TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Colaboração online em massa
Filmed:
Readability: 3.8
1,740,008 views
Após dar um novo objetivo ao CAPTCHA de forma a que todas as respostas humanas escritas ajudem a digitalizar livros, Luis von Ahn debruçou-se sobre outras formas de utilizar pequenas contribuições feitas por muitos na Internet, para um bem maior. Na TEDxCMU, ele partilha o modo como o seu novo e ambicioso projeto, Duolingo, irá ajudar milhões a aprender uma nova língua enquanto traduzem a Web rapidamente e com precisão — tudo isto de forma grátis.
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
Já tiveram de preencher
um formulário na web
um formulário na web
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
onde pedem para lerem caracteres
distorcidos como estes?
distorcidos como estes?
00:19
How many of you found it really, really annoying?
2
4000
2000
Não acharam isso muito irritante?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
(Risos)
Espetacular. Fui eu que inventei isso.
00:24
(Laughter)
4
9000
2000
(Risos)
00:26
Or I was one of the people who did it.
5
11000
2000
Fui um dos que inventou isso.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Esta coisa chama-se um CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Serve para certificar que
quem preenche o formulário,
quem preenche o formulário,
00:32
are actually a human and not some sort of computer program
8
17000
3000
é uma pessoa e não
um programa informático
um programa informático
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
desenvolvido para submeter
o formulário milhões de vezes.
o formulário milhões de vezes.
00:37
The reason it works is because humans,
10
22000
2000
Funciona porque as pessoas,
que não tenham limitações visuais
que não tenham limitações visuais
00:39
at least non-visually-impaired humans,
11
24000
2000
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
não têm problema em ler
estes caracteres distorcidos,
estes caracteres distorcidos,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
mas os programas informáticos
ainda não o conseguem fazer
ainda não o conseguem fazer
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Por exemplo, no caso do Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
temos de escrever
estes caracteres distorcidos
estes caracteres distorcidos
00:50
is to prevent scalpers from writing a program
16
35000
2000
para impedir que os burlões comprem
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
milhões de bilhetes, dois de cada vez.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
Usam-se CAPTCHAs em toda a Internet.
00:56
And since they're used so often,
19
41000
2000
Como são usados com muita frequência,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
nem sempre é feliz a sequência
de caracteres aleatórios
de caracteres aleatórios
01:00
is not so fortunate.
21
45000
2000
que é mostrada ao utilizador
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Este exemplo é da página
de registo do Yahoo.
de registo do Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Os caracteres aleatórios que aparecem
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
são W, A, I, T [esperem],
que formam uma palavra.
que formam uma palavra.
01:10
But the best part is the message
25
55000
3000
Mas a melhor parte é a mensagem
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
que os serviços do Yahoo receberam
uns 20 minutos depois.
uns 20 minutos depois.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
[Socorro! Estou à espera há mais
de 20 minutos e não acontece nada]
de 20 minutos e não acontece nada]
01:19
(Laughter)
28
64000
4000
(Risos)
01:23
This person thought they needed to wait.
29
68000
2000
Esta pessoa achava que tinha de esperar.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Mas é muito melhor do que este, coitado.
[Reiniciar]
01:28
(Laughter)
31
73000
2000
(Risos)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Desenvolvemos o projeto CAPTCHA
aqui na Carnegie Mellon há 10 anos
aqui na Carnegie Mellon há 10 anos
01:33
and it's been used everywhere.
33
78000
2000
e está a ser usado por toda a parte.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Vou falar-vos de um projeto
que desenvolvemos anos depois,
que desenvolvemos anos depois,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
que é uma espécie de evolução do CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
É um projeto a que chamamos reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
que começámos aqui na Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
e que transformámos depois numa empresa.
01:46
And then about a year and a half ago,
39
91000
2000
Há cerca de um ano e meio,
01:48
Google actually acquired this company.
40
93000
2000
a Google comprou esta empresa.
01:50
So let me tell you what this project started.
41
95000
2000
Vou dizer-vos o que este projeto começou.
01:52
So this project started from the following realization:
42
97000
3000
Este projeto começou
através da seguinte perceção:
através da seguinte perceção:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Escrevem-se cerca
de 200 milhões de CAPTCHAs
de 200 milhões de CAPTCHAs
01:57
are typed everyday by people around the world.
44
102000
3000
todos os dias, por pessoas
em todo o mundo.
em todo o mundo.
Quando soube disto, senti-me
muito orgulhoso e pensei:
muito orgulhoso e pensei:
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
02:02
I thought, look at the impact that my research has had.
46
107000
2000
"Que impacto
que a minha investigação tem tido!".
que a minha investigação tem tido!".
02:04
But then I started feeling bad.
47
109000
2000
Mas depois comecei a sentir-me mal.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Porque, sempre que escrevemos um CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
desperdiçamos 10 segundos do nosso tempo.
02:11
And if you multiply that by 200 million,
50
116000
2000
Se multiplicarmos isso por 200 milhões,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
a humanidade está a gastar
cerca de 500 000 horas por dia
cerca de 500 000 horas por dia
02:16
typing these annoying CAPTCHAs.
52
121000
2000
a escrever estes irritantes CAPTCHAs.
02:18
So then I started feeling bad.
53
123000
2000
Por isso, comecei a sentir-me mal.
02:20
(Laughter)
54
125000
2000
(Risos)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Depois comecei a pensar:
"Não nos podemos livrar dos CAPTCHAs,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
"porque a segurança da web depende deles."
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
"Existirá alguma forma
de utilizar este esforço
de utilizar este esforço
02:30
for something that is good for humanity?
58
135000
2000
"para qualquer coisa boa
para a humanidade?"
para a humanidade?"
02:32
So see, here's the thing.
59
137000
2000
Então vejam isto.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Nos 10 segundos,
em que escrevem o CAPTCHA,
em que escrevem o CAPTCHA,
02:36
your brain is doing something amazing.
61
141000
2000
o cérebro está a fazer algo fascinante.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Faz uma coisa que os computadores
não conseguem fazer.
não conseguem fazer.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Como conseguir fazer algo útil
durante esses 10 segundos?
durante esses 10 segundos?
02:43
Another way of putting it is,
64
148000
2000
Ou seja, há um enorme problema
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
que os computadores não resolvem.
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
Será que podemos dividi-lo
em períodos de 10 segundos
em períodos de 10 segundos
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
e que, quando alguém escreve um CAPTCHA,
02:52
they solve a little bit of this problem?
68
157000
2000
se resolva uma parte desse problema?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
A resposta é "sim",
e é oque estamos a fazer agora.
e é oque estamos a fazer agora.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Por isso, hoje em dia,
quando escrevem um CAPTCHA,
quando escrevem um CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
estão a autenticar-se como pessoas,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
e estão a ajudar-nos a digitalizar livros.
03:03
So let me explain how this works.
73
168000
2000
Vou explicar como é que isso funciona.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Há imensos projetos
a tentar digitalizar livros.
a tentar digitalizar livros.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
A Google tem um.
O Internet Archive tem um.
O Internet Archive tem um.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
A Amazon, com o Kindle,
está a tentar digitalizar livros.
está a tentar digitalizar livros.
03:12
Basically the way this works
77
177000
2000
Isto funciona assim:
03:14
is you start with an old book.
78
179000
2000
Começa-se por pegar
num livro antigo, físico.
num livro antigo, físico.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Já viram uma coisa destas? Um livro?
03:18
(Laughter)
80
183000
2000
(Risos)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Começam com um livro e digitalizam-no.
03:22
Now scanning a book
82
187000
2000
Digitalizar um livro
é como tirar uma fotografia digital
de cada página do livro.
de cada página do livro.
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
03:26
It gives you an image for every page of the book.
84
191000
2000
Uma imagem para cada página do livro.
03:28
This is an image with text for every page of the book.
85
193000
2000
Uma imagem com texto
para cada página do livro.
para cada página do livro.
03:30
The next step in the process
86
195000
2000
O passo seguinte é o computador
conseguir decifrar
conseguir decifrar
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
todas as palavras nessa imagem.
03:35
That's using a technology called OCR,
88
200000
2000
Usa-se uma tecnologia chamada OCR,
03:37
for optical character recognition,
89
202000
2000
Reconhecimento Ótico de Caracteres,
03:39
which takes a picture of text
90
204000
2000
que tira uma fotografia do texto
03:41
and tries to figure out what text is in there.
91
206000
2000
e tenta descobrir que texto está lá.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
O problema é que o OCR não é perfeito.
03:45
Especially for older books
93
210000
2000
Especialmente para livros mais antigos
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
com tinta a falhar
e páginas amareladas,
e páginas amareladas,
OCR não consegue reconhecer
muitas das palavras.
muitas das palavras.
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Nas coisas que foram escritas
há mais de 50 anos,
há mais de 50 anos,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
o computador não reconhece
cerca de 30% das palavras.
cerca de 30% das palavras.
03:57
So what we're doing now
98
222000
2000
Portanto, extraímos todas as palavras
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
que o computador não consegue reconhecer
04:01
and we're getting people to read them for us
100
226000
2000
e pomos pessoas a lê-las para nós
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
enquanto escrevem um CAPTCHA na Internet.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Quando escreverem um CAPTCHA,
a palavra que escreverem
a palavra que escreverem
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
é uma palavra que sai de livros
que estão a ser digitalizados
que estão a ser digitalizados
04:11
that the computer could not recognize.
104
236000
2000
e que o computador
não conseguiu reconhecer.
não conseguiu reconhecer.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Agora temos duas palavras, em vez de uma,
04:15
is because, you see, one of the words
106
240000
2000
porque uma das palavras
foi retirada de um livro
foi retirada de um livro
04:17
is a word that the system just got out of a book,
107
242000
2000
que o sistema não conseguia ler.
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
Mas como não sabe a resposta,
não consegue dizer-vos que palavra é.
não consegue dizer-vos que palavra é.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
04:25
So what we do is we give you another word,
110
250000
2000
Por isso, dá-vos outra palavra,
04:27
one for which the system does know the answer.
111
252000
2000
para a qual o sistema conhece a resposta.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Não dizemos qual é qual.
Pedimos para escrever as duas.
Pedimos para escrever as duas.
04:31
And if you type the correct word
113
256000
2000
Se escreverem a palavra correta
04:33
for the one for which the system already knows the answer,
114
258000
2000
que o sistema já conhece,
04:35
it assumes you are human,
115
260000
2000
ele assume que vocês são humanos,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
e acha que escreveram bem a outra palavra.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Se repetirmos este processo
com 10 pessoas diferentes
com 10 pessoas diferentes
e todas elas concordarem
qual é a nova palavra,
qual é a nova palavra,
04:42
and all of them agree on what the new word is,
118
267000
2000
04:44
then we get one more word digitized accurately.
119
269000
2000
então temos mais uma palavra
digitalizada corretamente.
digitalizada corretamente.
04:46
So this is how the system works.
120
271000
2000
É assim que o sistema funciona.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Desde que o lançámos
há três ou quatro anos,
há três ou quatro anos,
muitos websites já começaram a mudar
04:51
a lot of websites have started switching
122
276000
2000
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
do CAPTCHA onde as pessoas perdiam tempo
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
para o novo CAPTCHA,
ajudando a digitalizar livros.
ajudando a digitalizar livros.
04:57
So for example, Ticketmaster.
125
282000
2000
Por exemplo, o Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Quando compram bilhetes no Ticketmaster,
ajudam a digitalizar um livro.
ajudam a digitalizar um livro.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: Quando adicionam um amigo
05:04
you help to digitize a book.
128
289000
2000
estão a ajudar a digitalizar um livro.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
O Twitter e cerca de 350 000 websites
estão a usar o reCAPTCHA.
estão a usar o reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
O número de sites a usar
o reCAPTCHA é tão grande
o reCAPTCHA é tão grande
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
que o número de palavras que
digitalizamos por dia é muito grande.
digitalizamos por dia é muito grande.
05:14
It's about 100 million a day,
132
299000
2000
É cerca de 100 milhões por dia,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
o que equivale
a dois milhões e meio de livros por ano.
a dois milhões e meio de livros por ano.
05:20
And this is all being done one word at a time
134
305000
2000
Tudo isto é feito, palavra-a-palavra
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
apenas com a escrita
de CAPTCHAs na Internet.
de CAPTCHAs na Internet.
05:24
(Applause)
136
309000
8000
(Aplausos)
05:32
Now of course,
137
317000
2000
Agora, claro,
já que estamos a conseguir
tantas palavras por dia,
tantas palavras por dia,
05:34
since we're doing so many words per day,
138
319000
2000
05:36
funny things can happen.
139
321000
2000
podem acontecer situações engraçadas.
05:38
And this is especially true because now we're giving people
140
323000
2000
Estamos a dar às pessoas
05:40
two randomly chosen English words next to each other.
141
325000
2000
duas palavras escolhidas
ao acaso, em conjunto.
ao acaso, em conjunto.
05:42
So funny things can happen.
142
327000
2000
Podem acontecer coisas engraçadas.
05:44
For example, we presented this word.
143
329000
2000
Por exemplo, demos a palavra "cristãos".
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Nada de especial.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Mas se a apresentarmos
com outra escolhida ao acaso,
com outra escolhida ao acaso,
05:51
bad things can happen.
146
336000
2000
podem acontecer coisas más.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Por exemplo. [Maus cristãos]
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Mas pior ainda, porque o site
em que mostrámos isto
em que mostrámos isto
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
calhou chamar-se
"A Embaixada do Reino de Deus".
"A Embaixada do Reino de Deus".
06:01
(Laughter)
150
346000
2000
(Risos)
06:03
Oops.
151
348000
2000
06:05
(Laughter)
152
350000
3000
06:08
Here's another really bad one.
153
353000
2000
Aqui está outra bem má.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
[Maldito liberal]
(Risos)
06:15
(Laughter)
156
360000
2000
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Estamos sempre a insultar
pessoas por todo o lado.
pessoas por todo o lado.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Mas não estamos só a insultar pessoas.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Como apresentamos duas palavras
escolhidas ao acaso,
escolhidas ao acaso,
06:25
interesting things can happen.
160
370000
2000
podem acontecer coisas interessantes.
06:27
So this actually has given rise
161
372000
2000
Isto gerou um burburinho famoso na Internet
06:29
to a really big Internet meme
162
374000
3000
em que já participaram
dezenas de milhares de pessoas
dezenas de milhares de pessoas
06:32
that tens of thousands of people have participated in,
163
377000
2000
06:34
which is called CAPTCHA art.
164
379000
2000
que se chama: "CAPTCHA art".
06:36
I'm sure some of you have heard about it.
165
381000
2000
Já devem ter ouvido falar nele.
06:38
Here's how it works.
166
383000
2000
Funciona assim:
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Imaginem que veem um CAPTCHA
que acham que é,
de certa forma, esquisito,
de certa forma, esquisito,
06:42
that you think is somewhat peculiar,
168
387000
2000
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
como este CAPTCHA
[Torradeira invisível]
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Depois, supostamente,
faz-se um printscreen.
faz-se um printscreen.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
e preenchem o CAPTCHA,
06:50
because you help us digitize a book.
172
395000
2000
porque estão a ajudar
a digitalizar um livro.
a digitalizar um livro.
06:52
But then, first you take a screen shot,
173
397000
2000
Mas depois, fazem o printscreen
06:54
and then you draw something that is related to it.
174
399000
2000
e desenham algo relacionado com ele.
06:56
(Laughter)
175
401000
2000
(Risos)
06:58
That's how it works.
176
403000
3000
É assim que funciona.
07:01
There are tens of thousands of these.
177
406000
3000
Há dezenas de milhares destes.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Alguns são adoráveis.
[consegui-o]
07:06
(Laughter)
179
411000
2000
(Risos)
07:08
Some of them are funnier.
180
413000
2000
Outros são mais divertidos.
07:10
(Text: stoned founders)
181
415000
3000
[Fundadores pedrados]
07:13
(Laughter)
182
418000
3000
(Risos)
07:16
And some of them,
183
421000
2000
E alguns deles,
como "paleontological shvisle"
07:18
like paleontological shvisle,
184
423000
3000
07:21
they contain Snoop Dogg.
185
426000
2000
contêm o Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Risos)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Ok, este é o meu número
preferido do reCAPTCHA.
preferido do reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
É a minha coisa preferida
em todo este projeto.
em todo este projeto.
07:31
This is the number of distinct people
189
436000
2000
É o número de pessoas
que nos ajudaram a digitalizar
que nos ajudaram a digitalizar
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
pelo menos uma palavra de um livro
através do reCAPTCHA:
através do reCAPTCHA:
07:36
750 million,
191
441000
2000
750 mil milhões,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
um pouco mais de 10%
da população mundial,
da população mundial,
07:40
has helped us digitize human knowledge.
193
445000
2000
que nos ajudou a digitalizar
o conhecimento humano.
o conhecimento humano.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
São números como estes
que motivam a minha investigação.
que motivam a minha investigação.
07:45
So the question that motivates my research is the following:
195
450000
3000
A questão que motiva
a minha investigação é esta:
a minha investigação é esta:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Se virmos as grandes
conquistas da humanidade,
conquistas da humanidade,
07:50
these really big things
197
455000
2000
as coisas realmente grandiosas
07:52
that humanity has gotten together and done historically --
198
457000
3000
em que a humanidade
se juntou e fez história
se juntou e fez história
— como a construção
das pirâmides do Egipto
das pirâmides do Egipto
07:55
like for example, building the pyramids of Egypt
199
460000
2000
07:57
or the Panama Canal
200
462000
2000
ou do canal do Panamá
07:59
or putting a man on the Moon --
201
464000
2000
ou pôr um homem na Lua —
08:01
there is a curious fact about them,
202
466000
2000
há um facto curioso relacionado com elas:
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
todas foram feitas com quase
o mesmo número de pessoas.
o mesmo número de pessoas.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
É estranho; todas foram feitas
com cerca de 100 000 pessoas.
com cerca de 100 000 pessoas.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
E a razão para isso é que,
antes da Internet,
antes da Internet,
08:11
coordinating more than 100,000 people,
206
476000
2000
coordenar mais do que 100 000 pessoas,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
quanto mais, pagar-lhes,
era quase impossível.
era quase impossível.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Mas agora, com a Internet,
mostrei um projeto
mostrei um projeto
08:18
where we've gotten 750 million people
209
483000
2000
em que temos 750 milhões de pessoas
08:20
to help us digitize human knowledge.
210
485000
2000
que nos ajudam a digitalizar
o conhecimento humano.
o conhecimento humano.
08:22
So the question that motivates my research is,
211
487000
2000
Assim, o motive da minha investigação é:
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
se conseguimos pôr um homem
na Lua com 100 000 pessoas,
na Lua com 100 000 pessoas,
08:27
what can we do with 100 million?
213
492000
2000
o que conseguiremos fazer com 100 milhões?
08:29
So based on this question,
214
494000
2000
Com base nesta questão,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
estamos a trabalhar
em muitos projetos diferentes
em muitos projetos diferentes
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Vou falar-vos sobre aquele
que mais me entusiasma.
que mais me entusiasma.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
É uma coisa em que temos estado
a trabalhar discretamente
a trabalhar discretamente
08:38
for the last year and a half or so.
218
503000
2000
no último ano e meio.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Ainda não foi lançado. Chama-se Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Como ainda não foi lançado, shhhhh!
08:44
(Laughter)
221
509000
2000
(Risos)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Sim, confio que vão fazer isso.
08:48
So this is the project. Here's how it started.
223
513000
2000
O projeto é este. Começou assim.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Fiz uma pergunta
a um estudante já licenciado,
a um estudante já licenciado,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Este é o Severin Hacker.
(Risos)
08:56
So I posed the question to my graduate student.
227
521000
2000
Fiz uma pergunta ao meu aluno.
08:58
By the way, you did hear me correctly;
228
523000
2000
Já agora, vocês ouviram bem,
09:00
his last name is Hacker.
229
525000
2000
o apelido dele é Hacker.
09:02
So I posed this question to him:
230
527000
2000
Fiz-lhe esta pergunta:
09:04
How can we get 100 million people
231
529000
2000
"Como conseguir que 100 milhões de pessoas
09:06
translating the Web into every major language for free?
232
531000
3000
"traduzam a web, de graça,
para as principais línguas?"
para as principais línguas?"
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Há muitas coisas a dizer acerca disto.
09:11
First of all, translating the Web.
234
536000
2000
Em primeiro lugar: traduzir a Web.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
A web está dividida em várias línguas.
09:16
A large fraction of it is in English.
236
541000
2000
Uma grande parte dela está em inglês.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Se não soubermos inglês,
não conseguimos percebê-la.
não conseguimos percebê-la.
09:20
But there's large fractions in other different languages,
238
545000
2000
Mas há grandes frações noutras línguas.
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
Se não soubermos essas línguas,
não as percebemos.
não as percebemos.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Por isso, gostaria de traduzir toda a web,
ou a maior parte dela,
ou a maior parte dela,
09:28
into every major language.
241
553000
2000
em todas as línguas principais.
09:30
So that's what I would like to do.
242
555000
2000
É o que eu gostaria fazer.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Poderão dizer:
"Porque é que não usamos
computadores para traduzir?
computadores para traduzir?
09:35
Why can't we use machine translation?
244
560000
2000
"ou tradução automática?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
"A tradução automática já começa
a traduzir algumas frases.
a traduzir algumas frases.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
"Porque não usá-la para toda a web?"
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
O problema é que ela
ainda não é grande coisa
ainda não é grande coisa
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
nem o será, nos próximos 15 ou 20 anos.
09:45
It makes a lot of mistakes.
249
570000
2000
Faz imensos erros.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Por causa disso, não sabemos
se podemos confiar nela ou não
se podemos confiar nela ou não
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
09:52
So let me show you an example
252
577000
2000
Vou mostrar-vos um exemplo
duma coisa que foi traduzida
automaticamente.
automaticamente.
09:54
of something that was translated with a machine.
253
579000
2000
09:56
Actually it was a forum post.
254
581000
2000
Tratava-se de um post de um fórum.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Alguém queria fazer uma pergunta
sobre JavaScript.
sobre JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Foi traduzida de japonês para inglês.
10:04
So I'll just let you read.
257
589000
2000
[...Agradeço computador traduzir ajudar.
Desculpem!]
Desculpem!]
10:06
This person starts apologizing
258
591000
2000
Esta pessoa começa por pedir desculpa
10:08
for the fact that it's translated with a computer.
259
593000
2000
por estar a traduzir com um computador.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
A próxima frase é o preâmbulo da questão.
10:13
So he's just explaining something.
261
598000
2000
Está apenas a explicar.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Lembrem-se, é uma questão
sobre o JavaScript.
sobre o JavaScript.
[Frequentemente, o tempo de cabra
instalar um erro é vómito".)
instalar um erro é vómito".)
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Risos)
10:23
(Laughter)
264
608000
4000
10:27
Then comes the first part of the question.
265
612000
3000
Depois vem a primeira parte da pergunta.
[Quantas vezes como o vento,
um polo, e o dragão?)
um polo, e o dragão?)
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Risos)
10:34
(Laughter)
267
619000
2000
10:36
Then comes my favorite part of the question.
268
621000
3000
Depois vem a minha parte
preferida da pergunta
preferida da pergunta
[Este insulto às pedras do pai?]
10:39
(Text: This insult to father's stones?)
269
624000
3000
10:42
(Laughter)
270
627000
2000
(Risos)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
E por fim, a minha parte favorita
disto tudo.
disto tudo.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
[Por favor peçam desculpa
pela vossa estupidez. Há imensos obrigado]
pela vossa estupidez. Há imensos obrigado]
10:51
(Laughter)
273
636000
2000
(Risos)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
A tradução por computadores,
ainda não é grande coisa.
ainda não é grande coisa.
10:55
So back to the question.
275
640000
2000
Voltando à nossa questão:
10:57
So we need people to translate the whole Web.
276
642000
3000
Precisamos de pessoas
que traduzam toda a web.
que traduzam toda a web.
11:00
So now the next question you may have is,
277
645000
2000
A próxima pergunta que podem ter é,
11:02
well why can't we just pay people to do this?
278
647000
2000
"Porque é que não pagamos a pessoas
para fazer isto?
para fazer isto?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Podíamos pagar a tradutores profissionais
para traduzir toda a web.
para traduzir toda a web.
11:07
We could do that.
280
652000
2000
Podíamos fazer isso
mas seria extremamente caro.
mas seria extremamente caro.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Por exemplo: traduzir uma fração
minúscula de toda a web, a Wikipédia,
minúscula de toda a web, a Wikipédia,
11:14
into one other language, Spanish.
283
659000
3000
para uma outra língua, o espanhol.
11:17
Wikipedia exists in Spanish,
284
662000
2000
A Wikipédia existe em espanhol,
11:19
but it's very small compared to the size of English.
285
664000
2000
mas é muito pequena
quando comparada com o inglês.
quando comparada com o inglês.
11:21
It's about 20 percent of the size of English.
286
666000
2000
É cerca de 20% do tamanho em inglês.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Se quiséssemos traduzir
os outros 80% para espanhol,
os outros 80% para espanhol,
11:26
it would cost at least 50 million dollars --
288
671000
2000
custar-nos-ia, pelo menos,
50 milhões de dólares,
50 milhões de dólares,
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
mesmo no país fornecedor
mais explorado que existe.
mais explorado que existe.
11:31
So it would be very expensive.
290
676000
2000
Seria extremamente caro.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Queremos que haja 100 milhões de pessoas
11:35
translating the Web into every major language
292
680000
2000
a traduzir a web, de graça,
em todas as línguas principais,
em todas as línguas principais,
11:37
for free.
293
682000
2000
11:39
Now if this is what you want to do,
294
684000
2000
Se queremos fazer isto,
percebemos logo que há
duas barreiras bem grandes,
duas barreiras bem grandes,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
11:43
two big obstacles.
296
688000
2000
dois grandes obstáculos.
11:45
The first one is a lack of bilinguals.
297
690000
3000
A primeira é a falta de bilingues.
11:48
So I don't even know
298
693000
2000
Nem sei se existem 100 milhões
de utilizadores da web
de utilizadores da web
11:50
if there exists 100 million people out there using the Web
299
695000
3000
que sejam suficientemente bilingues
para nos ajudar a traduzir.
para nos ajudar a traduzir.
11:53
who are bilingual enough to help us translate.
300
698000
2000
11:55
That's a big problem.
301
700000
2000
Esse é um grande problema.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
Outro problema é a falta de motivação.
11:59
How are we going to motivate people
303
704000
2000
Como é que vamos motivar as pessoas
12:01
to actually translate the Web for free?
304
706000
2000
a traduzir a web de graça?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalmente, é preciso pagar para isso.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Como é que as vamos motivar
para o fazerem de graça?
para o fazerem de graça?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
A princípio, ficámos bloqueados
por estes dois aspetos.
por estes dois aspetos.
12:11
But then we realized, there's actually a way
308
716000
2000
Mas depois percebemos
que há uma maneira
que há uma maneira
12:13
to solve both these problems with the same solution.
309
718000
2000
de resolver ambos os problemas
com a mesma solução.
com a mesma solução.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Podemos matar dois coelhos
só com uma cajadada.
só com uma cajadada.
12:17
And that is to transform language translation
311
722000
3000
E isso faz-se transformando a tradução
12:20
into something that millions of people want to do,
312
725000
3000
numa coisa que milhões
de pessoas queiram fazer,
de pessoas queiram fazer,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
e que também diminua
o problema da falta de bilingues.
o problema da falta de bilingues.
12:26
and that is language education.
314
731000
3000
Faz-se isso através
da educação linguística.
da educação linguística.
12:29
So it turns out that today,
315
734000
2000
Acontece que, hoje em dia,
há mais de 1,2mil milhões de pessoas
a aprender uma língua estrangeira.
a aprender uma língua estrangeira.
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
12:34
People really, really want to learn a foreign language.
317
739000
2000
As pessoas querem imenso
aprender uma língua estrangeira.
aprender uma língua estrangeira.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Não é por estarem a ser forçadas
a aprender na escola.
a aprender na escola.
12:39
For example, in the United States alone,
319
744000
2000
Só nos EUA, há mais
de 5 milhões de pessoas
de 5 milhões de pessoas
12:41
there are over five million people who have paid over $500
320
746000
2000
que pagaram mais de 500 dólares
12:43
for software to learn a new language.
321
748000
2000
por software para aprenderem
uma nova língua.
uma nova língua.
12:45
So people really, really want to learn a new language.
322
750000
2000
As pessoas querem mesmo
aprender uma nova língua.
aprender uma nova língua.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Por isso, no último ano e meio,
temos trabalhado
temos trabalhado
12:50
it's called Duolingo --
324
755000
2000
num novo website, chamado Duolingo,
12:52
where the basic idea is people learn a new language for free
325
757000
3000
onde a ideia principal é que as pessoas
aprendam uma nova língua de graça
aprendam uma nova língua de graça
12:55
while simultaneously translating the Web.
326
760000
2000
ao mesmo tempo que traduzem a web.
12:57
And so basically they're learning by doing.
327
762000
2000
Ou seja, aprendem fazendo.
12:59
So the way this works
328
764000
2000
Funciona assim:
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
quando se trata de um principiante,
damos-lhe frases muito simples.
damos-lhe frases muito simples.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Claro que há imensas frases
simples na web.
simples na web.
13:06
We give you very, very simple sentences
331
771000
2000
Frases muito simples juntamente
com o significado de cada palavra.
com o significado de cada palavra.
13:08
along with what each word means.
332
773000
2000
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
À medida que se traduz, à medida que se vê
como as outras pessoas as traduzem,
como as outras pessoas as traduzem,
13:13
you start learning the language.
334
778000
2000
começa-se a aprender a língua.
13:15
And as you get more and more advanced,
335
780000
2000
E à medida que vai avançando,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
damos-lhe frases mais complexas
para traduzir.
para traduzir.
13:19
But at all times, you're learning by doing.
337
784000
2000
Mas está-se sempre a aprender fazendo.
13:21
Now the crazy thing about this method
338
786000
2000
O que é invulgar neste método
é que realmente funciona.
é que realmente funciona.
13:23
is that it actually really works.
339
788000
2000
Primeiro, as pessoas
estão a aprender uma língua.
estão a aprender uma língua.
13:25
First of all, people are really, really learning a language.
340
790000
2000
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Já acabámos de o construir,
agora estamos a testá-lo.
agora estamos a testá-lo.
13:29
People really can learn a language with it.
342
794000
2000
As pessoas aprendem uma língua
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
tão bem como com o melhor software
de aprendizagem de línguas.
de aprendizagem de línguas.
13:34
So people really do learn a language.
344
799000
2000
As pessoas aprendem mesmo uma língua.
13:36
And not only do they learn it as well,
345
801000
2000
Não só aprendem uma língua,
13:38
but actually it's way more interesting.
346
803000
2000
é muito mais interessante.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Porque, com o Duolingo, as pessoas
estão a aprender com conteúdos reais.
estão a aprender com conteúdos reais.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Em vez de aprenderem com frases feitas,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
as pessoas aprendem
com um conteúdo real, que é interessante.
com um conteúdo real, que é interessante.
13:48
So people really do learn a language.
350
813000
2000
As pessoas aprendem uma língua.
13:50
But perhaps more surprisingly,
351
815000
2000
Mas talvez mais surpreendente do que isso,
13:52
the translations that we get from people using the site,
352
817000
3000
as traduções que obtemos
através dos utilizadores do site,
através dos utilizadores do site,
13:55
even though they're just beginners,
353
820000
2000
embora sejam de principiantes,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
são tão precisas como as
dos tradutores linguísticos profissionais,
dos tradutores linguísticos profissionais,
14:00
which is very surprising.
355
825000
2000
o que é bastante surpreendente.
14:02
So let me show you one example.
356
827000
2000
Vou mostrar-vos um exemplo.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Esta frase foi traduzida
de alemão para inglês.
de alemão para inglês.
14:06
The top is the German.
358
831000
2000
A de cima, é o original em alemão.
14:08
The middle is an English translation
359
833000
2000
A do meio, é uma tradução em inglês
14:10
that was done by somebody who was a professional English translator
360
835000
2000
feita por um tradutor profissional inglês
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
a quem pagámos 20 cêntimos
por palavra pela tradução.
por palavra pela tradução.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
A de baixo, é a tradução
dos utilizadores do Duolingo,
dos utilizadores do Duolingo,
14:17
none of whom knew any German
363
842000
2000
nenhum dos quais sabia alemão
14:19
before they started using the site.
364
844000
2000
antes de começar a usar o site.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Como podem ver, é quase perfeita.
14:23
Now of course, we play a trick here
366
848000
2000
Claro que usamos aqui um truque
para tornar as traduções tão boas
como as dos tradutores profissionais.
como as dos tradutores profissionais.
14:25
to make the translations as good as professional language translators.
367
850000
2000
14:27
We combine the translations of multiple beginners
368
852000
3000
Combinamos as traduções
de vários principiantes
de vários principiantes
14:30
to get the quality of a single professional translator.
369
855000
3000
para conseguir a qualidade
de um único tradutor profissional.
de um único tradutor profissional.
14:33
Now even though we're combining the translations,
370
858000
5000
Embora estejamos a combinar as traduções,
14:38
the site actually can translate pretty fast.
371
863000
2000
o website consegue traduzir
de forma bastante rápida.
de forma bastante rápida.
14:40
So let me show you,
372
865000
2000
Vou mostrar a nossa estimativa
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
quanto à rapidez da tradução da Wikipédia
14:44
from English into Spanish.
374
869000
2000
de inglês para espanhol.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Lembrem-se, isto vale
50 milhões de dólares.
50 milhões de dólares.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
A tradução da Wikipédia para espanhol,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
podia ser feita, em cinco semanas,
com 100 000 utilizadores ativos,
com 100 000 utilizadores ativos,
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
em cerca de 80 horas, com um milhão
de utilizadores ativos.
de utilizadores ativos.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Como todos os projetos em que temos
trabalhado tiveram milhões de utilizadores,
trabalhado tiveram milhões de utilizadores,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
temos esperança que conseguiremos traduzir
15:02
extremely fast with this project.
381
887000
2000
muito depressa, com este projeto.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
A coisa que mais me entusiasma no Duolingo
15:07
is I think this provides a fair business model for language education.
383
892000
3000
é que penso que isto proporciona
um modelo de negócio justo
um modelo de negócio justo
15:10
So here's the thing:
384
895000
2000
para a educação linguística.
No atual modelo
para a educação linguística,
para a educação linguística,
15:12
The current business model for language education
385
897000
2000
15:14
is the student pays,
386
899000
2000
o aluno paga, ou seja,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
o aluno paga 500 dólares à Rosetta Stone.
15:18
(Laughter)
388
903000
2000
(Risos)
15:20
That's the current business model.
389
905000
2000
Este é o modelo de negócio atual.
15:22
The problem with this business model
390
907000
2000
O problema deste modelo de negócio
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
é que 95% da população mundial
não tem 500 dólares.
não tem 500 dólares.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Por isso, é extremamente injusto
para os mais pobres.
para os mais pobres.
15:30
This is totally biased towards the rich.
393
915000
2000
É completamente favorecedor dos ricos.
15:32
Now see, in Duolingo,
394
917000
2000
Agora vejam, no Duolingo,
15:34
because while you learn
395
919000
2000
como, enquanto aprendem,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
estão a criar valor,
estão a traduzir coisas
estão a traduzir coisas
15:39
which for example, we could charge somebody for translations.
397
924000
3000
que podíamos cobrar a alguém
pelas traduções.
pelas traduções.
15:42
So this is how we could monetize this.
398
927000
2000
É assim que poderíamos valorizar isto.
15:44
Since people are creating value while they're learning,
399
929000
2000
Como as pessoas estão a criar valor
enquanto estão a aprender,
enquanto estão a aprender,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
não têm de pagar nada,
pagam com o seu tempo.
pagam com o seu tempo.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
O que é mágico aqui é que elas estão
a pagar com o seu tempo,
a pagar com o seu tempo,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
mas é o tempo que teriam de gastar
de qualquer maneira
de qualquer maneira
15:54
learning the language.
403
939000
2000
a aprender a língua.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
O Duolingo é bom porque proporciona
um modelo de negócio justo
um modelo de negócio justo
15:59
one that doesn't discriminate against poor people.
405
944000
2000
que não discrimina as pessoas pobres.
16:01
So here's the site. Thank you.
406
946000
2000
O site é este.
16:03
(Applause)
407
948000
8000
(Aplausos)
Obrigado.
16:11
So here's the site.
408
956000
2000
O site é este.
16:13
We haven't yet launched,
409
958000
2000
Ainda não o lançámos,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
mas se forem lá, podem inscrever-se
para fazer parte do nosso beta privado,
para fazer parte do nosso beta privado,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
que irá começar dentro
de três ou quatro semanas.
de três ou quatro semanas.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Ainda não lançámos este Duolingo.
16:22
By the way, I'm the one talking here,
413
967000
2000
Já agora, eu sou um porta-voz.
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
O Duolingo é o trabalho
de uma equipa fantástica,
de uma equipa fantástica,
estão aqui alguns dos seus membros.
16:27
So thank you.
415
972000
2000
Obrigado.
16:29
(Applause)
416
974000
4000
(Aplausos)
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