TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Tömeges online együttműködés
Filmed:
Readability: 3.8
1,740,008 views
Miután új célt adott a CAPTCHA-knak, hogy az emberek által begépelt válaszok könyvek digitalizálását segítsék, Luis von Ahn azon töprengett, hogy még hogyan lehetne felhasználni egy nagyobb cél érdekében sok-sok ember picinyke közreműködését az interneten. A TEDxCMU rendezvényen megosztja velünk, hogy az ambíciózus új projektje - a Duolingo - miként fog millióknak segíteni egy új nyelv megtanulásában mialatt a webet fordítják gyorsan és pontosan -- és mindezt ráadásul ingyen.
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
Hány embernek kellett már Önök közül kitöltenie egy webes űrlapot,
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
ahol arra kérték, hogy értelmezzen egy eltorzult karaktersort,
00:19
How many of you found it really, really annoying?
2
4000
2000
mint mondjuk ez itt?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Hányan találták ezt nagyon idegesítőnek?
00:24
(Laughter)
4
9000
2000
Rendben, kiváló. Ezt én találtam fel. (Nevetés)
00:26
Or I was one of the people who did it.
5
11000
2000
Vagyis egyike voltam azoknak, akik feltalálták.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Ezt nevezik CAPTCHA-nak.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
És azért van ott, hogy biztosítsa, hogy Ön, vagyis az entitás, aki kitölti az űrlapot
00:32
are actually a human and not some sort of computer program
8
17000
3000
valóban egy ember és nem valamilyen számítógépes program,
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
amit azért írtak, hogy milliószor és milliószor kitöltse az űrlapot.
00:37
The reason it works is because humans,
10
22000
2000
Azért működik, mert az emberek,
00:39
at least non-visually-impaired humans,
11
24000
2000
legalábbis a nem-látássérült emberek,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
könnyedén el tudják olvasni ezeket az eltorzult, girbegurba karaktereket,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
míg a számítógépes programok még nem igazán képesek erre.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Tehát például a Ticketmaster esetében
00:48
the reason you have to type these distorted characters
15
33000
2000
azért kell Önnek begépelnie ezeket az eltorzult karaktereket,
00:50
is to prevent scalpers from writing a program
16
35000
2000
hogy megakadályozzuk a jegyüzéreket egy olyan program írásában,
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
mellyel kettesével ugyan, de jegyek millióit vehetnék meg.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
CAPTCHA-kat szerte az interneten használnak,
00:56
And since they're used so often,
19
41000
2000
és mivel olyan gyakran használják őket, előfordul,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
hogy a véletlenszerű karakterek konkrét sorrendje, amit a felhasználó lát
01:00
is not so fortunate.
21
45000
2000
nem épp a legszerencsésebb.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Itt egy példa a Yahoo regisztrációs oldaláról.
01:05
The random characters that happened to be shown to the user
23
50000
2000
A véletlenszerű karakterek, amiket a felhasználó látott
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
W, A, I és T voltak, amik persze kiadnak egy szót. ("Várj")
01:10
But the best part is the message
25
55000
3000
De a történet legszebb része az az üzenet,
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
amit a Yahoo ügyfélszolgálata kapott úgy 20 perccel később.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
"Segítség! Több mint 20 perce várok, és nem történik semmi."
01:19
(Laughter)
28
64000
4000
(Nevetés)
01:23
This person thought they needed to wait.
29
68000
2000
A felhasználó azt hitte várnia kell.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Ez persze nem olyan rossz, mint ez a szegény felhasználó.
01:28
(Laughter)
31
73000
2000
"Restart" - "Újraindítás"
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
A CAPTCHA Projektet úgy 10 éve kezdtük itt a Carnegie Melllon Egyetemen (Pennsylvania, USA),
01:33
and it's been used everywhere.
33
78000
2000
és azóta mindenütt használják.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Hadd meséljek most egy másik projektről, ami pár évvel később kezdtünk,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
ami nagyjából a CAPTCHA következő fejlődési állomása.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Ezt a projektet úgy hívjuk, hogy reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
és szintén itt a Carnegie Mellon Egyetemen kezdtünk hozzá,
01:44
then we turned it into a startup company.
38
89000
2000
majd alapítottunk egy céget a folytatáshoz.
01:46
And then about a year and a half ago,
39
91000
2000
Aztán úgy másfél évvel ezelőtt
01:48
Google actually acquired this company.
40
93000
2000
a Google megvette ezt a céget.
01:50
So let me tell you what this project started.
41
95000
2000
Hadd meséljem el mibe kezdett bele ez a projekt.
01:52
So this project started from the following realization:
42
97000
3000
Ez a projekt a következő felismerésből indult:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Kiderült, hogy hozzávetőlegesen 200 millió CAPTCHA-t
01:57
are typed everyday by people around the world.
44
102000
3000
gépelnek be az emberek naponta, szerte a világon.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Mikor ezt először hallottam, elég büszke voltam magamra.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Azt gondoltam, nézzenek oda micsoda hatása lett a kutatásomnak.
02:04
But then I started feeling bad.
47
109000
2000
Viszont nem sokkal később rossz érzésem támadt.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Az a helyzet, hogy minden alkalommal mikor valaki begépel egy CAPTCHA-t,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
tulajdonképpen veszít 10 másodpercet az életéből,
02:11
And if you multiply that by 200 million,
50
116000
2000
és ha ezt megszorozzuk 200 millióval, azt kapjuk,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
hogy az egész emberiség úgy 500.000 órát pazarol el naponta arra,
02:16
typing these annoying CAPTCHAs.
52
121000
2000
hogy ezeket az idegesítő CAPTCHA-kat begépelje.
02:18
So then I started feeling bad.
53
123000
2000
Ekkor kezdtem magam rosszul érezni.
02:20
(Laughter)
54
125000
2000
(Nevetés)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Először arra gondoltam, hogy nem szabadulhatunk meg csak úgy a CAPTCHA-któl
02:25
because the security of the Web sort of depends on them.
56
130000
2000
hiszen a web biztonsága részben ezektől függ.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Aztán azon kezdtem gondolkozni, hogy nem tudnánk-e felhasználni ezt az erőfeszítést
02:30
for something that is good for humanity?
58
135000
2000
valamire, ami hasznos az emberiségnek?
02:32
So see, here's the thing.
59
137000
2000
Nos... a következőre jöttünk rá.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Amikor valaki begépel egy CAPTCHA-t, abban a 10 másodpercben
02:36
your brain is doing something amazing.
61
141000
2000
az illető agya valami csodálatos dolgot művel.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Az emberi agy olyasmikre képes, amikre a számítógépek még nem.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Szóval hogyan hasznosíthatnánk ezeket a 10 másodperceket?
02:43
Another way of putting it is,
64
148000
2000
Másképpen fogalmazva,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
létezik-e olyan hatalmas probléma, amit még nem tudunk számítógépekkel megoldani,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
de fel tudunk darabolni picinyke 10 másodperces szeletekre,
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
amiket egy felhasználó könnyedén meg tud oldani,
02:52
they solve a little bit of this problem?
68
157000
2000
mialatt megold egy CAPTCHA-t?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
A válasz "igen", és pontosan ez az amit jelenleg csinálunk.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Talán nem tudják, de ha mostanában begépelnek egy CAPTCHA-t,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
nem csak hitelesítik magukat, mint emberi lények,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
de ráadásul segítenek nekünk könyveket digitalizálni.
03:03
So let me explain how this works.
73
168000
2000
Hadd magyarázzam el hogyan is működik ez.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Sok projekt létezik, melyben könyveket próbálnak digitalizálni.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
A Google-nek is van egy ilyen projektje, és az Internet Archívumnak is.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Az Amazon is, most épp a Kindle e-book olvasójához, szintén próbál könyveket digitalizálni.
03:12
Basically the way this works
77
177000
2000
Ez alapvetően úgy történik,
03:14
is you start with an old book.
78
179000
2000
hogy fognak egy régi könyvet...
03:16
You've seen those things, right? Like a book?
79
181000
2000
Láttak már ilyen dolgokat ugye? Mármint könyveket...
03:18
(Laughter)
80
183000
2000
(Nevetés)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Szóval fognak egy könyvet, és beszkennelik az egészet.
03:22
Now scanning a book
82
187000
2000
Namármost beszkennelni egy könyvet, olyan
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
mintha a könyv minden oldaláról készítenénk egy digitális fotót.
03:26
It gives you an image for every page of the book.
84
191000
2000
Lesz egy képünk a könyv összes oldaláról,
03:28
This is an image with text for every page of the book.
85
193000
2000
ahol mindegyik képen rengeteg szöveg van.
03:30
The next step in the process
86
195000
2000
A folyamat következő lépése, hogy a számítógépnek
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
képesnek kell lennie felismerni a képen található összes szót.
03:35
That's using a technology called OCR,
88
200000
2000
Ehhez egy OCR nevű technológiát használnak,
03:37
for optical character recognition,
89
202000
2000
ami az 'Optical Character Recognition' rövidítése, (optikai karakterfelismerés)
03:39
which takes a picture of text
90
204000
2000
ami fog egy képet egy szövegről,
03:41
and tries to figure out what text is in there.
91
206000
2000
és megpróbálja kitalálni, hogy milyen szöveg van benne.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
A probléma az, hogy az OCR nem tökéletes.
03:45
Especially for older books
93
210000
2000
Különösen régi könyvek esetén,
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
ahol elmosódott a tinta és megsárgultak a lapok,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
az OCR sok szót nem képes felismerni.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Például ha valamit több mint 50 évvel ezelőtt írtak,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
a számítógép úgy a szavak 30 százalékát nem képes felismerni.
03:57
So what we're doing now
98
222000
2000
Tehát, amit mi csinálunk az az, hogy
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
fogjuk az összes szót, amit a számítógép nem ismer fel,
04:01
and we're getting people to read them for us
100
226000
2000
és embereket veszünk rá, hogy értelmezzék őket,
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
mialatt begépelnek egy CAPTCHA-t az interneten.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Tehát a következő alkalommal mikor begépelnek egy CAPTCHA-t, ezek a szavak, amiket begépelnek
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
valójában digitalizálás alatt álló könyvekből való szavak,
04:11
that the computer could not recognize.
104
236000
2000
amiket a számítógép nem tudott felismerni.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Azért láthatnak mostanában két szót egy helyett,
04:15
is because, you see, one of the words
106
240000
2000
mert ezen szavak egyike, egy olyan szó,
04:17
is a word that the system just got out of a book,
107
242000
2000
amit a rendszer épp most szedett ki egy könyvből,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
mivel nem tudta mi az, és így Önöknek fogja megmutatni.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
De mivel a rendszer nem tudja mi a szó, így nem képes értékelni a válaszok helyességét.
04:25
So what we do is we give you another word,
110
250000
2000
Ezért adunk egy másik szót is,
04:27
one for which the system does know the answer.
111
252000
2000
aminek a rendszer ténylegesen tudja a jelentését.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Nem mondjuk meg melyik szó melyik, csak arra kérjük, hogy gépelje be mindkettőt.
04:31
And if you type the correct word
113
256000
2000
És ha begépelik a megfelelő szót,
04:33
for the one for which the system already knows the answer,
114
258000
2000
aminek a rendszer már tudja a jelentését,
04:35
it assumes you are human,
115
260000
2000
akkor feltételezi, hogy Önök emberek,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
és bizalommal feltételezi, hogy a másik szót is helyesen gépelték be.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
És ha ezt az eljárást megismételjük 10 különböző emberrel,
04:42
and all of them agree on what the new word is,
118
267000
2000
és mindegyikük egyetért az új szó helyes begépelésében,
04:44
then we get one more word digitized accurately.
119
269000
2000
akkor sikerült egy újabb szót pontosan digitalizálnunk.
04:46
So this is how the system works.
120
271000
2000
Tehát így működik a rendszer.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
És mivel úgy négy vagy öt éve tettük közzé,
04:51
a lot of websites have started switching
122
276000
2000
sok weboldal átállt a régi CAPTCHA-ról,
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
amivel az emberek az idejüket vesztegették, az új CAPTHCA-ra,
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
amivel segítenek nekünk könyveket digitalizálni.
04:57
So for example, Ticketmaster.
125
282000
2000
Tehát például a Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Minden alkalommal, mikor vesznek egy jegyet a Ticketmasteren, segítenek digitalizálni egy könyvet.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: minden alkalommal mikor megjelölnek valakit ismerősként, vagy megböknek valakit,
05:04
you help to digitize a book.
128
289000
2000
segítenek digitalizálni egy könyvet.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
A Twitter is, és körülbelül 350.000 másik weboldal is a reCAPTCHA-t használ.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Valójában olyan magas a reCAPTCHA-t használó weboldalak száma,
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
hogy a naponta digitalizált szavak száma igencsak óriási.
05:14
It's about 100 million a day,
132
299000
2000
Körülbelül 100 millió naponta,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
ami úgy 2.5 millió könyvnek felel meg évente.
05:20
And this is all being done one word at a time
134
305000
2000
És mindezt szavanként érjük el,
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
azzal, hogy az emberek CAPTCHA-kat gépelnek az interneten.
05:24
(Applause)
136
309000
8000
(Taps)
05:32
Now of course,
137
317000
2000
Természetesen,
05:34
since we're doing so many words per day,
138
319000
2000
mivel ilyen sok szóval dolgozunk naponta,
05:36
funny things can happen.
139
321000
2000
vicces dolgok fordulhatnak elő.
05:38
And this is especially true because now we're giving people
140
323000
2000
És ez most ráadásul különösen igaz, mivel most már két,
05:40
two randomly chosen English words next to each other.
141
325000
2000
véletlenszerűen választott angol szót adunk az embereknek egymás mellett.
05:42
So funny things can happen.
142
327000
2000
Így valóban vicces dolgok történhetnek.
05:44
For example, we presented this word.
143
329000
2000
Egyszer például ezt a szót jelenítettük meg.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Ez a "Keresztények" szó, semmi baj nincs vele.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Azonban ha egy másik véletlenszerűen választott szóval együtt jelenítjük meg,
05:51
bad things can happen.
146
336000
2000
szörnyű dolgok történhetnek.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Így láthatjuk például ezt: "rossz keresztények"
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
De a helyzet még ennél is rosszabb, hiszen a weboldal, ahol ezt a két szót mutattuk,
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
éppenséggel az "Isten Királyságának Követsége" nevet viselte.
06:01
(Laughter)
150
346000
2000
(Nevetés)
06:03
Oops.
151
348000
2000
Hoppá.
06:05
(Laughter)
152
350000
3000
(Nevetés)
06:08
Here's another really bad one.
153
353000
2000
Itt egy másik borzasztó eset.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com (liberális politikus az Egyesült Államokban)
06:12
(Text: Damn liberal)
155
357000
3000
"Átkozott liberális"
06:15
(Laughter)
156
360000
2000
(Nevetés)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Szóval naponta sértegetjük az embereket bal és jobb oldalon egyaránt.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Persze nem csak sértegetjük őket.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Tudják az a helyzet, hogy mióta két véletlenszerű szót mutatunk,
06:25
interesting things can happen.
160
370000
2000
érdekes dolgok tudnak megesni.
06:27
So this actually has given rise
161
372000
2000
Igazából a jelenség egy meglehetősen nagy
06:29
to a really big Internet meme
162
374000
3000
internetes mémmé nőtte ki magát,
06:32
that tens of thousands of people have participated in,
163
377000
2000
amiben emberek tízezrei vettek részt,
06:34
which is called CAPTCHA art.
164
379000
2000
és amit CAPTCHA művészetnek hívunk.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Bizonyára néhányan már hallottak róla.
06:38
Here's how it works.
166
383000
2000
A következőképpen működik.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Képzeljék el, hogy internetezés közben látnak egy CAPTCHA-t,
06:42
that you think is somewhat peculiar,
168
387000
2000
amit valamiért különlegesnek tartanak,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
mint például ez a CAPTCHA: "láthatatlan kenyérpirító".
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Ilyenkor készítenek egy képernyőképet,
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
aztán persze kitöltik a CAPTCHA-t,
06:50
because you help us digitize a book.
172
395000
2000
mert segítenek nekünk könyveket digitalizálni,
06:52
But then, first you take a screen shot,
173
397000
2000
de aztán... először csinálnak egy képernyőképet,
06:54
and then you draw something that is related to it.
174
399000
2000
és aztán rajzolnak valami odaillőt.
06:56
(Laughter)
175
401000
2000
"láthatatlan kenyérpirító" (Nevetés)
06:58
That's how it works.
176
403000
3000
Ez így működik.
07:01
There are tens of thousands of these.
177
406000
3000
Több tízezer van ezekből.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Némelyikük nagyon édes: "összeszorítottam"
07:06
(Laughter)
179
411000
2000
"összeszorítottam" (Nevetés)
07:08
Some of them are funnier.
180
413000
2000
Némelyik viccesebb.
07:10
(Text: stoned founders)
181
415000
3000
"betépett alapítók"
07:13
(Laughter)
182
418000
3000
"betépett alapítók" (Nevetés)
07:16
And some of them,
183
421000
2000
És némelyiken,
07:18
like paleontological shvisle,
184
423000
3000
mint a "paleontológikus shvizén"-n,
07:21
they contain Snoop Dogg.
185
426000
2000
még Snoop Dogg is feltűnik.
07:23
(Laughter)
186
428000
3000
(Nevetés)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Oké, ez a kedvenc reCAPTCHA-s számom,
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
vagyis ez az, amit leginkább kedvelek ebben a projektben.
07:31
This is the number of distinct people
189
436000
2000
Ez a különböző emberek száma, akik segítettek nekünk
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
a reCAPTCHA-n keresztül digitalizálni akár csak egyetlen szavát egy könyvnek.
07:36
750 million,
191
441000
2000
750 millió ember,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
ami valamivel több, mint a világ lakosságának 10 százaléka,
07:40
has helped us digitize human knowledge.
193
445000
2000
segített nekünk az emberi tudás digitalizálásában.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
És ezek azok a számok, amik leginkább motiválják a kutatási céljaimat.
07:45
So the question that motivates my research is the following:
195
450000
3000
A következő kérdés motiválja a kutatásaimat:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Ha az emberiség nagyléptékű eredményeit tekintjük,
07:50
these really big things
197
455000
2000
azokat melyek igazán hatalmasak,
07:52
that humanity has gotten together and done historically --
198
457000
3000
melyekben az emberiség összefogott egy történelmi tettre,
07:55
like for example, building the pyramids of Egypt
199
460000
2000
mint például az egyiptomi piramisok megépítése,
07:57
or the Panama Canal
200
462000
2000
vagy a Panama Csatorna megépítése,
07:59
or putting a man on the Moon --
201
464000
2000
vagy az első ember Holdra juttatása.
08:01
there is a curious fact about them,
202
466000
2000
Van egy közös vonás mindezekben,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
mégpedig az, hogy mindegyikhez körülbelül ugyanannyi ember munkája kellett,
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
ami elég fura. Mindegyik úgy 100.000 ember munkájával jött létre.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
És ennek az az oka, hogy az internet előtt
08:11
coordinating more than 100,000 people,
206
476000
2000
100.000 embernél többet koordinálni,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
nemhogy megfizetni, lényegében lehetetlen volt.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
De manapság van internetünk, és épp most mutattam Önöknek
08:18
where we've gotten 750 million people
209
483000
2000
egy projektet, melyben 750 millió ember
08:20
to help us digitize human knowledge.
210
485000
2000
segít nekünk digitalizálni az emberi tudást.
08:22
So the question that motivates my research is,
211
487000
2000
Tehát a kérdés, ami a kutatásaimat motiválja az az,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
hogy ha képesek vagyunk 100.000 emberrel embert juttatni a Holdra,
08:27
what can we do with 100 million?
213
492000
2000
akkor mire vagyunk képesek 100 millió emberrel?
08:29
So based on this question,
214
494000
2000
Erre a kérdésre alapozva,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
rengeteg különböző projekttel foglalkoztunk.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Az egyikkel kapcsolatban különösen izgatott vagyok.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Az elmúlt másfél évben ezen dolgoztunk,
08:38
for the last year and a half or so.
218
503000
2000
viszonylag csendesen.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Hivatalosan még nem indult el. Duolingo a neve.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Mivel még nem indult el, pssszt!
08:44
(Laughter)
221
509000
2000
(Nevetés)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Oké, megbízom magukban.
08:48
So this is the project. Here's how it started.
223
513000
2000
Tehát erről szól a projekt, és a következőképp indult.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Azzal kezdődött, hogy feltettem egy kérdést az egyik végzős hallgatómnak,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker-nek.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Oké, ő itt Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Szóval feltettem a kérdést egy végzős hallgatómnak.
08:58
By the way, you did hear me correctly;
228
523000
2000
Egyébként jól hallották,
09:00
his last name is Hacker.
229
525000
2000
a vezetékneve Hacker.
09:02
So I posed this question to him:
230
527000
2000
Feltettem neki a kérdést:
09:04
How can we get 100 million people
231
529000
2000
Hogyan tehetünk szert 100 millió emberre,
09:06
translating the Web into every major language for free?
232
531000
3000
akik ingyen lefordítják a webet minden nagyobb nyelvre?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Rendben, tehát egy jó pár dolgot el kell mondani a kérdésről.
09:11
First of all, translating the Web.
234
536000
2000
Először is a web lefordítása.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Ebben a pillanatban a web számos nyelvre van felosztva.
09:16
A large fraction of it is in English.
236
541000
2000
Egy nagy része angol.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Ha nem tudnak angolul, nem tudnak hozzáférni.
09:20
But there's large fractions in other different languages,
238
545000
2000
De vannak hatalmas részei más nyelveken is,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
melyekhez szintén nem fér hozzá, aki nem beszél azokon a nyelveken.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Én az egész webet szeretném lefordítani, legalábbis a nagy részét
09:28
into every major language.
241
553000
2000
minden nagyobb nyelvre.
09:30
So that's what I would like to do.
242
555000
2000
Ezt szeretném tenni.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Néhányan talán most azt kérdezik, hogy miért nem használunk számítógépeket a fordításhoz?
09:35
Why can't we use machine translation?
244
560000
2000
Miért nem használhatunk gépi fordítást?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
A gépi fordítás manapság már lefordít néhány mondatot itt-ott.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Miért nem használjuk arra, hogy lefordítsuk az egész webet?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Nos a probléma ezzel az, hogy még nem elég pontos,
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
és valószínűleg nem is lesz az a következő 15-20 évben.
09:45
It makes a lot of mistakes.
249
570000
2000
Sokat hibázik.
09:47
Even when it doesn't make a mistake,
250
572000
2000
És még akkor is, mikor nem téved,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
mivel olyan sok hibát vét, nem tudhatjuk, hogy megbízhatunk-e benne.
09:52
So let me show you an example
252
577000
2000
Hadd mutassak egy példát
09:54
of something that was translated with a machine.
253
579000
2000
valamire, ami gépi fordítással készült.
09:56
Actually it was a forum post.
254
581000
2000
Igazából ez egy fórum hozzászólás.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Valaki a JavaScriptről próbált kérdezni valamit.
10:01
It was translated from Japanese into English.
256
586000
3000
Japánról lett angolra fordítva.
10:04
So I'll just let you read.
257
589000
2000
Oké, hagyom, hogy elolvassák.
10:06
This person starts apologizing
258
591000
2000
Az író bocsánatkéréssel kezdi
10:08
for the fact that it's translated with a computer.
259
593000
2000
amiért a fordítást géppel végezte.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
A következő mondat a kérdés bevezetője,
10:13
So he's just explaining something.
261
598000
2000
szóval az író csak magyaráz valamit.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Ne feledjék, a kérdés a JavaScript nyelvről szól.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
"Gyakran a kecske-idő telepítésekor az hiba hányódik."
10:23
(Laughter)
264
608000
4000
(Nevetés)
10:27
Then comes the first part of the question.
265
612000
3000
Aztán jön a kérdés első része.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
"Milyen sokszor mint a szél, egy rúd és egy sárkány?"
10:34
(Laughter)
267
619000
2000
(Nevetés)
10:36
Then comes my favorite part of the question.
268
621000
3000
Aztán a kedvenc részem következik.
10:39
(Text: This insult to father's stones?)
269
624000
3000
"Ez sérti az apák köveit?"
10:42
(Laughter)
270
627000
2000
(Nevetés)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Aztán jön a lezárás, ami a kedvencem az egész szövegben.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
"Elnézést kérek a butaságotokért. Nagyon sok köszönet van nektek."
10:51
(Laughter)
273
636000
2000
(Nevetés)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Oké, tehát a gépi fordítás még nem elég jó.
10:55
So back to the question.
275
640000
2000
Tehát vissza a kérdéshez.
10:57
So we need people to translate the whole Web.
276
642000
3000
Emberekre van szükségünk, hogy lefordítsuk a webet.
11:00
So now the next question you may have is,
277
645000
2000
A következő kérdés, amit feltehetnének,
11:02
well why can't we just pay people to do this?
278
647000
2000
hogy miért nem fizethetünk ezért az embereknek?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Felvehetnénk hivatásos fordítókat, hogy lefordítsák az egész webet.
11:07
We could do that.
280
652000
2000
Megtehetnénk.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Sajnálatos módon ez elképesztően drága lenne.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Vegyük például a web egy aprócska részének, a Wikipédiának a
11:14
into one other language, Spanish.
283
659000
3000
lefordítását egyetlen más nyelvre, spanyolra.
11:17
Wikipedia exists in Spanish,
284
662000
2000
A Wikipédia létezik spanyol nyelven is,
11:19
but it's very small compared to the size of English.
285
664000
2000
de igen kicsi az angol nyelvű változathoz képest.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Körülbelül az angol változat 20 százaléka.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Ha le akarnánk fordítani a másik 80 százalékot spanyolra,
11:26
it would cost at least 50 million dollars --
288
671000
2000
az legalább 50 millió dollárba kerülne,
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
még ha a legkihasználhatóbb, legszegényebb országba helyezzük is ki a munkát.
11:31
So it would be very expensive.
290
676000
2000
Tehát nagyon drága lenne.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Amit mi szeretnénk, az 100 millió ember,
11:35
translating the Web into every major language
292
680000
2000
akik minden nagyobb nyelvre lefordítják a webet,
11:37
for free.
293
682000
2000
ráadásul ingyen.
11:39
Now if this is what you want to do,
294
684000
2000
Ha ilyesmit szeretnének csinálni,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
elég hamar be fogják látni, hogy két elég magas lécet is át kell ugraniuk,
11:43
two big obstacles.
296
688000
2000
két igen nagy akadályt.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Az első a kétnyelvűek hiánya.
11:48
So I don't even know
298
693000
2000
Még azt sem tudom,
11:50
if there exists 100 million people out there using the Web
299
695000
3000
hogy létezik-e egyáltalán 100 millió internethasználó a világon,
11:53
who are bilingual enough to help us translate.
300
698000
2000
akik elég jól beszélnek két nyelven ahhoz, hogy segíteni tudjanak.
11:55
That's a big problem.
301
700000
2000
Ez egy nagy probléma.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
A másik akadály, amibe bele fognak futni, az a motiváció hiánya.
11:59
How are we going to motivate people
303
704000
2000
Hogyan fogjuk ösztönözni az embereket,
12:01
to actually translate the Web for free?
304
706000
2000
hogy ingyen lefordítsák a webet?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Általában ezért fizetni kell az embereknek.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Hogyan fogjuk rávenni őket, hogy ingyen csinálják?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Amikor elkezdtünk gondolkozni az ügyön, ez a két dolog leblokkolt minket.
12:11
But then we realized, there's actually a way
308
716000
2000
De aztán rájöttünk, hogy valójában van egy módja annak,
12:13
to solve both these problems with the same solution.
309
718000
2000
hogy egyszerre oldjuk meg mind a két problémát.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Lehetséges két legyet ütni egy csapásra.
12:17
And that is to transform language translation
311
722000
3000
Mégpedig azáltal, hogy átformáljuk a fordítást
12:20
into something that millions of people want to do,
312
725000
3000
valamivé, amit emberek milliói szeretnének csinálni,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
és ami megoldja a kétnyelvűek hiányának problémáját is.
12:26
and that is language education.
314
731000
3000
Ez pedig a nyelvtanulás.
12:29
So it turns out that today,
315
734000
2000
Kiderült, hogy napjainkban
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
több mint 1.2 milliárd ember tanul valamilyen idegen nyelvet.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Az emberek nagyon szeretnek idegen nyelveket tanulni.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
És nem csak azért, mert erre kényszerítik őket az iskolában.
12:39
For example, in the United States alone,
319
744000
2000
Például csak az Egyesült Államokban
12:41
there are over five million people who have paid over $500
320
746000
2000
több mint öt millióan költöttek több mint 500 dollárt
12:43
for software to learn a new language.
321
748000
2000
nyelvtanulást segítő szoftverre.
12:45
So people really, really want to learn a new language.
322
750000
2000
Tehát az emberek tényleg nagyon szeretnek idegen nyelvet tanulni.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Így mi egy új weblapon dolgoztunk az elmúlt másfél évben,
12:50
it's called Duolingo --
324
755000
2000
melynek Duolingo a neve,
12:52
where the basic idea is people learn a new language for free
325
757000
3000
melynek az alapötlete az, hogy az emberek ingyen tanulhatnak meg
12:55
while simultaneously translating the Web.
326
760000
2000
egy nyelvet, miközben a webet fordítják.
12:57
And so basically they're learning by doing.
327
762000
2000
Tehát tulajdonképpen azzal tanulják, hogy csinálják.
12:59
So the way this works
328
764000
2000
Ez úgy működik, hogy ha valaki teljesen kezdő,
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
akkor nagyon egyszerű mondatokat adunk neki.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Természetesen rengeteg nagyon egyszerű mondat van a weben.
13:06
We give you very, very simple sentences
331
771000
2000
Mi nagyon egyszerű mondatokat adunk a felhasználónak,
13:08
along with what each word means.
332
773000
2000
a mondatban lévő szavak jelentésével együtt.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
És ahogy ezeket fordítják, és látják mások miként fordítják őket,
13:13
you start learning the language.
334
778000
2000
az emberek elkezdik megtanulni a nyelvet.
13:15
And as you get more and more advanced,
335
780000
2000
És ahogy egyre ügyesebbek lesznek,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
úgy adunk egyre összetettebb mondatokat.
13:19
But at all times, you're learning by doing.
337
784000
2000
De minden esetben azáltal tanulnak, hogy csinálják.
13:21
Now the crazy thing about this method
338
786000
2000
Az igazán őrült dolog ebben a módszerben
13:23
is that it actually really works.
339
788000
2000
az az, hogy ténylegesen működik.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Először is a felhasználók ezáltal tényleg megtanulnak egy nyelvet.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Nagyjából kész vagyunk a fejlesztéssel és most teszteljük.
13:29
People really can learn a language with it.
342
794000
2000
Az emberek tényleg képesek nyelvet tanulni vele.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Méghozzá körülbelül annyira jól mint egy vezető nyelvtanulást segítő szoftverrel.
13:34
So people really do learn a language.
344
799000
2000
Tehát az emberek tényleg megtanulnak egy nyelvet.
13:36
And not only do they learn it as well,
345
801000
2000
És nem csak azonos hatékonysággal tanulják meg,
13:38
but actually it's way more interesting.
346
803000
2000
de így sokkal érdekesebb is.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Mert a Duolingoval az emberek valós szövegekkel tanulnak,
13:43
As opposed to learning with made-up sentences,
348
808000
2000
nem nyelvtanuláshoz kreált mondatokkal.
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
Az emberek valós tartalommal tanulnak, ami természeténél fogva érdekes.
13:48
So people really do learn a language.
350
813000
2000
Szóval az emberek tényleg megtanulnak egy nyelvet.
13:50
But perhaps more surprisingly,
351
815000
2000
De ami talán ennél is meglepőbb,
13:52
the translations that we get from people using the site,
352
817000
3000
a fordítás, amit a felhasználóktól kapunk,
13:55
even though they're just beginners,
353
820000
2000
annak ellenére, hogy még csak kezdők,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
a fordítások épp olyan pontosak mint a hivatásos fordítók fordításai,
14:00
which is very surprising.
355
825000
2000
ami eléggé meglepő.
14:02
So let me show you one example.
356
827000
2000
Hadd mutassak egy példát.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Ezt a mondatot németből fordították angolra.
14:06
The top is the German.
358
831000
2000
A felső a német.
14:08
The middle is an English translation
359
833000
2000
A középső egy angol fordítás,
14:10
that was done by somebody who was a professional English translator
360
835000
2000
amit egy hivatásos angol fordító készített,
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
akinek szavanként 20 centet fizettünk a fordításért.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Az alsó pedig a Duolingo felhasználóinak a fordítása,
14:17
none of whom knew any German
363
842000
2000
akik közül egyik sem tudott egy szót sem németül,
14:19
before they started using the site.
364
844000
2000
mielőtt használni kezdték volna a weboldalt.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Amint látják, a fordítás tulajdonképpen tökéletes.
14:23
Now of course, we play a trick here
366
848000
2000
Persze itt trükközünk egy kicsit,
14:25
to make the translations as good as professional language translators.
367
850000
2000
hogy a fordítások olyan jók legyenek mint a hivatásos fordítóké.
14:27
We combine the translations of multiple beginners
368
852000
3000
Több kezdő felhasználó fordítását kombináljuk,
14:30
to get the quality of a single professional translator.
369
855000
3000
hogy elérjük az egyetlen hivatásos fordító által nyújtott minőséget.
14:33
Now even though we're combining the translations,
370
858000
5000
De még azzal együtt is, hogy kombináljuk a fordításokat,
14:38
the site actually can translate pretty fast.
371
863000
2000
a weboldal igen gyorsan képes fordítani.
14:40
So let me show you,
372
865000
2000
Hadd mutassam meg
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
a becslésünket arról, hogy milyen gyorsan tudnánk lefordítani
14:44
from English into Spanish.
374
869000
2000
a Wikipédiát angolról spanyolra.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Ne feledjék, ez itt 50 millió dollárnyi érték.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Tehát ha spanyolra akarjuk fordítani a Wikipédiát,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
akkor ezt meg tudjuk tenni öt hét alatt, 100.000 aktív felhasználóval.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Ugyanezt meg tudjuk tenni 80 óra alatt egymillió aktív felhasználóval.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Mivel az összes projektnek, amin a csoportom eddig dolgozott,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
több millió felhasználója volt, reménytelien hisszük,
15:02
extremely fast with this project.
381
887000
2000
hogy elképesztően gyorsan fogunk tudni fordítani ezzel a projekttel.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Leginkább amiatt vagyok izgatott a Duolingoval kapcsolatban,
15:07
is I think this provides a fair business model for language education.
383
892000
3000
hogy szerintem ez egy korrekt üzleti modellt kínál a nyelvoktatáshoz.
15:10
So here's the thing:
384
895000
2000
A helyzet a következő:
15:12
The current business model for language education
385
897000
2000
A nyelvoktatás jelenlegi üzleti modellje szerint
15:14
is the student pays,
386
899000
2000
a tanuló fizet,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
mondjuk a Rosetta Stone cégnek 500 dollárt.
15:18
(Laughter)
388
903000
2000
(Nevetés)
15:20
That's the current business model.
389
905000
2000
Ez a jelenlegi üzleti modell.
15:22
The problem with this business model
390
907000
2000
Ezzel a modellel az a probléma,
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
hogy a Föld lakosságának 95 százalékának nincs 500 dollárja.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Tehát ez kimondottan igazságtalan a szegényekkel szemben,
15:30
This is totally biased towards the rich.
393
915000
2000
és elfogult a gazdagok felé.
15:32
Now see, in Duolingo,
394
917000
2000
Namármost a Duolingoval,
15:34
because while you learn
395
919000
2000
mivel a tanulással egyidejűleg a felhasználó értéket teremt,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
azzal hogy dolgokat fordít,
15:39
which for example, we could charge somebody for translations.
397
924000
3000
amit mi kiszámlázhatunk másoknak mint fordítási díj.
15:42
So this is how we could monetize this.
398
927000
2000
Így néz ki az anyagi oldal.
15:44
Since people are creating value while they're learning,
399
929000
2000
Mivel az emberek értéket teremtenek tanulás közben,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
nem a pénzükkel fizetnek, hanem az idejükkel.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
De a varázslatos dolog az, hogy olyan idejükkel fizetnek,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
amit amúgy is azzal töltöttek volna,
15:54
learning the language.
403
939000
2000
hogy tanulják a nyelvet.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Szóval a Duolingoban az a szép, hogy korrekt üzleti modellt nyújt,
15:59
one that doesn't discriminate against poor people.
405
944000
2000
ami nem diszkriminálja a szegényeket.
16:01
So here's the site. Thank you.
406
946000
2000
Ez hát a Duolingo. Köszönöm.
16:03
(Applause)
407
948000
8000
(Taps)
16:11
So here's the site.
408
956000
2000
Ez tehát a weboldal.
16:13
We haven't yet launched,
409
958000
2000
Még nem indítottuk el,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
de ha ellátogatnak az oldalra, részt vehetnek a privát béta verzióban,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
ami valószínűleg elindul a következő három-négy hétben.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Még nem indítottuk el a Duolingot.
16:22
By the way, I'm the one talking here,
413
967000
2000
Egyébként, most csak én beszélek itt,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
de a Duolingo valójában egy fantasztikus csapat munkája, melynek itt látható néhány tagja.
16:27
So thank you.
415
972000
2000
Köszönöm.
16:29
(Applause)
416
974000
4000
(Taps)
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