TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: collaborazione online su vastissima scala
Filmed:
Readability: 3.8
1,740,008 views
Dopo aver reimpostato il CAPTCHA così che ogni risposta digitata dalle persone aiuti a digitalizzare libri, Luis von Ahn si è chiesto in che altro modo utilizzare al meglio i piccoli contributi da parte di molti su Internet. A TEDxCMU, ci mostra come il suo ambizioso progetto, Duolingo, possa aiutare milioni di persone a imparare una nuova lingua mentre traducono il Web rapidamente e con precisione -- il tutto gratuitamente.
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
Quanti di voi hanno dovuto riempire qualche tipo di modulo via web
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
dove viene chiesto di leggere una sequenza distorta di caratteri come questa?
00:19
How many of you found it really, really annoying?
2
4000
2000
Quanti di voi l'hanno trovato molto, molto irritante?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Ok, notevole. L'ho inventata io.
00:24
(Laughter)
4
9000
2000
(Risate)
00:26
Or I was one of the people who did it.
5
11000
2000
O almeno ero una delle persone che lo ha fatto.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Quella cosa si chiama CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
E il motivo per cui è lì è assicurarsi è che voi, l'entità che sta riempiendo il modulo,
00:32
are actually a human and not some sort of computer program
8
17000
3000
sia realmente un essere umano e non un programma
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
scritto per inviare il modulo milioni e milioni di volte.
00:37
The reason it works is because humans,
10
22000
2000
Il motivo per cui funziona è perché gli esseri umani,
00:39
at least non-visually-impaired humans,
11
24000
2000
almeno gli umani che non hanno problemi di vista,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
non hanno problemi a leggere questi caratteri ondulati e distorti,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
mentre un programma di computer non lo può fare altrettanto bene.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Quindi per esempio, nel caso di Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
il motivo per cui dovete digitare questi caratteri distorti
00:50
is to prevent scalpers from writing a program
16
35000
2000
è prevenire che i bagarini scrivano un programma
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
che possa comprare milioni di biglietti, due alla volta.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
I CAPTCHA vengono utilizzati ovunque su Internet.
00:56
And since they're used so often,
19
41000
2000
E considerato che sono utilizzati così di frequente,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
tante volte la sequenza precisa di caratteri casuali mostrata all'utente
01:00
is not so fortunate.
21
45000
2000
non è così fortunata.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Questo è un esempio dalla pagina di registrazione di Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
I caratteri casuali che sono capitati all'utente
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
sono stati A,T,T,E,N,D,I, che ovviamente scandiscono una parola.
01:10
But the best part is the message
25
55000
3000
Ma la parte migliore è il messaggio
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
che il servizio clienti di Yahoo ha ricevuto 20 minuti dopo.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Testo:"Aiuto! Sto aspettando da più di 20 minuti e non succede niente."
01:19
(Laughter)
28
64000
4000
(Risate)
01:23
This person thought they needed to wait.
29
68000
2000
Questa persona ha pensato di dover aspettare.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Certo, questo poveraccio non è messo tanto bene.
01:28
(Laughter)
31
73000
2000
(Risate)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Il progetto CAPTCHA è una cosa che abbiamo creato qui al Carnegie Mellon più di 10 anni fa,
01:33
and it's been used everywhere.
33
78000
2000
e viene utilizzata ovunque.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Lasciate che ora vi racconti del progetto che abbiamo seguito qualche anno dopo,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
che è l'evoluzione del CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
È un progetto che chiamiamo reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
ed è una cosa che abbiamo iniziato qui al Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
e che poi abbiamo trasformato in startup.
01:46
And then about a year and a half ago,
39
91000
2000
E poi circa un anno e mezzo fa,
01:48
Google actually acquired this company.
40
93000
2000
Google ha acquistato la società.
01:50
So let me tell you what this project started.
41
95000
2000
Fatemi spiegare che cosa ha dato il via questo progetto.
01:52
So this project started from the following realization:
42
97000
3000
Questo progetto nasce dalla seguente constatazione:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
che circa 200 milioni di CAPTCHA
01:57
are typed everyday by people around the world.
44
102000
3000
vengono digitati ogni giorno dalla gente in tutto il mondo.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Quando l'ho sentito, mi sono sentito fiero di me stesso.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Ho pensato, guarda che impatto ha avuto la mia ricerca.
02:04
But then I started feeling bad.
47
109000
2000
Ma poi ho cominciato a sentirmi male.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Ecco perché, ogni volta che digitate un CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
sostanzialmente sprecate 10 secondi del vostro tempo.
02:11
And if you multiply that by 200 million,
50
116000
2000
E se lo moltiplicate per 200 milioni,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
ottenete che l'umanità intera spreca circa 500 000 ore ogni giorno
02:16
typing these annoying CAPTCHAs.
52
121000
2000
a digitare questi fastidiosi CAPTCHA.
02:18
So then I started feeling bad.
53
123000
2000
Allora ho cominciato a sentirmi male.
02:20
(Laughter)
54
125000
2000
(Risate)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
E poi ho cominciato a pensare, certo, non possiamo sbarazzarci dei CAPTCHA,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
perché la sicurezza del Web in qualche modo ne dipende.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Ma poi ho cominciato a pensare, c'è un modo di usare questo sforzo
02:30
for something that is good for humanity?
58
135000
2000
per qualcosa che sia buono per l'umanità?
02:32
So see, here's the thing.
59
137000
2000
Vedete, ecco qui.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Mentre digitate un CAPTCHA, durante questi 10 secondi,
02:36
your brain is doing something amazing.
61
141000
2000
il vostro cervello sta facendo qualcosa di straordinario.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Sta facendo quello che un computer non può ancora fare.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Possiamo portarvi a fare un lavoro utile in questi 10 secondi?
02:43
Another way of putting it is,
64
148000
2000
Si può metterla in altro modo,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
c'è qualche problema enorme che non riusciamo ancora a far risolvere ai computer,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
e che possiamo spezzare in pezzetti da 10 secondi
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
così che ogni volta che qualcuno risolve un CAPTCHA
02:52
they solve a little bit of this problem?
68
157000
2000
risolve un piccolo pezzo di questo problema?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
E la risposta è "si", ed ecco cosa stiamo facendo ora.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Quello che potreste non sapere è che oggi mentre digitate un CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
non solo vi state identificando come essere umano,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
ma oltre a questo, di fatto, ci state aiutando a digitalizzare libri.
03:03
So let me explain how this works.
73
168000
2000
Fatemi spiegare come funziona.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Ci sono tantissimi progetti che cercano di digitalizzare libri.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google ne segue uno. The Internet Archive ne ha uno.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, ora con il Kindle, sta cercando di digitalizzare libri.
03:12
Basically the way this works
77
177000
2000
Sostanzialmente funziona in questo modo:
03:14
is you start with an old book.
78
179000
2000
si comincia con un vecchio libro.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Avete visto queste cose, vero? Un libro?
03:18
(Laughter)
80
183000
2000
(Risate)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Cominciate con un libro, lo scannerizzate.
03:22
Now scanning a book
82
187000
2000
Scannerizzare un libro
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
è come scattare una foto digitale di ogni singola pagina.
03:26
It gives you an image for every page of the book.
84
191000
2000
Vi dà un'immagine di ogni singola pagina del libro.
03:28
This is an image with text for every page of the book.
85
193000
2000
Questa è un'immagine con testo di ogni pagina del libro.
03:30
The next step in the process
86
195000
2000
Il passo successivo del processo
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
è che il computer deve essere in grado di decifrare tutte le parole in questa immagine.
03:35
That's using a technology called OCR,
88
200000
2000
Lo si fa usando una tecnologia chiamata OCR,
03:37
for optical character recognition,
89
202000
2000
per il riconoscimento ottico dei caratteri,
03:39
which takes a picture of text
90
204000
2000
che scatta una foto del testo
03:41
and tries to figure out what text is in there.
91
206000
2000
e cerca di decifrarlo.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Il problema è che l'OCR non è perfetto.
03:45
Especially for older books
93
210000
2000
Specialmente per i libri più vecchi
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
dove l'inchiostro è sbiadito e le pagine sono ingiallite,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
l'OCR non riesce a riconoscere tante parole.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Per esempio, per cose che sono state scritte più di 50 anni fa,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
il computer non riesce a riconoscere circa il 30% delle parole.
03:57
So what we're doing now
98
222000
2000
Quindi quello che facciamo ora
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
è prendere tutte le parole che il computer non riesce a riconoscere
04:01
and we're getting people to read them for us
100
226000
2000
e far sì che le persone le leggano per noi
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
mentre digitano un CAPTCHA su Internet.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Quindi la prossima volta che digitate un CAPTCHA, queste parole che state digitando
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
sono in realtà parole che provengono da libri che sono stati digitalizzati
04:11
that the computer could not recognize.
104
236000
2000
che il computer non è riuscito a riconoscere.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
E il motivo per cui oggi ci sono due parole invece di una
04:15
is because, you see, one of the words
106
240000
2000
è perché, sapete, una delle parole
04:17
is a word that the system just got out of a book,
107
242000
2000
è una parola che il sistema ha tirato fuori da un libro,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
e che non sapeva cosa fosse, e ve la sottopone.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Ma siccome non sa la risposta, non può valutarla.
04:25
So what we do is we give you another word,
110
250000
2000
Quindi quello che facciamo è assegnarvi un'altra parola,
04:27
one for which the system does know the answer.
111
252000
2000
di cui il sistema conosce la risposta.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Non vi diciamo quale delle due, e vi chiediamo di digitarle entrambe.
04:31
And if you type the correct word
113
256000
2000
E se digitate la parola giusta
04:33
for the one for which the system already knows the answer,
114
258000
2000
per quella di cui il sistema conosce già la risposta,
04:35
it assumes you are human,
115
260000
2000
suppone che siate umani,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
ed è abbastanza fiducioso che abbiate digitato l'altra parola correttamente.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
E se ripetete questo processo per 10 persone diverse
04:42
and all of them agree on what the new word is,
118
267000
2000
e tutte sono d'accordo su qual è la parola nuova,
04:44
then we get one more word digitized accurately.
119
269000
2000
si ottiene un'altra parola digitalizzata correttamente.
04:46
So this is how the system works.
120
271000
2000
Quindi il sistema funziona in questo modo.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
E sostanzialmente, da quanto l'abbiamo rilasciato circa 3 o 4 anni fa,
04:51
a lot of websites have started switching
122
276000
2000
tantissimi siti hanno cominciato a passare
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
dal vecchio CAPTCHA dove la gente buttava via il tempo
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
al nuovo CAPTCHA dove la gente aiuta a digitalizzare libri.
04:57
So for example, Ticketmaster.
125
282000
2000
Per esempio, Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Ogni volta che comprate biglietti con Ticketmaster, aiutate a digitalizzare un libro.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: Ogni volta che aggiungete un amico o fate un poke a qualcuno,
05:04
you help to digitize a book.
128
289000
2000
aiutate a digitalizzare un libro.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter e circa 350 000 altri sisti usano tutti reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
E in realtà, il numero di siti che usano reCAPTCHA è così alto
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
che il numero di parole che digitalizziamo ogni giorno è davvero enorme.
05:14
It's about 100 million a day,
132
299000
2000
Sono circa 100 milioni al giorno,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
che equivale a circa 2,5 milioni di libri all'anno.
05:20
And this is all being done one word at a time
134
305000
2000
E viene tutto fatto una parola alla volta
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
solo grazie a persone che digitano CAPTCHA su Internet.
05:24
(Applause)
136
309000
8000
(Applausi)
05:32
Now of course,
137
317000
2000
Ora naturalmente,
05:34
since we're doing so many words per day,
138
319000
2000
visto che facciamo così tante parole al giorno,
05:36
funny things can happen.
139
321000
2000
capitano cose divertenti.
05:38
And this is especially true because now we're giving people
140
323000
2000
E questo è vero anche perché diamo alle persone
05:40
two randomly chosen English words next to each other.
141
325000
2000
due parole inglesi casuali una accanto all'altra.
05:42
So funny things can happen.
142
327000
2000
Possono capitare cose divertenti.
05:44
For example, we presented this word.
143
329000
2000
Per esempio, abbiamo presentato questa parola.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
È la parola "Cristiani"; non c'è niente di sbagliato.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Ma se la presentate insieme ad un'altra parola casuale,
05:51
bad things can happen.
146
336000
2000
possono capitare cose brutte.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Otteniamo questo. (Testo: cattivi cristiani)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Ma è anche peggio, perché il sito dove veniva mostrato
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
in realtà si chiamava Ambasciata del Regno di Dio.
06:01
(Laughter)
150
346000
2000
(Risate)
06:03
Oops.
151
348000
2000
Ops.
06:05
(Laughter)
152
350000
3000
(Risate)
06:08
Here's another really bad one.
153
353000
2000
Eccone un'altro bruttissimo.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Testo: Dannato liberale)
06:15
(Laughter)
156
360000
2000
(Risate)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Continuiamo a insultare la gente a destra e a sinistra ogni giorno.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Naturalmente, non stiamo solo insultando persone.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Vedete, da quando proponiamo due parole scelte casualmente,
06:25
interesting things can happen.
160
370000
2000
possono capitare cose interessanti.
06:27
So this actually has given rise
161
372000
2000
In realtà tutto questo ha dato luogo
06:29
to a really big Internet meme
162
374000
3000
ad un grande fenomeno su Internet
06:32
that tens of thousands of people have participated in,
163
377000
2000
a cui hanno partecipato migliaia di persone,
06:34
which is called CAPTCHA art.
164
379000
2000
che si chiama CAPTCHA art.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Sono sicuro che qualcuno di voi ne ha sentito parlare.
06:38
Here's how it works.
166
383000
2000
Ecco come funziona.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Immaginate di utilizzare Internet e vedete un CAPTCHA
06:42
that you think is somewhat peculiar,
168
387000
2000
che pensate sia peculiare,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
come questo CAPTCHA. (Testo: tostapane invisibile)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Tutto quello che dovete fare è catturare la schermata.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Poi naturalmente, inserite il CAPTCHA
06:50
because you help us digitize a book.
172
395000
2000
perché ci aiutate a digitalizzare un libro.
06:52
But then, first you take a screen shot,
173
397000
2000
Ma poi, prima catturate la schermata,
06:54
and then you draw something that is related to it.
174
399000
2000
e poi disegnate qualcosa che abbia un nesso.
06:56
(Laughter)
175
401000
2000
(Risate)
06:58
That's how it works.
176
403000
3000
Ecco come funziona.
07:01
There are tens of thousands of these.
177
406000
3000
Ce ne sono decine di migliaia.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Qualcuno è veramente delizioso. (Testo: afferrato)
07:06
(Laughter)
179
411000
2000
(Risate)
07:08
Some of them are funnier.
180
413000
2000
Qualcuno è divertente.
07:10
(Text: stoned founders)
181
415000
3000
(Testo: fondatori impietriti)
07:13
(Laughter)
182
418000
3000
(Risate)
07:16
And some of them,
183
421000
2000
E qualcuno,
07:18
like paleontological shvisle,
184
423000
3000
come "certezza paleontologica",
07:21
they contain Snoop Dogg.
185
426000
2000
contiene Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Risate)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Ok, questo è il mio numero preferito di reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Questa è la cosa che preferisco di questo progetto.
07:31
This is the number of distinct people
189
436000
2000
Questo è il numero di utenti unici
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
che hanno aiutato a digitalizzare almeno una parola di un libro con reCAPTCHA:
07:36
750 million,
191
441000
2000
750 milioni,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
che è un po' più del 10% della popolazione mondiale,
07:40
has helped us digitize human knowledge.
193
445000
2000
che ci ha aiutato a digitalizzare le conoscenze dell'uomo.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
E sono numeri come questi che danno la motivazione per pianificare la mia ricerca.
07:45
So the question that motivates my research is the following:
195
450000
3000
La domanda che motiva la mia ricerca è la seguente:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Se guardate le conquiste dell'umanità su larga scala,
07:50
these really big things
197
455000
2000
sono cose veramente grandi
07:52
that humanity has gotten together and done historically --
198
457000
3000
che l'umanità ha fatto e messo insieme storicamente --
07:55
like for example, building the pyramids of Egypt
199
460000
2000
come per esempio, costruire le piramidi d'Egitto
07:57
or the Panama Canal
200
462000
2000
o il Canale di Panama
07:59
or putting a man on the Moon --
201
464000
2000
o mandare l'uomo sulla luna --
08:01
there is a curious fact about them,
202
466000
2000
c'è un fatto curioso riguardo a queste imprese,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
cioè che sono state realizzate con circa lo stesso numero di persone.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
È strano; tutte sono state fatte con circa 100 000 persone.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
E il motivo è che, prima di Internet,
08:11
coordinating more than 100,000 people,
206
476000
2000
coordinare più di 100 000 persone,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
senza contare la remunerazione, era sostanzialmente impossibile.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Ma ora con Internet, vi ho appena mostrato un progetto
08:18
where we've gotten 750 million people
209
483000
2000
dove abbiamo coinvolto 750 milioni di persone
08:20
to help us digitize human knowledge.
210
485000
2000
per aiutare a digitalizzare la conoscenza umana.
08:22
So the question that motivates my research is,
211
487000
2000
Quindi la domanda che motiva la mia ricerca è,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
se possiamo mandare l'uomo sulla luna con 100 000 persone,
08:27
what can we do with 100 million?
213
492000
2000
cosa possiamo fare con 100 milioni?
08:29
So based on this question,
214
494000
2000
Basandomi su questa domanda,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
abbiamo avuto tanti progetti diversi su cui abbiamo lavorato.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Fatemi raccontare di uno dei progetti che più mi esalta.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
È una cosa su cui abbiamo lavorato silenziosamente
08:38
for the last year and a half or so.
218
503000
2000
nell'ultimo anno e mezzo o giù di lì.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Non è ancora stato lanciato. Si chiama Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Visto che non è ancora stato lanciato, shhhh!
08:44
(Laughter)
221
509000
2000
(Risate)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Sì, mi fido di voi.
08:48
So this is the project. Here's how it started.
223
513000
2000
Questo è il progetto. Ecco come è cominciato.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
È cominciato quando ho posto una domanda a un mio studente laureando,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Ok, questo è Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Allora, ho fatto una domanda al mio studente.
08:58
By the way, you did hear me correctly;
228
523000
2000
A proposito, mi avete sentito bene;
09:00
his last name is Hacker.
229
525000
2000
il suo cognome è Hacker.
09:02
So I posed this question to him:
230
527000
2000
Allora, gli ho fatto questa domanda:
09:04
How can we get 100 million people
231
529000
2000
Come riusciamo a portare 100 milioni di persone
09:06
translating the Web into every major language for free?
232
531000
3000
a tradurre il Web in tutte le principali lingue gratuitamente?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Ok, ci sono molte cose da dire su questa domanda.
09:11
First of all, translating the Web.
234
536000
2000
Prima di tutto, tradurre il Web.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Oggi il Web si divide in molte lingue diverse.
09:16
A large fraction of it is in English.
236
541000
2000
Una larga parte è in Inglese.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Se non sapete l'Inglese, non potete accedervi.
09:20
But there's large fractions in other different languages,
238
545000
2000
Ma una larga parte è in altre lingue,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
e se non sapete queste lingue, non potete avere accesso.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Vorrei quindi tradurre tutto il Web, o almeno la maggior parte del Web,
09:28
into every major language.
241
553000
2000
in tutte le principali lingue.
09:30
So that's what I would like to do.
242
555000
2000
Quindi questo è quello che vorrei fare.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Qualcuno di voi potrebbe dire, perché non possiamo usare i computer per tradurlo?
09:35
Why can't we use machine translation?
244
560000
2000
Perché non possiamo usare la traduzione automatica?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
La traduzione automatica odierna sta cominciando a tradurre alcune frasi qua e là.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Perché non possiamo usarla per tradurre tutto il Web?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Il problema è che non ancora abbastanza accurata
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
e probabilmente non lo sarà per il prossimi 15 o 20 anni.
09:45
It makes a lot of mistakes.
249
570000
2000
Fa molti errori.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Anche quando non fa errori,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
visto che fa così tanti errori, non sai mai se fidarti o meno.
09:52
So let me show you an example
252
577000
2000
Fatemi fare un esempio
09:54
of something that was translated with a machine.
253
579000
2000
di una cosa che è stata tradotta con un computer.
09:56
Actually it was a forum post.
254
581000
2000
In realtà è un post in un forum.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
È qualcuno che stava cercando di chiedere una cosa su JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
È stato tradotto dal Giapponese all'Inglese.
10:04
So I'll just let you read.
257
589000
2000
Vi lascio leggere.
10:06
This person starts apologizing
258
591000
2000
Questa persona comincia a scusarsi
10:08
for the fact that it's translated with a computer.
259
593000
2000
per il fatto che è tradotto con un computer.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
La frase successiva sarà il preambolo alla domanda.
10:13
So he's just explaining something.
261
598000
2000
Sta solo spiegando qualcosa.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Ricordatevi, è una domanda su JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Testo: Spesso, il tempo-capra installa un errore è vomito).
10:23
(Laughter)
264
608000
4000
(Risate)
10:27
Then comes the first part of the question.
265
612000
3000
Poi arriva la prima parte della domanda.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Testo: Quante volte come il vento, un palo, e il drago?)
10:34
(Laughter)
267
619000
2000
(Risate)
10:36
Then comes my favorite part of the question.
268
621000
3000
Poi arriva la mia parte preferita della domanda.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Testo: Questo insulto alle pietre del padre?)
10:42
(Laughter)
270
627000
2000
(Risate)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
E poi arriva la fine, che è il mio pezzo preferito.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Testo: Per favore perdonami per la tua stupidità. Ci sono molti grazie.)
10:51
(Laughter)
273
636000
2000
(Risate)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Ok, quindi la traduzione automatica, non è ancora abbastanza buona.
10:55
So back to the question.
275
640000
2000
Tornando alla domanda.
10:57
So we need people to translate the whole Web.
276
642000
3000
Abbiamo bisogno di persone che traducano tutto il Web.
11:00
So now the next question you may have is,
277
645000
2000
La prossima domanda che potreste farmi è,
11:02
well why can't we just pay people to do this?
278
647000
2000
perché non si possono semplicemente pagare le persone per farlo?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Potremmo pagare traduttori professionisti per tradurre tutto il Web.
11:07
We could do that.
280
652000
2000
Potremmo farlo.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Sfortunatamente, sarebbe estremamente costoso.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Per esempio la traduzione di una piccolissima frazione del Web, Wikipedia,
11:14
into one other language, Spanish.
283
659000
3000
in un'altra lingua, lo Spagnolo.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia esiste in Spagnolo,
11:19
but it's very small compared to the size of English.
285
664000
2000
ma è molto piccola rispetto all'Inglese.
11:21
It's about 20 percent of the size of English.
286
666000
2000
È circa il 20% di quella inglese.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Se volessimo tradurre il restante 80% in Spagnolo,
11:26
it would cost at least 50 million dollars --
288
671000
2000
costerebbe almeno 50 milioni di dollari --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
e questo anche al costo del paese più competitivo che ci sia.
11:31
So it would be very expensive.
290
676000
2000
Quindi sarebbe molto costoso.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Quello che vogliamo fare è portare 100 milioni di persone
11:35
translating the Web into every major language
292
680000
2000
a tradurre il Web in tutte le principali lingue
11:37
for free.
293
682000
2000
gratuitamente.
11:39
Now if this is what you want to do,
294
684000
2000
Se questo è quello che volete fare,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
vi accorgete rapidamente che andrete incontro a due ostacoli,
11:43
two big obstacles.
296
688000
2000
due grossi ostacoli.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Il primo è la carenza di persone bilingui.
11:48
So I don't even know
298
693000
2000
Non so neanche
11:50
if there exists 100 million people out there using the Web
299
695000
3000
se esistano 100 milioni di persone là fuori che usano il Web
11:53
who are bilingual enough to help us translate.
300
698000
2000
abbastanza bilingui da aiutarci a tradurre.
11:55
That's a big problem.
301
700000
2000
È un grosso problema.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
L'altro problema con cui vi scontrerete è la mancanza di motivazione.
11:59
How are we going to motivate people
303
704000
2000
Come riusciremo a motivare le persone
12:01
to actually translate the Web for free?
304
706000
2000
a tradurre veramente il Web gratuitamente?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalmente, si pagano persone per farlo.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Come faremo a motivarle per farlo gratuitamente?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Quando abbiamo cominciato a pensarci, ci siamo bloccati a causa di queste due cose.
12:11
But then we realized, there's actually a way
308
716000
2000
Ma poi ci siamo resi conto che in realtà c'è un modo
12:13
to solve both these problems with the same solution.
309
718000
2000
per risolvere entrambi i problemi con la stessa soluzione.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
C'è un modo per prendere due piccioni con una fava.
12:17
And that is to transform language translation
311
722000
3000
Ed è trasformare la traduzione di una lingua
12:20
into something that millions of people want to do,
312
725000
3000
in qualcosa che milioni di persone vogliono fare,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
e che risolve anche il problema della carenza di bilingui,
12:26
and that is language education.
314
731000
3000
ed è l'apprendimento della lingua.
12:29
So it turns out that today,
315
734000
2000
Abbiamo scoperto che oggi
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
ci sono più di 1,2 miliardi di persone che imparano una lingua straniera.
12:34
People really, really want to learn a foreign language.
317
739000
2000
La gente vuole veramente imparare una lingua straniera.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
E non solo perché sono costrette a farlo a scuola.
12:39
For example, in the United States alone,
319
744000
2000
Per esempio, solo negli Stati Uniti,
12:41
there are over five million people who have paid over $500
320
746000
2000
ci sono più di cinque milioni di persone che hanno pagato più di 500$
12:43
for software to learn a new language.
321
748000
2000
in software per imparare una lingua.
12:45
So people really, really want to learn a new language.
322
750000
2000
La gente vuole quindi davvero imparare una nuova lingua.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Quindi quello su cui abbiamo lavorato l'ultimo anno e mezzo è un nuovo sito web --
12:50
it's called Duolingo --
324
755000
2000
si chiama Duolingo --
12:52
where the basic idea is people learn a new language for free
325
757000
3000
dove l'idea di base è che la gente impara una nuova lingua gratuitamente
12:55
while simultaneously translating the Web.
326
760000
2000
mentre contemporaneamente traduce il Web.
12:57
And so basically they're learning by doing.
327
762000
2000
E quindi sostanzialmente si impara facendo.
12:59
So the way this works
328
764000
2000
Funziona in questo modo,
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
se siete principianti, vi diamo delle frasi molto, molto semplici.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Ovviamente nel Web ci sono tantissime frasi semplici.
13:06
We give you very, very simple sentences
331
771000
2000
Vi diamo frasi molto, molto semplici
13:08
along with what each word means.
332
773000
2000
insieme al significato di ciascuna parola.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
E mentre le traducete e vedete come le traducono altre persone,
13:13
you start learning the language.
334
778000
2000
cominciate a imparare la lingua.
13:15
And as you get more and more advanced,
335
780000
2000
E man mano che migliorate
13:17
we give you more and more complex sentences to translate.
336
782000
2000
vi diamo frasi sempre più complesse da tradurre.
13:19
But at all times, you're learning by doing.
337
784000
2000
Ma in ogni momento, imparate facendo.
13:21
Now the crazy thing about this method
338
786000
2000
La cosa pazzesca di questo metodo
13:23
is that it actually really works.
339
788000
2000
è che funziona veramente.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Prima di tutto, la gente impara veramente una lingua.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Abbiamo quasi finito di costruirlo e lo stiamo testando.
13:29
People really can learn a language with it.
342
794000
2000
La gente può veramente impararci una lingua.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
E la imparano bene quanto potrebbero fare con il miglior software di lingue.
13:34
So people really do learn a language.
344
799000
2000
La gente impara quindi veramente una lingua.
13:36
And not only do they learn it as well,
345
801000
2000
E non solo imparano,
13:38
but actually it's way more interesting.
346
803000
2000
ma la cosa è ancora più interessante.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Perché con Duolingo, la gente impara con contenuti reali.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Contrariamente all'apprendimento con frasi precostruite,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
la gente impara con contenuti reali, il che è realmente interessante.
13:48
So people really do learn a language.
350
813000
2000
Quindi la gente impara veramente una lingua.
13:50
But perhaps more surprisingly,
351
815000
2000
Ma la cosa ancora più sorprendente
13:52
the translations that we get from people using the site,
352
817000
3000
è che le traduzioni che riceviamo dalla gente che usa il sito,
13:55
even though they're just beginners,
353
820000
2000
anche se sono solo principianti,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
le traduzioni che riceviamo sono accurate quanto quelle di traduttori professionisti,
14:00
which is very surprising.
355
825000
2000
il che è veramente sorprendente.
14:02
So let me show you one example.
356
827000
2000
Lasciate che vi mostri un esempio.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Questa è una frase tradotta dal Tedesco all'Inglese.
14:06
The top is the German.
358
831000
2000
In alto c'è il Tedesco.
14:08
The middle is an English translation
359
833000
2000
In mezzo la traduzione in Inglese
14:10
that was done by somebody who was a professional English translator
360
835000
2000
fatta da un traduttore inglese professionista
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
che abbiamo pagato 20 centesimi a parola per la traduzione.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
E in basso la traduzione degli utenti di Duolingo,
14:17
none of whom knew any German
363
842000
2000
nessuno dei quali sapeva il Tedesco
14:19
before they started using the site.
364
844000
2000
prima di iniziare a usare il sito.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Potete vedere, è praticamente perfetta.
14:23
Now of course, we play a trick here
366
848000
2000
Ora ovviamente c'è un trucco qui
14:25
to make the translations as good as professional language translators.
367
850000
2000
per rendere le traduzioni buone quanto quelle di traduttori professionisti.
14:27
We combine the translations of multiple beginners
368
852000
3000
Combiniamo le traduzioni di più principianti
14:30
to get the quality of a single professional translator.
369
855000
3000
per ottenere la qualità di un singolo traduttore professionista.
14:33
Now even though we're combining the translations,
370
858000
5000
Anche se stiamo combinando le traduzioni,
14:38
the site actually can translate pretty fast.
371
863000
2000
il sito in realtà può tradurre abbastanza rapidamente.
14:40
So let me show you,
372
865000
2000
Lasciate che vi mostri,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
questa è la nostra stima sulla velocità a cui potremmo tradurre Wikipedia
14:44
from English into Spanish.
374
869000
2000
dall'Inglese allo Spagnolo.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Ricordatevi, un costo di 50 milioni di dollari.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Quindi se volessimo tradurre Wikipedia in Spagnolo,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
potremmo farlo in cinque settimane con 100 000 utenti attivi.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
E potremmo farlo in circa 80 ore con un milione di utenti attivi.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Visto che tutti i progetti su cui ha lavorato il mio gruppo fin'ora hanno avuto milioni di utenti,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
siamo fiduciosi che saremo in grado di tradurre
15:02
extremely fast with this project.
381
887000
2000
molto rapidamente con questo progetto.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
La cosa che più mi emoziona di Duolingo
15:07
is I think this provides a fair business model for language education.
383
892000
3000
è che credo fornisca un corretto modello di business per l'apprendimento delle lingue.
15:10
So here's the thing:
384
895000
2000
Quindi ecco il punto:
15:12
The current business model for language education
385
897000
2000
Il modello di business corrente per l'apprendimento delle lingue
15:14
is the student pays,
386
899000
2000
è che gli studenti paghino,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
e in particolare, lo studente paga 500 dollari per RosettaStone.
15:18
(Laughter)
388
903000
2000
(Risate)
15:20
That's the current business model.
389
905000
2000
Questo è il modello di business corrente.
15:22
The problem with this business model
390
907000
2000
Il problema con questo modello di business
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
è che il 95% della popolazione mondiale non ha 500 dollari.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Quindi è estremamente ingiusto nei confronti dei poveri.
15:30
This is totally biased towards the rich.
393
915000
2000
È completamente sbilanciato a favore dei ricchi.
15:32
Now see, in Duolingo,
394
917000
2000
Invece guardate, in Duolingo
15:34
because while you learn
395
919000
2000
siccome mentre imparate
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
di fatto create valore, state traducendo testi --
15:39
which for example, we could charge somebody for translations.
397
924000
3000
che per esempio, potrebbe essere assegnata a qualcuno per la traduzione.
15:42
So this is how we could monetize this.
398
927000
2000
Quindi ecco come potremmo monetizzare.
15:44
Since people are creating value while they're learning,
399
929000
2000
Visto che la gente crea valore mentre impara,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
non deve pagare con denaro, bensì con il proprio tempo.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Ma la magia qui è che pagano con il loro tempo,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
ma quello è tempo che avrebbero comunque dedicato
15:54
learning the language.
403
939000
2000
ad imparare la lingua.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
La cosa bella di Duolingo è che credo fornisca un modello di business equo --
15:59
one that doesn't discriminate against poor people.
405
944000
2000
che non discrimina le persone povere.
16:01
So here's the site. Thank you.
406
946000
2000
Ecco qua il sito. Grazie.
16:03
(Applause)
407
948000
8000
(Applausi)
16:11
So here's the site.
408
956000
2000
Ecco qua il sito.
16:13
We haven't yet launched,
409
958000
2000
Non l'abbiamo ancora lanciato,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
ma se volete, potete iscrivervi per fare parte della versione beta,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
che partirà tra 3 o 4 settimane.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Non abbiamo ancora lanciato Duolingo.
16:22
By the way, I'm the one talking here,
413
967000
2000
A proposito, io sono quello che ne parla,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
ma in realtà Duolingo è il lavoro di un gruppo fantastico, alcuni sono qui.
16:27
So thank you.
415
972000
2000
Quindi grazie.
16:29
(Applause)
416
974000
4000
(Applausi)
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