TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Büyük çaplı online işbirliği
Filmed:
Readability: 3.8
1,740,008 views
CAPTCHA'yı, her insan tarafından yazılan yanıtın kitapları dijitalleştirmeye yardım etmesi için tekrar programladıktan sonra, Luis von Ahn birçok insanın İnternetteki ufak katkılarını kullanarak daha iyi neler yapılabilir diye düşünmeye başladı. TEDxCMU'da yeni iddialı projesi Doulingo'nun, nasıl milyonlarca insana Web'i hızla ve doğru bir şekilde tercüme ettirerek yeni bir dil öğrenmelerinde yardımcı olacağını anlatıyor -- hem de bedavaya.
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
Kaçınız buna benzer şekli bozulmuş bir karakter dizisini
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
okumanızı gerektiren bir web formu doldurmak zorunda kaldınız?
00:19
How many of you found it really, really annoying?
2
4000
2000
Kaçınız bunu gerçekten ama gerçekten sinir bozucu buluyor?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Pekala, harika. Bunu ben icat ettim.
00:24
(Laughter)
4
9000
2000
(Gülüşmeler)
00:26
Or I was one of the people who did it.
5
11000
2000
Ya da icat edenlerden biriydim.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Bu şeye CAPTCHA deniyor.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Ve bunun orada olmasının nedeni formu dolduran kişinin, sizin,
00:32
are actually a human and not some sort of computer program
8
17000
3000
formu milyonlarca defa göndermeye programlanmış bir
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
bilgisayar programı değil, insan olduğunuzdan emin olmak.
00:37
The reason it works is because humans,
10
22000
2000
İşe yarıyor çünkü insanlar,
00:39
at least non-visually-impaired humans,
11
24000
2000
en azından görme engelli olmayan insanlar,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
şekli bozulmuş dalgalı karakterleri okumakta sorun yaşamıyorlar,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
fakat bilgisayarlar bunu henüz yapamıyorlar.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Örneğin, Ticketmaster'ın durumunda,
00:48
the reason you have to type these distorted characters
15
33000
2000
bu şekli bozuk karakterleri yazmanızın nedeni,
00:50
is to prevent scalpers from writing a program
16
35000
2000
bilet karaborsacılarının ikişer defa milyonlarca
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
bilet alabilen bir program yazmalarını engellemek.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
CAPTCHA'lar bütün İnternet'te kullanılıyor.
00:56
And since they're used so often,
19
41000
2000
Ve çok sık kullanıldıklarından,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
birçok kez kullanıcının karşısına rastgele karakterlerin düzgün
01:00
is not so fortunate.
21
45000
2000
sıralanmış olarak çıkması olağan.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Örneğin bu Yahoo'nun kayıt sayfası.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Kullanıcının karşısına çıkan rastgele karakterler şunlardı
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
W,A,I,T (bekle), tabi ki bu aynı zamanda bir kelime.
01:10
But the best part is the message
25
55000
3000
Ama işin en iyi kısmı Yahoo'nun
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
yardım masasına 20 dakika sonra gelen mesaj.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Yazı: "Yardım edin! 20 dakikadır bekliyorum ama hiçbir şey olmuyor."
01:19
(Laughter)
28
64000
4000
(Gülüşmeler)
01:23
This person thought they needed to wait.
29
68000
2000
Bu kişi beklemeleri gerektiğini düşünmüş.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Bu tabi ki, bu zavallı kişininki kadar kötü değil.
01:28
(Laughter)
31
73000
2000
(Gülüşmeler)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
CAPTCHA Projesi burada Carnegie Mellon'da 10 yıl önce yaptığımız birşey,
01:33
and it's been used everywhere.
33
78000
2000
ve her yerde kullanılıyor.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Şimdi size bundan birkaç yıl sonra yaptığımız bir projeden bahsedeyim,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
ki bu CAPTCHA'nın bir çeşit evrimleşmiş hali.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Bu projeye reCAPTCHA diyoruz,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
burada Carnegie Mellon'da başlattığımız birşey,
01:44
then we turned it into a startup company.
38
89000
2000
sonra bunu yeni kurulmuş bir şirkete çevirdik.
01:46
And then about a year and a half ago,
39
91000
2000
Ve yaklaşık bir buçuk yıl sonra,
01:48
Google actually acquired this company.
40
93000
2000
aslında Google bu şirketi satın aldı.
01:50
So let me tell you what this project started.
41
95000
2000
Size bu projenin neyi başlattığını anlatayım.
01:52
So this project started from the following realization:
42
97000
3000
Bu proje arka arkaya gelen kavrayışlarla başladı:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Anlaşıldı ki dünyanın her yerinde insanlar hergün
01:57
are typed everyday by people around the world.
44
102000
3000
yaklaşık 200 milyon CAPTCHA yazıyor.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Bunu ilk duyduğumda, kendimle gerçekten gurur duydum.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Şöyle düşündüm, araştırmamın yarattığı etkiye bakın.
02:04
But then I started feeling bad.
47
109000
2000
Ama sonra kendimi kötü hissetmeye başladım.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Olay şu, her bir CAPTCHA yazışınızda,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
aslında hayatınızın 10 saniyesini harcıyorsunuz.
02:11
And if you multiply that by 200 million,
50
116000
2000
Ve bunu 200 milyonla çarptığınızda,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
şu sonuç çıkıyor, tüm insanlık hergün bu sinir bozucu CAPTCHA'ları
02:16
typing these annoying CAPTCHAs.
52
121000
2000
yazarak günde yaklaşık 500,000 saat harcıyor.
02:18
So then I started feeling bad.
53
123000
2000
Sonra kendimi kötü hissetmeye başladım.
02:20
(Laughter)
54
125000
2000
(Gülüşmeler)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Ve sonra düşünmeye başladım, tabi ki, CAPTCHA'lardan vazgeçemeyiz,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
çünkü Web güvenliği bir şekilde onlara dayanıyor.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Ama sonra bu uğraşıyı insanlığa faydalı olacak bir şekilde
02:30
for something that is good for humanity?
58
135000
2000
kullanabilir miyiz diye düşünmeye başladım?
02:32
So see, here's the thing.
59
137000
2000
Görüyorsunuz, olay bu.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Bir CAPTCHA yazarkenki 10 saniye içinde,
02:36
your brain is doing something amazing.
61
141000
2000
beyniniz muhteşem birşey yapıyor.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Beyniniz henüz bilgisayarların yapamadığı birşeyi yapıyor.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Peki size bu 10 saniye içinde bu faydalı işi yaptırabilir miyiz?
02:43
Another way of putting it is,
64
148000
2000
Başka bir deyişle,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
henüz bilgisayarların çözemediği, bir kişinin her CAPTCHA
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
çözüşünde bu sorunun da bir kısmını
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
çözmesini sağlayan 10 saniyelik küçük parçalara
02:52
they solve a little bit of this problem?
68
157000
2000
bölebileceğimiz büyük sorunlar var mı?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Ve bunun cevabı "evet", ve şu an bunu yapıyoruz.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Şunu bilmiyor olabilirsiniz ama bugünlerde CAPTCHA'yı yazarken
02:59
not only are you authenticating yourself as a human,
71
164000
2000
sadece insan olduğunuzu doğrulamakla kalmıyor,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
aynı zamanda aslında bize kitapları dijitalleştirmemizde yardımcı oluyorsunuz.
03:03
So let me explain how this works.
73
168000
2000
Size nasıl çalıştığını anlatayım.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Kitapları dijitalleştirmeye çalışan çok fazla proje var.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google'ın var.The Internet Archive'in var.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, şimdi Kindle ile, kitapları dijitalleştirmeye çalışıyor.
03:12
Basically the way this works
77
177000
2000
Temelde şöyle çalışıyor
03:14
is you start with an old book.
78
179000
2000
eski bir kitapla başlıyorsunuz.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Bunlardan daha önce gördünüz, değil mi? Kitap gibi?
03:18
(Laughter)
80
183000
2000
(Gülüşmeler)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Bir kitapla başlıyorsunuz ve sonra onu tarıyorsunuz.
03:22
Now scanning a book
82
187000
2000
Şimdi bir kitabı taramak
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
kitabın her sayfasının dijital fotoğrafını çekmek gibi birşey.
03:26
It gives you an image for every page of the book.
84
191000
2000
Kitabın her sayfası için bir resim veriyor size.
03:28
This is an image with text for every page of the book.
85
193000
2000
Bu kitabın her sayfası için bir yazılı resim.
03:30
The next step in the process
86
195000
2000
Süreçteki bir sonraki adımda
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
bilgisayarın bu resimdeki tüm kelimeleri deşifre etmesi gerekiyor.
03:35
That's using a technology called OCR,
88
200000
2000
Bunun için OCR isimli bir teknoloji kullanıyor,
03:37
for optical character recognition,
89
202000
2000
optik karakter tanımlaması için,
03:39
which takes a picture of text
90
204000
2000
yazının fotoğrafı gerekiyor
03:41
and tries to figure out what text is in there.
91
206000
2000
ve yazıyı çözmeye çalışıyor.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Sorun şu ki OCR mükemmel değil.
03:45
Especially for older books
93
210000
2000
Özellikle mürekkebin
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
solduğu ve sayfaların sarardığı daha eski kitaplarda,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
OCR tüm kelimeleri tanıyamıyor.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Örneğin, 50 yıl önce yazılmış şeylerde,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
bilgisayar kelimelerin yaklaşık yüzde 30'unu tanıyamıyor.
03:57
So what we're doing now
98
222000
2000
Bu yüzden şunu yapıyoruz,
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
bilgisayarın tanıyamadığı bütün kelimeleri alıyoruz
04:01
and we're getting people to read them for us
100
226000
2000
ve insanların İnternette bir CAPTCHA yazarken
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
bunları bizim için okumalarını sağlıyoruz.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Yani bir daha ki sefere bir CAPTCHA yazdığınızda, yazdığınız kelimeler
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
aslında dijitalleştirilmekte olan kitapların bilgisayarın
04:11
that the computer could not recognize.
104
236000
2000
tanıyamadığı kelimeleri olacak.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Ve artık günümüzde bir yerine iki kelimenin olmasının nedeni şu,
04:15
is because, you see, one of the words
106
240000
2000
görüyorsunuz, kelimelerden biri
04:17
is a word that the system just got out of a book,
107
242000
2000
sistemin kitaptan bulduğu bir kelime,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
ne olduğunu bilmiyordu ve bunu size sunacak.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Ama bunu cevabını bilmediği için bunu sizin için puanlayamaz.
04:25
So what we do is we give you another word,
110
250000
2000
Bu yüzden size bir kelime daha veriyoruz,
04:27
one for which the system does know the answer.
111
252000
2000
bilgisayarın cevabını bildiği bir kelime.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Size hangisinin hangisi olduğunu söylemiyoruz ve ikisini de yazmanızı istiyoruz.
04:31
And if you type the correct word
113
256000
2000
Ve eğer sistemin çoktan
04:33
for the one for which the system already knows the answer,
114
258000
2000
cevabını bildiği doğru kelimeyi yazarsanız,
04:35
it assumes you are human,
115
260000
2000
sizi insan olarak kabul eder,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
ve ayrıca diğer kelimeyi de doğru yazdığınızı düşünür.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Ve bu süreci 10 farklı kişi için tekrar edersek ve hepsi
04:42
and all of them agree on what the new word is,
118
267000
2000
yeni kelimenin ne olduğu konusunda hem fikir olursa,
04:44
then we get one more word digitized accurately.
119
269000
2000
bir kelimeyi daha doğru bir şekilde dijitalleştirmiş oluyoruz.
04:46
So this is how the system works.
120
271000
2000
Yani sistem bu şekilde işliyor.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Ve aslında, bunu yapmaya başlayalı üç ya da dört yıl geçti,
04:51
a lot of websites have started switching
122
276000
2000
birçok websitesi insanların vakitlerini harcadıkları
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
eski CAPTCHA'yı insanların kitapları dijitalleştirmeye
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
yardımcı olduğu yeni CAPTCHA ile değiştirmeye başladı.
04:57
So for example, Ticketmaster.
125
282000
2000
Örneğin, Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Yani Ticketmaster'dan her bilet alışınızda bir kitabı dijitalleştirmeye yardım ediyorsunuz.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: Her yeni arkadaş eklediğinizde veya birini dürttüğünüzde,
05:04
you help to digitize a book.
128
289000
2000
bir kitabı dijitalleştirmeye yardım ediyorsunuz.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter ve yaklaşık 350,000 başka site reCAPTCHA'yı kullanıyor.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Ve aslında, reCAPTCHA'yı kullanan sitelerin sayısı o kadar fazla ki,
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
bir günde dijitalleştirdiğimiz kelimelerin sayısı gerçekten çok fazla.
05:14
It's about 100 million a day,
132
299000
2000
Günde yaklaşık 100 milyon,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
ki bu da yılda yaklaşık iki buçuk milyon kitaba eşdeğer.
05:20
And this is all being done one word at a time
134
305000
2000
Ve bu insanların İnternette CAPTCHA'ları yazmasıyla
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
her seferde tek kelime ile oluyor.
05:24
(Applause)
136
309000
8000
(Alkış)
05:32
Now of course,
137
317000
2000
Tabi ki,
05:34
since we're doing so many words per day,
138
319000
2000
günde çok fazla kelime yazdığımız için,
05:36
funny things can happen.
139
321000
2000
komik şeyler olabiliyor.
05:38
And this is especially true because now we're giving people
140
323000
2000
Bu gerçekten doğru çünkü insanlara rastgele seçilmiş
05:40
two randomly chosen English words next to each other.
141
325000
2000
İngilizce kelimeleri yan yana veriyoruz.
05:42
So funny things can happen.
142
327000
2000
Çok komik şeyler olabiliyor.
05:44
For example, we presented this word.
143
329000
2000
Örneğin, bu kelimeyi sunduk.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
"Christians" (Hristiyanlar) kelimesi, bunda bir sorun yok.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Ama bunu rastgele seçilen başka bir kelimeyle sunduğunuzda,
05:51
bad things can happen.
146
336000
2000
kötü şeyler olabilir.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Başımıza bu geliyor. (Yazı: kötü hristiyanlar)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Daha da kötüsü, bunu gösterdiğimiz sitenin adı
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
Tanrı'nın Krallığının Elçiliği'ydi.
06:01
(Laughter)
150
346000
2000
(Gülüşmeler)
06:03
Oops.
151
348000
2000
Oops.
06:05
(Laughter)
152
350000
3000
(Gülüşmeler)
06:08
Here's another really bad one.
153
353000
2000
İşte gerçekten kötü olan başka bir tanesi.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Yazı: Kahrolası liberal)
06:15
(Laughter)
156
360000
2000
(Gülüşmeler)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Yani hergün solcu ve sağcıları aşağılamaya devam ediyoruz.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Tabi ki, sadece insanları aşağılamakla kalmıyoruz.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Olay şu, iki rastgele seçilmiş kelime sunduğumuz için,
06:25
interesting things can happen.
160
370000
2000
ilginç şeyler olabiliyor.
06:27
So this actually has given rise
161
372000
2000
Hatta bu durum
06:29
to a really big Internet meme
162
374000
3000
on binlerce insanın katıldığı bir
06:32
that tens of thousands of people have participated in,
163
377000
2000
İnternet etkinliğine neden oldu,
06:34
which is called CAPTCHA art.
164
379000
2000
buna CAPTCHA sanatı deniyor.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Eminim bir kaçınız bunu duymuştur.
06:38
Here's how it works.
166
383000
2000
Bu şekilde oluyor.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Düşünün ki İnterneti kullanıyorsunuz ve bir şekilde
06:42
that you think is somewhat peculiar,
168
387000
2000
tuhaf olduğunu düşündüğünüz bir CAPTCHA görüyorsunuz,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
bu CAPTCHA gibi. (Yazı: görünmez tost makinesi)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Sonra yapmanız gereken şey bunun ekran resmini çekmek.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Sonra tabi ki, CAPTCHA dolduruyorsunuz
06:50
because you help us digitize a book.
172
395000
2000
çünkü bize bir kitabı dijitalleştirmede yardım ediyorsunuz.
06:52
But then, first you take a screen shot,
173
397000
2000
Ama sonra, önce ekran resmi çekiyorsunuz,
06:54
and then you draw something that is related to it.
174
399000
2000
ve sonra onunla alakalı birşey çiziyorsunuz.
06:56
(Laughter)
175
401000
2000
(Gülüşmeler)
06:58
That's how it works.
176
403000
3000
İşte bu şekilde çalışıyor.
07:01
There are tens of thousands of these.
177
406000
3000
Bunlardan on binlerce var.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Bazıları çok sevimli. (Yazı: avucumun içinde)
07:06
(Laughter)
179
411000
2000
(Gülüşmeler)
07:08
Some of them are funnier.
180
413000
2000
Bazıları daha komik.
07:10
(Text: stoned founders)
181
415000
3000
(Yazı: Kafası güzel kurucular)
07:13
(Laughter)
182
418000
3000
(Gülüşmeler)
07:16
And some of them,
183
421000
2000
Ve bazılarında,
07:18
like paleontological shvisle,
184
423000
3000
paleontolojik shvisle gibi,
07:21
they contain Snoop Dogg.
185
426000
2000
Snoop Dogg kullanılıyor.
07:23
(Laughter)
186
428000
3000
(Gülüşmeler)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Pekala, bu benim favori reCAPTCHA rakamım.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Bu tüm projeyle ilgili en sevdiğim şey.
07:31
This is the number of distinct people
189
436000
2000
Bu reCAPTCHA sayesinde bir kitabın
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
en az bir kelimesini dijitalleştirmede yardımcı olan net kişi sayısı:
07:36
750 million,
191
441000
2000
750 milyon,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
bu, dünya nüfusunun yüzde 10'undan biraz fazla,
07:40
has helped us digitize human knowledge.
193
445000
2000
bu kadar kişi bilgiyi dijitalleştirmemize yardım etti.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Ve bunun gibi rakamlar araştırma gündemimi harekete geçiriyor.
07:45
So the question that motivates my research is the following:
195
450000
3000
Beni araştırmaya sevk eden şey şu:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Eğer insanların büyük ölçekli başarılarına bakarsanız,
07:50
these really big things
197
455000
2000
insanlığın tarihi açıdan
07:52
that humanity has gotten together and done historically --
198
457000
3000
beraber yaptıkları gerçekten büyük şeyler --
07:55
like for example, building the pyramids of Egypt
199
460000
2000
örneğin, Mısır piramitlarini ya da Panama Kanalını
07:57
or the Panama Canal
200
462000
2000
inşa etmek ya da
07:59
or putting a man on the Moon --
201
464000
2000
Ay'a adam göndermek --
08:01
there is a curious fact about them,
202
466000
2000
bunlarla ilgili garip bir gerçek var,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
ve bu da şu, bunların hepsi aynı sayıda insanla yapıldı.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
Çok garip; hepsi yaklaşık 100,000 insanla yapıldılar.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Ve bunun nedeni, İnternetten önce,
08:11
coordinating more than 100,000 people,
206
476000
2000
100,000 insanı bir araya getirmek,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
onlara ödeme yapmayı bir kenara bırakın, kesinlikle imkansız.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Ama şimdi İnternetle, size bilgiyi dijitalleştirmemize
08:18
where we've gotten 750 million people
209
483000
2000
yardım eden 750 milyon insanın
08:20
to help us digitize human knowledge.
210
485000
2000
katıldığı bir projeyi gösterdim.
08:22
So the question that motivates my research is,
211
487000
2000
Yani beni araştırmaya sevk eden soru şuydu,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
eğer 100,000 kişiyle bir adamı Ay'a gönderebiliyorsak,
08:27
what can we do with 100 million?
213
492000
2000
100 milyon kişiyle ne yapabiliriz?
08:29
So based on this question,
214
494000
2000
Bu soruyu temel alarak,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
üzerinde çalıştığımız çok farklı projeler geliştirdik.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Size beni en çok heyecanlandıranından bahsedeyim.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Bu yaklaşık bir buçuk yıldır üzerinde çok da ses çıkarmadan
08:38
for the last year and a half or so.
218
503000
2000
çalıştığımız bir proje.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Site henüz açılmadı. Adı Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Henüz açılmadığı için, şişt!
08:44
(Laughter)
221
509000
2000
(Gülüşmeler)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Evet, size güvenebilirim.
08:48
So this is the project. Here's how it started.
223
513000
2000
Proje bu. Şu şekilde başladı.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Mezun olmuş bir öğrencime bir soru yöneltmemle başladı,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker'a.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Evet, bu Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Mezun olan öğrencime bir soru yönelttim.
08:58
By the way, you did hear me correctly;
228
523000
2000
Bu arada, beni doğru duydunuz;
09:00
his last name is Hacker.
229
525000
2000
soyadı Hacker (Bilgisayar korsanı)
09:02
So I posed this question to him:
230
527000
2000
Ona şu soruyu sordum:
09:04
How can we get 100 million people
231
529000
2000
Nasıl 100 milyon insana
09:06
translating the Web into every major language for free?
232
531000
3000
Web'i ücretsiz olarak her anadile çevirtebiliriz?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Bu soruyla ilgili söylenebilecek çok şey var.
09:11
First of all, translating the Web.
234
536000
2000
Öncelikle, Web'i çevirmek.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Şu an Web çok fazla dile bölünmüş durumda.
09:16
A large fraction of it is in English.
236
541000
2000
Büyük kısmı İngilizce.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Eğer hiç İngilizce bilmiyorsanız, kullanamazsınız.
09:20
But there's large fractions in other different languages,
238
545000
2000
Başka diller de büyük ölçüde kullanılıyor,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
ve eğer bu dilleri bilmiyorsanız, kullanamazsınız.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Web'in tamamını en azından büyük bir kısmını çevirmek istiyorum,
09:28
into every major language.
241
553000
2000
her anadile.
09:30
So that's what I would like to do.
242
555000
2000
Yapmak istediğim bu.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Bazılarınız şöyle diyebilir, neden bunun için bilgisayar kullanmıyoruz?
09:35
Why can't we use machine translation?
244
560000
2000
Neden makine çevirisini kullanamıyoruz?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Makine çevirisi bu günlerde oradan buradan bazı cümleleri çevirmeye başlıyor.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Neden bunu tüm Web'i çevirmek için kullanamıyoruz?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Sorun şu ki, bu sistem henüz yeterince iyi değil,
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
ve muhtemelen önümüzdeki 15 ila 20 yıl içinde de olmayacak.
09:45
It makes a lot of mistakes.
249
570000
2000
Çok fazla hata yapıyor.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Hata yapmadığında bile,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
çok fazla hata yaptığı için, doğruluğuna güvenmeli misiz bilmiyorsunuz.
09:52
So let me show you an example
252
577000
2000
Size makine ile çevrilmiş
09:54
of something that was translated with a machine.
253
579000
2000
birşeyin örneğini göstereyim.
09:56
Actually it was a forum post.
254
581000
2000
Aslında bu foruma yazılmış bir yazı.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
JavaScript hakkında soru sormaya çalışan bir kişiymiş.
10:01
It was translated from Japanese into English.
256
586000
3000
Japoncadan İnglizceye çevrilmiş.
10:04
So I'll just let you read.
257
589000
2000
Sadece okuyacağım.
10:06
This person starts apologizing
258
591000
2000
Bu kişi bilgisayar kullanarak
10:08
for the fact that it's translated with a computer.
259
593000
2000
çeviri yaptığı için özür dilerek başlıyor.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Bir sonraki cümle sorunun giriş kısmı olacak.
10:13
So he's just explaining something.
261
598000
2000
Birşeyi açıklıyor.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Unutmayın, bu JavaScript hakkında bir soru.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Yazı: Çoğu zaman, keçi zamanı kusma hatası yüklüyor.)
10:23
(Laughter)
264
608000
4000
(Gülüşmeler)
10:27
Then comes the first part of the question.
265
612000
3000
Sonra sorunun ilk kısmı geliyor.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Yazı: Kaç kere rüzgar gibi, bir kazık ve ejderha?)
10:34
(Laughter)
267
619000
2000
(Gülüşmeler)
10:36
Then comes my favorite part of the question.
268
621000
3000
Sonra sorunun en sevdiğim kısmı geliyor.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Yazı: Bu babanın taşlarına hakaret mi?)
10:42
(Laughter)
270
627000
2000
(Gülüşmeler)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Ve sonra son kısım, ki bu tüm yazının en sevdiğim kısmı.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Yazı: Lütfen aptallığın için özür dile. Sana çok teşekkür var)
10:51
(Laughter)
273
636000
2000
(Gülüşmeler)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Tamam, yani bilgisayar çevirisi henüz yeterince iyi değil.
10:55
So back to the question.
275
640000
2000
Soruya geri dönelim.
10:57
So we need people to translate the whole Web.
276
642000
3000
Yani tüm Web'i çevirmek için insanlara ihtiyacım var.
11:00
So now the next question you may have is,
277
645000
2000
Şimdi soracağınız bir sonraki soru şu olabilir,
11:02
well why can't we just pay people to do this?
278
647000
2000
neden bunun için insanları işe almıyoruz?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Tüm Web'i çevirmek için profesyonel çevirmenleri işe alabilirdik.
11:07
We could do that.
280
652000
2000
Bunu yapabilirdik.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Malesef, son derece pahalı olurdu.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Örneğin tüm Web'in, Wikipedia'nın küçük, çok küçük bir kısmını
11:14
into one other language, Spanish.
283
659000
3000
başka bir dile, İspanyolcaya çevirmek.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia'nın İspanyolcası var,
11:19
but it's very small compared to the size of English.
285
664000
2000
ama İngilizce olanına kıyasla çok küçük bir oranda.
11:21
It's about 20 percent of the size of English.
286
666000
2000
İngilizce olanın yaklaşık yüzde 20'si kadar.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Eğer kalan yüzde 80'i İspanyolcaya çevirmek isteseydik,
11:26
it would cost at least 50 million dollars --
288
671000
2000
50 milyon dolara malolurdu --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
ve bu en çok sömürülen, dış kaynakları kullanılan bir ülkenin şartlarında.
11:31
So it would be very expensive.
290
676000
2000
Yani çok pahalı olurdu.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Bizim yapmak istediğimiz şeyse 100 milyon insana
11:35
translating the Web into every major language
292
680000
2000
Web'i her anadile tercüme ettirmek,
11:37
for free.
293
682000
2000
bedavaya.
11:39
Now if this is what you want to do,
294
684000
2000
Eğer yapmak istediğiniz şey buysa,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
iki oldukça büyük engelle karşılaşacağınızı çabucak
11:43
two big obstacles.
296
688000
2000
fark ediyorsunuz.
11:45
The first one is a lack of bilinguals.
297
690000
3000
İlki iki dile de hakim kişilerin azlığı.
11:48
So I don't even know
298
693000
2000
Bize tercüme yapmakta
11:50
if there exists 100 million people out there using the Web
299
695000
3000
yardımcı olmaya yetecek kadar iyi iki dil kullanabilen
11:53
who are bilingual enough to help us translate.
300
698000
2000
100 milyon kişi var mıdır bilmiyorum.
11:55
That's a big problem.
301
700000
2000
Bu büyük bir sorun.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
Karşılaşacağınız bir diğer problem ise motivasyon eksikliği.
11:59
How are we going to motivate people
303
704000
2000
İnsanları Web'i bedavaya tercüme
12:01
to actually translate the Web for free?
304
706000
2000
etmeleri için nasıl motive edebiliriz?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalde, bunun için insanlara ödeme yaparsınız.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Peki onları bunu bedavaya yapmaya nasıl motive ederiz?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Bunu düşünmeye başladığımızda, bu iki konu bizi engelledi.
12:11
But then we realized, there's actually a way
308
716000
2000
Ama sonra fark ettik ki, aslında bu iki sorunu
12:13
to solve both these problems with the same solution.
309
718000
2000
aynı çözüm yoluyla aşabiliriz.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Bir taşla iki kuş vurmanın bir yolu var.
12:17
And that is to transform language translation
311
722000
3000
Ve bu da tercüme yapmayı milyonlarca
12:20
into something that millions of people want to do,
312
725000
3000
insanın yapmak isteyeceği bir hale,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
ve ayrıca iki dile hakim olamama sorununa çözüm bulmaya,
12:26
and that is language education.
314
731000
3000
ve dil eğitimine dönüştürmek.
12:29
So it turns out that today,
315
734000
2000
Bugün görüyoruz ki,
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
1.2 milyardan fazla insan yabancı dil öğreniyor.
12:34
People really, really want to learn a foreign language.
317
739000
2000
İnsanlar gerçekten yabancı bir dil öğrenmek istiyor.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Ve sadece okulda yapmak zorunda oldukları için değil.
12:39
For example, in the United States alone,
319
744000
2000
Örneğin, yalnızca Amerika Birleşik Devletleri'nde,
12:41
there are over five million people who have paid over $500
320
746000
2000
yeni bir dil öğrenmek için yazılımlara 500 dolardan fazla
12:43
for software to learn a new language.
321
748000
2000
para veren beş milyondan fazla kişi var.
12:45
So people really, really want to learn a new language.
322
750000
2000
Yani insanlar gerçekten yeni bir dil öğrenmek istiyor.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Son bir buçuk yıldır yeni bir websitesi üzerinde çalışıyoruz --
12:50
it's called Duolingo --
324
755000
2000
adı Duolingo --
12:52
where the basic idea is people learn a new language for free
325
757000
3000
ana fikir insanların Web'i eş zamanlı tercüme ederek
12:55
while simultaneously translating the Web.
326
760000
2000
ücretsiz olarak yeni bir dil öğrenmesi.
12:57
And so basically they're learning by doing.
327
762000
2000
Ve temelde yaparak öğreniyorlar.
12:59
So the way this works
328
764000
2000
Şu şekilde işliyor
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
eğer başlangıç seviyesinde biliyorsanız çok çok basit cümleler veriyoruz.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Tabi ki Web'te çok fazla kolay cümle var.
13:06
We give you very, very simple sentences
331
771000
2000
Çok, çok basit cümleler veriyoruz
13:08
along with what each word means.
332
773000
2000
beraberinde de her kelimenin anlamını.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Tercüme ederek ve başkalarının nasıl tercüme ettiğini görerek,
13:13
you start learning the language.
334
778000
2000
dili öğrenmeye başlıyorsunuz.
13:15
And as you get more and more advanced,
335
780000
2000
Ve siz dili ilerlettikçe,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
çok daha karmaşık cümleleri tercüme etmenizi istiyoruz.
13:19
But at all times, you're learning by doing.
337
784000
2000
Ama her zaman yaparak öğreniyorsunuz.
13:21
Now the crazy thing about this method
338
786000
2000
Bu metodla ilgili çılgınca olan şeyse
13:23
is that it actually really works.
339
788000
2000
gerçekten işe yarıyor olması.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Herşeyden önce insanlar gerçekten yeni bir dil öğrenmek istiyor.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Sistemi kurmayı bitirdik ve şu an test ediyoruz.
13:29
People really can learn a language with it.
342
794000
2000
İnsanlar gerçekten bu yöntemle bir dil öğrenebilirler.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Ve neredeyse en iyi dil öğrenme yazılımında olduğu kadar iyi öğreniyorlar.
13:34
So people really do learn a language.
344
799000
2000
Yani insanlar gerçekten bir dil öğreniyor.
13:36
And not only do they learn it as well,
345
801000
2000
Ve hem iyi hem de ilginç
13:38
but actually it's way more interesting.
346
803000
2000
bir yöntemle öğreniyorlar.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Çünkü görüyorsunuz, insanlar gerçek içeriklerle öğreniyorlar.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Uydurma cümleler yerine
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
kendiliğinden ilginç olan gerçek içeriklerle öğreniyorlar.
13:48
So people really do learn a language.
350
813000
2000
Yani insanlar gerçekten bir dil öğreniyorlar.
13:50
But perhaps more surprisingly,
351
815000
2000
Ve şaşırtıcı bir şekilde,
13:52
the translations that we get from people using the site,
352
817000
3000
bu siteyi kullananların çevirileri,
13:55
even though they're just beginners,
353
820000
2000
daha başlangıç seviyesinde olmalarına rağmen,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
profesyonel çevirmenlerin çevirileri kadar iyi,
14:00
which is very surprising.
355
825000
2000
ki bu çok şaşırtıcı.
14:02
So let me show you one example.
356
827000
2000
Size bir örnek göstereyim.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Bu Almancadan İngilizceye çevrilmiş bir cümle.
14:06
The top is the German.
358
831000
2000
Üstteki Almanca.
14:08
The middle is an English translation
359
833000
2000
Ortadaki bu çeviri için kelime başına
14:10
that was done by somebody who was a professional English translator
360
835000
2000
20 sent alan profesyonel bir İngilizce çevirmen
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
tarafından yapılan İngilizce çeviri.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Alttaki ise Duolingo kullanıcıları tarafından yapılan bir çeviri,
14:17
none of whom knew any German
363
842000
2000
bu siteyi kullanmaya başlamadan önce
14:19
before they started using the site.
364
844000
2000
hiçbiri Almanca bilmiyordu.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Görüyorsunuz, neredeyse mükemmel.
14:23
Now of course, we play a trick here
366
848000
2000
Tabi ki,çevirilerin profesyonal çevirmenlerinkiler
14:25
to make the translations as good as professional language translators.
367
850000
2000
kadar iyi olabilmesi için burada biraz hile yapıyoruz.
14:27
We combine the translations of multiple beginners
368
852000
3000
Tek bir profesyonel çevirmenin kalitesine
14:30
to get the quality of a single professional translator.
369
855000
3000
ulaşmak için birçok yeni başlayanın çevirisini birleştiriyoruz.
14:33
Now even though we're combining the translations,
370
858000
5000
Çevirileri birleştirsek bile,
14:38
the site actually can translate pretty fast.
371
863000
2000
site oldukça çabuk çevirebiliyor.
14:40
So let me show you,
372
865000
2000
Göstereyim,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
bu Wikipedia'yı İngilizceden İspanyolcaya ne kadar hızlı
14:44
from English into Spanish.
374
869000
2000
çevirebileceğimizin hesabı.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Unutmayın, bu 50 milyon dolar değerinde.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Wikipedia'yı İspanyolcaya çevrmek isteseydik,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
bunu 100,000 aktif kullanıcıyla beş hafta içinde yapabilirdik.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Ve bir milyon aktif kullanıcıyla ise yaklaşık 80 saatte yapabilirdik.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Grubumun şimdiye kadar üzerinde çalıştığı tüm projelerin milyonlarca kullanıcısı olduğu için,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
bu projeyle son derece hızlı bir şekilde
15:02
extremely fast with this project.
381
887000
2000
çevirebileceğimizi düşünüyoruz.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Duolingo ile ilgili beni en çok heyecanlandıran şey
15:07
is I think this provides a fair business model for language education.
383
892000
3000
dil eğitimi için adil bir iş modeli ihtiyacını karşılıyor olması.
15:10
So here's the thing:
384
895000
2000
Olay şu:
15:12
The current business model for language education
385
897000
2000
Dil eğitiminin mevcut iş modelinde
15:14
is the student pays,
386
899000
2000
öğrenci para ödüyor,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
ve özellikle, öğrenci Rosetta Stone'a 500 dolar ödüyor.
15:18
(Laughter)
388
903000
2000
(Gülüşmeler)
15:20
That's the current business model.
389
905000
2000
Bu mevcut iş modeli.
15:22
The problem with this business model
390
907000
2000
Bu iş modeliyle ilgili sorun şuydu
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
dünya nüfusunun yüzde 95'inin 500 doları yok.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Yani bu fakirler için son derece adaletsiz bir durum.
15:30
This is totally biased towards the rich.
393
915000
2000
Tamamiyle zenginlerden yana bir durum.
15:32
Now see, in Duolingo,
394
917000
2000
Şimdi bakın, Duolingo'da,
15:34
because while you learn
395
919000
2000
Öğrenirken aynı zamanda
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
değer yaratıyorsunuz, birşeyler çeviriyorsunuz --
15:39
which for example, we could charge somebody for translations.
397
924000
3000
örneğin, birini çeviri yapmak için görevlendirebilirdik.
15:42
So this is how we could monetize this.
398
927000
2000
Bu şekilde finanse edebilirdik.
15:44
Since people are creating value while they're learning,
399
929000
2000
İnsanlar öğrenirken değer yarattıkları için,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
para ödemek zorunda değiller, zamanlarıyla ödeme yapıyorlar.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Ama bunda büyüleyici olan şey, zamanlarıyla ödeme yapıyorlar,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
ama bu aynı zamanda dil öğrenirken bir şekilde harcamak zorunda
15:54
learning the language.
403
939000
2000
oldukları zaman.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Duolingo'nun güzel yani adil bir iş modeli sunuyor olması --
15:59
one that doesn't discriminate against poor people.
405
944000
2000
fakirlere karşı ayırım yapmayan bir model olması.
16:01
So here's the site. Thank you.
406
946000
2000
İşte site bu. Teşekkürler.
16:03
(Applause)
407
948000
8000
(Alkış)
16:11
So here's the site.
408
956000
2000
İşte site burada.
16:13
We haven't yet launched,
409
958000
2000
Site henüz açılmadı,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
ama oraya gidip, özel betamızın bir parçası olmak için üye olabilirsiniz,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
muhtemelen yaklaşık üç, dört haftaya kadar faaliyete geçecek.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Bu Duolingo'yu henüz açmadık.
16:22
By the way, I'm the one talking here,
413
967000
2000
Bu arada, burada konuşan benim,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
ama aslında Duolingo bazılarının burada olduğu gerçekten müthiş bir takımın çalışması.
16:27
So thank you.
415
972000
2000
Teşekkürler.
16:29
(Applause)
416
974000
4000
(Alkış)
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