la façon dont ça marche
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
c'est que si vous êtes débutant, on vous donne des phrases très très faciles
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Il y a évidemment beaucoup de phrases très faciles sur le web.
13:06
We give you very, very simple sentences
331
771000
2000
On vous donne des phrases très faciles
13:08
along with what each word means.
332
773000
2000
et la signification de chaque mot.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Et en les traduisant, et en voyant les autres les traduire,
13:13
you start learning the language.
334
778000
2000
vous commencez à apprendre la langue.
13:15
And as you get more and more advanced,
335
780000
2000
Et au fur et à mesure que vous avancez,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
on vous donne des phrases de plus en plus complexes à traduire.
13:19
But at all times, you're learning by doing.
337
784000
2000
Mais en tout temps, vous apprenez en faisant.
13:21
Now the crazy thing about this method
338
786000
2000
Ce qui est fou avec cette méthode
13:23
is that it actually really works.
339
788000
2000
c'est que ça marche vraiment.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Premièrement, les gens apprennent vraiment la langue.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Nous avons presque fini de le construire et nous le testons.
13:29
People really can learn a language with it.
342
794000
2000
Les gens apprennent réellement une langue avec le site.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Et ils apprennent aussi bien qu'avec le meilleur logiciel d'apprentissage.
13:34
So people really do learn a language.
344
799000
2000
Donc les gens apprennent vraiment une langue.
13:36
And not only do they learn it as well,
345
801000
2000
Et non seulement ils l'apprennent bien,
13:38
but actually it's way more interesting.
346
803000
2000
mais en plus, c'est plus intéressant.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Parce qu'avec Duolingo, les gens apprennent avec du vrai contenu.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Par opposition à apprendre des phrases toutes faites,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
les gens apprennent avec du vrai contenu qui est intéressant.
13:48
So people really do learn a language.
350
813000
2000
Les gens apprennent vraiment une langue.
13:50
But perhaps more surprisingly,
351
815000
2000
Mais ce qui est peut-être plus étonnant,
13:52
the translations that we get from people using the site,
352
817000
3000
les traductions que nous obtenons des utilisateurs,
13:55
even though they're just beginners,
353
820000
2000
même si ce sont juste des débutants,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
les traductions sont aussi précises que celles des traducteurs professionnels,
14:00
which is very surprising.
355
825000
2000
ce qui est très surprenant.
14:02
So let me show you one example.
356
827000
2000
Je vous montre un exemple.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Voilà une phrase qui a été traduite de l'allemand à l'anglais.
14:06
The top is the German.
358
831000
2000
En haut c'est de l'allemand.
14:08
The middle is an English translation
359
833000
2000
Au milieu, la traduction en anglais
14:10
that was done by somebody who was a professional English translator
360
835000
2000
faite par un traducteur professionnel
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
que nous avons payé 20 cents le mot pour cette traduction.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Et en bas, la traduction par les utilisateurs de Duolingo
14:17
none of whom knew any German
363
842000
2000
qui ne connaissaient pas l'allemand
14:19
before they started using the site.
364
844000
2000
avant de commencer à utiliser le site.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Vous voyez que c'est presque parfait.
14:23
Now of course, we play a trick here
366
848000
2000
Evidemment, nous avons une astuce ici
14:25
to make the translations as good as professional language translators.
367
850000
2000
pour obtenir une traduction aussi bonne que celle d'un professionnel.
14:27
We combine the translations of multiple beginners
368
852000
3000
Nous combinons les traductions de plusieurs débutants
14:30
to get the quality of a single professional translator.
369
855000
3000
pour avoir la qualité d'un seul traducteur professionnel.
14:33
Now even though we're combining the translations,
370
858000
5000
Mais même en combinant les traductions,
14:38
the site actually can translate pretty fast.
371
863000
2000
le site peut en fait traduire assez rapidement.
14:40
So let me show you,
372
865000
2000
Je vais vous montrer,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
voilà une estimation de la vitesse à laquelle nous pourrions traduire Wikipedia
14:44
from English into Spanish.
374
869000
2000
de l'anglais à l'espagnol.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Rappelez vous que cela vaut 50 millions de dollars.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Donc si nous voulions traduire Wikipedia en espagnol,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
nous pourrions le faire en 5 semaines avec 100 000 utilisateurs actifs.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Et en 80 heures avec un million d'utilisateurs actifs.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Vu que tous les projets sur lesquels nous avons travaillé à ce jour on eu des millions d'utilisateurs,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
nous espérons pouvoir traduire
15:02
extremely fast with this project.
381
887000
2000
très rapidement avec ce nouveau projet.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Maintenant ce qui m'intéresse le plus avec Duolingo
15:07
is I think this provides a fair business model for language education.
383
892000
3000
c'est que je pense que cela donne un bon modèle d'affaires pour l'enseignement des langues.
15:10
So here's the thing:
384
895000
2000
Donc voilà:
15:12
The current business model for language education
385
897000
2000
Le modèle d'affaires actuel
15:14
is the student pays,
386
899000
2000
est que l'étudiant paie,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
et concrètement, l'étudiant paie Rosetta Stone 500 dollars.
15:18
(Laughter)
388
903000
2000
(Rires)
15:20
That's the current business model.
389
905000
2000
C'est le modèle actuel.
15:22
The problem with this business model
390
907000
2000
Le problème avec ce modèle d'affaires
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
c'est que 95% des gens de la planète n'ont pas 500 dollars.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Donc c'est très injuste pour les pauvres.
15:30
This is totally biased towards the rich.
393
915000
2000
C'est complètement orienté vers les riches.
15:32
Now see, in Duolingo,
394
917000
2000
Vous voyez, avec Duolingo,
15:34
because while you learn
395
919000
2000
puisque pendant que vous apprenez
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
vous créez de la valeur, vous traduisez des choses --
15:39
which for example, we could charge somebody for translations.
397
924000
3000
nous pourrions par exemple faire payer quelqu'un pour une traduction.
15:42
So this is how we could monetize this.
398
927000
2000
Donc voilà comment nous pouvons le monétiser.
15:44
Since people are creating value while they're learning,
399
929000
2000
Puisque les gens créent de la valeur en apprenant,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
ils n'ont pas à payer avec de l'argent, ils paient avec leur temps.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Mais la magie c'est qu'ils paient avec leur temps,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
mais ce temps aurait été dépensé de toute façon
15:54
learning the language.
403
939000
2000
pour apprendre la langue.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Donc ce qui est beau avec Duolingo je pense c'est qu'il propose un bon modèle d'affaires --
15:59
one that doesn't discriminate against poor people.
405
944000
2000
un qui ne discrimine pas les pauvres.
16:01
So here's the site. Thank you.
406
946000
2000
Ah et voilà le site. Merci.
16:03
(Applause)
407
948000
8000
(Applaudissements)
16:11
So here's the site.
408
956000
2000
Voilà le site.
16:13
We haven't yet launched,
409
958000
2000
Nous ne l'avons pas encore lancé,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
mais si vous y allez, vous pouvez faire partie de notre phase beta privée,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
qui commencera sûrement d'ici 3 ou 4 semaines.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Nous n'avons pas encore lancé Duolingo.
16:22
By the way, I'm the one talking here,
413
967000
2000
Au fait, c'est moi qui parle ici
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
mais Duolingo est le fruit du travail d'une équipe formidable dont certains sont ici aujourd'hui.
16:27
So thank you.
415
972000
2000
Alors merci.
16:29
(Applause)
416
974000
4000
(Applaudissements)
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