TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Online Massenkollaboration
Filmed:
Readability: 3.8
1,740,008 views
Nach der neuen Nutzung von CAPTCHA sodass jede von Menschen getippte Antwort hilft Bücher zu digitalisieren, überlegte Luis von Ahn wie kleine Beiträge vieler im Internet noch für das öffentliche Wohl genutzt werden können. Bei TEDxCMU stellt er vor wie sein ehrgeiziges neues Projekt Duolingo Millionen helfen wird eine neue Sprache zu erlernen während sie das Web schnell und korrekt übersetzen -- alles kostenlos.
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
Wie viele von Ihnen mussten schon einmal ein Internetformular ausfüllen,
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
beid dem Sie aufgefordert wurden eine Reihe verzerrter Buchstaben wie diese zu lesen?
00:19
How many of you found it really, really annoying?
2
4000
2000
Wie viele von Ihnen fanden das wirklich lästig?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
OK, hervorragend. Also, ich habe das erfunden.
00:24
(Laughter)
4
9000
2000
(Lachen)
00:26
Or I was one of the people who did it.
5
11000
2000
Oder ich war einer der Leute, die das erfunden haben.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Dieses Ding heisst CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Es ist dazu da sicherzustellen, dass der der das Formular ausfüllt
00:32
are actually a human and not some sort of computer program
8
17000
3000
wirklich ein Mensch ist und nicht irgendein Computerprogramm,
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
das geschrieben wurde um das Formular viele Millionen Mal abzuschicken.
00:37
The reason it works is because humans,
10
22000
2000
Das funktioniert, weil Menschen,
00:39
at least non-visually-impaired humans,
11
24000
2000
wenigsten die nicht sehbehinderten,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
keine Probleme haben diese verzerrten schnörkeligen Buchstaben zu lesen,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
während Computerprogramme das bisher einfach noch nicht so gut können.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Im Fall von Ticketmaster zum Beispiel,
00:48
the reason you have to type these distorted characters
15
33000
2000
müssen Sie diese verzerrten Buchstaben tippen,
00:50
is to prevent scalpers from writing a program
16
35000
2000
um zu vermeiden, dass Kartenschwarzhändler ein Progamm schreiben
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
das Millionen von Tickets kauft, immer jeweils zwei.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
CAPTCHAs werden überall im Internet benutzt.
00:56
And since they're used so often,
19
41000
2000
Und weil sie so häufig benutzt werden,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
ist die genaue Sequenz der zufälligen Buchstaben die dem User gezeigt wird
01:00
is not so fortunate.
21
45000
2000
oft nicht so glücklich.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Dies ist ein Beispiel von der Yahoo Anmeldungsseite.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Die zufälligen Buchstaben die dem User gezeigt wurden
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
sind W, A, I, T, und das ergebit natürlich ein Wort ("WARTEN").
01:10
But the best part is the message
25
55000
3000
Aber das beste daran ist die Nachricht,
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
die beim Yahoo Helpdesk etwa 20 Minuten später einging.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Text: "Hilfe! Ich warte schon über 20 Minuten und nichts passiert."
01:19
(Laughter)
28
64000
4000
(Lachen)
01:23
This person thought they needed to wait.
29
68000
2000
Diese Person dachte, sie müsse warten.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Natürlich ist das nicht so schlimm wie für diese arme Person.
01:28
(Laughter)
31
73000
2000
(Lachen)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Das CAPTCHA Projekt machten wir hier bei Carnegie Mellon vor über 10 Jahren,
01:33
and it's been used everywhere.
33
78000
2000
und es ist überall benutzt worden.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Lassen Sie mich Ihnen nun von einem Projekt erzählen, das wir einige Jahre später machten,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
eine Art Entwicklung von CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Dies Projekt haben wir reCAPTCHA genannt.
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
Wir starteten das hier bei Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
dann machten wir daraus ein Start-up-Unternehmen.
01:46
And then about a year and a half ago,
39
91000
2000
Und dann vor eineinhalb Jahren
01:48
Google actually acquired this company.
40
93000
2000
hat Google dieses Unternehmen gekauft.
01:50
So let me tell you what this project started.
41
95000
2000
Lassen Sie mich erzählen, was dieses Projekt gestartet hat.
01:52
So this project started from the following realization:
42
97000
3000
Dieses Projekt begann mit folgender Erkenntnis:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
etwa 200 Millionen CAPTCHAs
01:57
are typed everyday by people around the world.
44
102000
3000
werden jeden Tag von Leuten auf der Welt getippt.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Als ich das zum ersten Mal hörte, war ich recht stolz.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Ich dachte mir, was für einen Einfluss meine Forschungsarbeit hat.
02:04
But then I started feeling bad.
47
109000
2000
Aber dann begann ich mich schlecht zu fühlen.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Es ist so, jedes Mal wenn Sie ein CAPTCHA tippen,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
verschwenden Sie im Wesentlichen 10 Sekunden ihrer Zeit.
02:11
And if you multiply that by 200 million,
50
116000
2000
Und wenn man das mit 200 Millionen multipliziert,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
ergibt sich, dass die Menschheit insgesamt ca. 500.000 Stunden pro Tag
02:16
typing these annoying CAPTCHAs.
52
121000
2000
damit vergeudet diese lästigen CAPTCHAs zu tippen.
02:18
So then I started feeling bad.
53
123000
2000
Dann begann ich mich schlecht zu fühlen.
02:20
(Laughter)
54
125000
2000
(Lachen)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Und ich dachte, dass wir CAPTCHAS nicht ganz loswerden können,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
da die Sicherheit des Webs sozusagen von ihnen abhängt.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Aber dann überlegte ich, ob wir irgendwie diese Leistung
02:30
for something that is good for humanity?
58
135000
2000
für etwas verwenden können das gut für die Menschheit ist.
02:32
So see, here's the thing.
59
137000
2000
Also, sehen Sie es ist so.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Während Sie das CAPTCHA schreiben, während dieser 10 Sekunden,
02:36
your brain is doing something amazing.
61
141000
2000
da macht Ihr Gehirn etwas Erstaunliches.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Das Gehirn macht etwas, das Compuer noch nicht machen können.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Also, können wir Sie dazu bekommen in diesen 10 Sekunden etwas Nützliches zu tun?
02:43
Another way of putting it is,
64
148000
2000
Um es anders auszudrücken,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
gibt es ein riesiges Problem, das wir mit Computern noch nicht lösen können,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
aber das, wenn wir es in winzige 10 Sekunden Teile teilen,
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
jedesmal wenn jemand ein CAPTCHA löst,
02:52
they solve a little bit of this problem?
68
157000
2000
dieser jemand ein kleines bisschen des Problems löst?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Die Antwort ist "Ja" und daran arbeiten wir jetzt.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Was Sie vielleicht nicht wissen ist, dass wenn Sie heutzutage ein CAPTCHA tippen
02:59
not only are you authenticating yourself as a human,
71
164000
2000
bestätigen Sie nicht nur, dass Sie ein Mensch sind,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
sondern helfen uns zusätzlich noch dabei Bücher zu digitalisieren.
03:03
So let me explain how this works.
73
168000
2000
Lassen Sie mich erklären, wie das funktioniert.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Es gibt viele Projekte, die versuchen Bücher zu digitalisieren.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google hat eins. Das Internet Archive hat eins.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, mit dem Kindle, versucht Bücher zu digitalisieren.
03:12
Basically the way this works
77
177000
2000
In Grunde genommen macht man es
03:14
is you start with an old book.
78
179000
2000
indem man mit einem alten Buch anfängt.
03:16
You've seen those things, right? Like a book?
79
181000
2000
So etwas haben Sie schon einmal gesehen, nicht war? So ein Buch?
03:18
(Laughter)
80
183000
2000
(Lachen)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Also man nimmt ein Buch und dann scannt man es.
03:22
Now scanning a book
82
187000
2000
Ein Buch zu scannen ist wie
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
ein Digitalfoto von jeder Seite des Buches zu machen.
03:26
It gives you an image for every page of the book.
84
191000
2000
Man erhält ein Bild für jede Seite des Buches.
03:28
This is an image with text for every page of the book.
85
193000
2000
Dies ist ein Bild mit Text für jede Seite des Buches.
03:30
The next step in the process
86
195000
2000
Der nächste Schritt in diesem Prozess ist,
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
dass der Computer jedes Wort in diesem Bild entziffern muss.
03:35
That's using a technology called OCR,
88
200000
2000
Dabei wird OCR genannte Technologie benutzt,
03:37
for optical character recognition,
89
202000
2000
optical character recognition / Optische Zeichenerkennung,
03:39
which takes a picture of text
90
204000
2000
die ein Bild des Textes nimmt
03:41
and tries to figure out what text is in there.
91
206000
2000
und versucht herauszufinden, was für Text sich darauf befindet.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Das Problem ist, dass OCR nicht perfekt ist.
03:45
Especially for older books
93
210000
2000
Besonders bei älteren Büchern
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
bei denen die Tinte verblichen ist und Seiten gelb geworden sind,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
kann OCR viele Wörter nicht erkennen.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Zum Beispiel bei Sachen die vor mehr als 50 Jahren geschrieben worden
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
kann der Computer etwa 30 Prozent der Wörter nicht erkennen.
03:57
So what we're doing now
98
222000
2000
Was wir also nun machen ist,
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
dass wir all die Wörter nehmen die der Computer nicht erkennen kann
04:01
and we're getting people to read them for us
100
226000
2000
und Leute die für uns lesen lassen
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
während sie ein CAPTCHA im Internet schreiben.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Wenn Sie also das nächste Mal ein CAPTCHA tippen, sind die Wörter die Sie tippen
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
tatsächlich Wörter aus Büchern die digitalisiert werden
04:11
that the computer could not recognize.
104
236000
2000
und die der Computer nicht erkennen konnte.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Warum wir jetzt zwei Wörter anstatt einem haben ist,
04:15
is because, you see, one of the words
106
240000
2000
dass eines der Wörter
04:17
is a word that the system just got out of a book,
107
242000
2000
ein Wort ist, das das System aus einem Buch hat,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
aber von dem es nicht wusste, was es bedeutet, und das zeigt es Ihnen nun.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Aber da es die Antwort darauf nicht kennt, kann es Sie dafür nicht bewerten.
04:25
So what we do is we give you another word,
110
250000
2000
Deswegen geben wir Ihnen ein anderes Wort,
04:27
one for which the system does know the answer.
111
252000
2000
eines für das das System die Antwort kennt.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Wir sagen Ihnen nicht welches was ist, und wir sagen, bitte tippen Sie beide.
04:31
And if you type the correct word
113
256000
2000
Und wenn Sie das richte Wort schreiben
04:33
for the one for which the system already knows the answer,
114
258000
2000
für das, für das das System die Antwort bereits kennt,
04:35
it assumes you are human,
115
260000
2000
dann nimmt es an, Sie sind ein Mensch
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
und es gewinnt an Zuversicht, dass Sie das andere Wort korrekt geschrieben haben.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Und wenn man diesen Prozess mit so 10 unterschiedlichen Leuten wiederholt,
04:42
and all of them agree on what the new word is,
118
267000
2000
und alle sich einig sind was das neue Wort ist,
04:44
then we get one more word digitized accurately.
119
269000
2000
dann ist ein weiteres Wort fehlerfrei digitalisiert.
04:46
So this is how the system works.
120
271000
2000
So funktioniert das System.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Und da wir das vor drei, vier Jahren herausgebracht haben,
04:51
a lot of websites have started switching
122
276000
2000
haben viele Websites gewechselt von dem
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
alten CAPTCHA bei dem Leute Zeit vergeudet haben
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
zum neuen CAPTCHA bei dem Leute helfen Bücher zu digitalisieren.
04:57
So for example, Ticketmaster.
125
282000
2000
Zum Beispiel Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Jedes Mal also wenn Sie Tickets bei Ticketmaster kaufen, helfen Sie ein Buch zu digitalisieren.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: Jedes Mal wenn Sie einen Freund hinzufügen oder jemanden anstupsen,
05:04
you help to digitize a book.
128
289000
2000
helfen Sie dabei ein Buch zu digitalisieren.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter und etwa 350.000 andere Seiten benutzen alle reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Die Zahl der Seiten die reCAPTCHA benutzen ist tatsächlich so hoch,
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
dass die Zahl der Wörter die wir pro Tag digitalisieren sehr, sehr gross ist.
05:14
It's about 100 million a day,
132
299000
2000
Es sind etwa 100 Millionen pro Tag,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
das entspricht etwa 2.5 Millionen Büchern pro Jahr.
05:20
And this is all being done one word at a time
134
305000
2000
Und all dies geschieht Wort für Wort,
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
bloss durch Leute die im Internet CAPTCHAs tippen.
05:24
(Applause)
136
309000
8000
(Applaus)
05:32
Now of course,
137
317000
2000
Natürlich,
05:34
since we're doing so many words per day,
138
319000
2000
da wir so viele Wörter pro Tag machen,
05:36
funny things can happen.
139
321000
2000
können komische Sachen passieren.
05:38
And this is especially true because now we're giving people
140
323000
2000
Besonders jetzt, wo wir den Leuten
05:40
two randomly chosen English words next to each other.
141
325000
2000
zwei zufällig gewählte englische Wörter nebeneinander geben.
05:42
So funny things can happen.
142
327000
2000
Da können komische Sache passieren.
05:44
For example, we presented this word.
143
329000
2000
Zum Beispiel zeigten wir dieses Wort.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Es ist das Wort "Christen"; nichts falsch daran.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Aber wenn man es zusammen mit einem anderen zufällig gewählten Wort zeigt,
05:51
bad things can happen.
146
336000
2000
dann können schlimme Dinge passieren.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Wir bekommen das hier. (Text: schlechte Christen)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Aber es kommt noch schlimmer, weil die Seite wo wir dies gezeigt haben
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
The Embassy of the Kingdom of God heisst. ("Botschaft des Reich Gottes")
06:01
(Laughter)
150
346000
2000
(Lachen)
06:03
Oops.
151
348000
2000
Huch.
06:05
(Laughter)
152
350000
3000
(Lachen)
06:08
Here's another really bad one.
153
353000
2000
Hier ist noch ein richtig schlimmes.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Text: "Verdammter Linker")
06:15
(Laughter)
156
360000
2000
(Lachen)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Jeden Tag also beleidigen wir überall Leute.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Natürlich beleidigen wir nicht bloss Leute.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Es ist so, weil wir zwei zufällig gewählte Wörter zeigen,
06:25
interesting things can happen.
160
370000
2000
können interessante Sachen passieren.
06:27
So this actually has given rise
161
372000
2000
Dies hat sogar zu einem
06:29
to a really big Internet meme
162
374000
3000
wirklich grossen Internet-Meme geführt,
06:32
that tens of thousands of people have participated in,
163
377000
2000
bei dem Tausende von Leuten mitgemacht hat,
06:34
which is called CAPTCHA art.
164
379000
2000
namens CAPTCHA art ("CAPTCHA Kunst").
06:36
I'm sure some of you have heard about it.
165
381000
2000
Ich bin mir sicher einige von Ihnen haben davon gehört.
06:38
Here's how it works.
166
383000
2000
Das funktioniert so.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Stellen Sie sich vor, Sie benutzen das Internet und sehen ein CAPTCHA
06:42
that you think is somewhat peculiar,
168
387000
2000
das sie ein wenig eigenartig finden,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
so wie dies CAPTCHA. (Text: unsichtbarer Toaster)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Dann sollten Sie davon einen Screenshot machen.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Dann füllen Sie natürlich das CAPTCHA aus,
06:50
because you help us digitize a book.
172
395000
2000
weil Sie uns helfen ein Buch zu digitalisieren.
06:52
But then, first you take a screen shot,
173
397000
2000
Aber dann, machen Sie erst einen Screenshot
06:54
and then you draw something that is related to it.
174
399000
2000
und zeichnen dann etwas in Bezug darauf.
06:56
(Laughter)
175
401000
2000
(Lachen)
06:58
That's how it works.
176
403000
3000
So funktioniert das.
07:01
There are tens of thousands of these.
177
406000
3000
Davon gibt es Zehntausende.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Einige davon sind sehr niedlich. (Text: hab`s gepackt)
07:06
(Laughter)
179
411000
2000
(Lachen)
07:08
Some of them are funnier.
180
413000
2000
Einige sind eher lustig.
07:10
(Text: stoned founders)
181
415000
3000
(Text: bekiffte Gründer)
07:13
(Laughter)
182
418000
3000
(Lachen)
07:16
And some of them,
183
421000
2000
Und einige davon
07:18
like paleontological shvisle,
184
423000
3000
wie paleontological shvisle,
07:21
they contain Snoop Dogg.
185
426000
2000
sind mit Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Lachen)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Okay, dies ist also meine Lieblingszahl on reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Dies ist was mir am ganzen Projekt am meisten gefällt.
07:31
This is the number of distinct people
189
436000
2000
Dies ist die Zahl unterschiedlicher Personen
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
die uns geholfen haben wenigstens ein Wort aus einem Buch mit reCAPTCHA zu digitalisieren:
07:36
750 million,
191
441000
2000
750 Millionen,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
das ist etwas mehr als 10 Prozent der Weltbevölkerung,
07:40
has helped us digitize human knowledge.
193
445000
2000
haben uns geholfen Wissen der Menschen zu digitalisieren.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Es sind solche Zahlen, die mein Forschungsprogramm motivieren.
07:45
So the question that motivates my research is the following:
195
450000
3000
Die Frage die meine Forschung motiviert ist die folgende:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Schaut man auf die ganz grossen Erfolge,
07:50
these really big things
197
455000
2000
diese wirklich grossen Sachen
07:52
that humanity has gotten together and done historically --
198
457000
3000
die die Menschheit in ihrer Geschichte getan und geschafft hat,
07:55
like for example, building the pyramids of Egypt
199
460000
2000
wie zum Beispiel der Bau der Pyramiden in Ägypten,
07:57
or the Panama Canal
200
462000
2000
oder der Panamakanal,
07:59
or putting a man on the Moon --
201
464000
2000
oder einen Mann auf den Mond bringen --
08:01
there is a curious fact about them,
202
466000
2000
sie haben einen eigenartige Tatsache
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
sie wurden alle mit etwa der gleichen Anzahl von Leuten gemacht.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
Es ist eigenartig; diese wurden alle mit etwa 100.000 Leuten gemacht.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Der Grund dafür ist, das vor dem Internet
08:11
coordinating more than 100,000 people,
206
476000
2000
die Koordination vom mehr als 100.000 Personen,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
nicht zu sprechen von deren Bezahlung, im Wesentlichen unmöglich war.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Aber jetzt mit dem Internet, habe ich Ihnen gerade ein Projekt gezeigt
08:18
where we've gotten 750 million people
209
483000
2000
bei dem wir 750 Millionen Leute dazu gebracht haben
08:20
to help us digitize human knowledge.
210
485000
2000
uns bei der Digitalisierung menschlichen Wissens zu helfen.
08:22
So the question that motivates my research is,
211
487000
2000
Die Frage also, die meine Forschung motiviert ist,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
wenn wir mit 100.000 einen Mann auf den Mond bringen können,
08:27
what can we do with 100 million?
213
492000
2000
was können wir dann mit 100 Millionen tun?
08:29
So based on this question,
214
494000
2000
Basierend auf dieser Frage also
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
haben wir an verschiedenen Projekten gearbeitet.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Lassen Sie mich Ihnen von einem das mich am meisten begeistert erzählen.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Dies ist etwas, woran wir halb im Stillen gearbeitet haben
08:38
for the last year and a half or so.
218
503000
2000
in den letzten 1½ Jahren etwa.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Es wurde noch nicht vorgestellt, es heisst Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Da es noch unveröffentlicht ist, psst!
08:44
(Laughter)
221
509000
2000
(Lachen)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Ja, ich kann mich auf Sie verlassen.
08:48
So this is the project. Here's how it started.
223
513000
2000
Also das ist das Projekt. Und so hat das angefangen.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Es begann damit, dass ich meinem Studenten eine Frage stellte.
08:52
Severin Hacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's Severin Hacker.
226
519000
2000
OK, das ist Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Ich stellte meinem Studenten also die Frage.
08:58
By the way, you did hear me correctly;
228
523000
2000
Sie haben übrigens richtig gehört;
09:00
his last name is Hacker.
229
525000
2000
sein Nachname ist Hacker.
09:02
So I posed this question to him:
230
527000
2000
Also ich stellte ihm diese Frage:
09:04
How can we get 100 million people
231
529000
2000
Wie können wir 100 Million Leute dazu bringen,
09:06
translating the Web into every major language for free?
232
531000
3000
das Web in jede bedeutende Sprache kostenlos zu übersetzen?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
OK, über die Frage kann man viel sagen.
09:11
First of all, translating the Web.
234
536000
2000
Erstmal, das Web zu übersetzen.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Zur Zeit ist das Web in mehrere Sprachen unterteilt.
09:16
A large fraction of it is in English.
236
541000
2000
Ein grosser Teil davon ist auf English.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Kann man kein English, kann man nicht darauf zugreifen.
09:20
But there's large fractions in other different languages,
238
545000
2000
Aber es gibt grosse Teile in anderen unterschiedlichen Sprachen,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
und wenn man jene Sprachen nicht kann, kann man nicht darauf zugreifen.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Daher möchte ich das ganze Web übersetzen, oder wenigsten den Grossteil des Webs,
09:28
into every major language.
241
553000
2000
in jede bedeutende Sprache.
09:30
So that's what I would like to do.
242
555000
2000
Das ist es, was ich machen möchte.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Sie sagen jetzt vielleicht, warum können wir zum übersetzen keine Computer benutzen?
09:35
Why can't we use machine translation?
244
560000
2000
Warum können wir nicht maschinelle Übersetzung benutzen?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Maschinelle Übersetzung übersetzt schon einige Sätze hier und da.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Warum können wir das nicht dazu benutzen das ganze Web zu übersetzen?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Das Problem ist, das es dazu noch nicht gut genug ist,
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
und in den nächsten 15 bis 20 Jahren wird es das wohl auch nicht sein.
09:45
It makes a lot of mistakes.
249
570000
2000
Es macht viele Fehler.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Selbst wenn es keine Fehler macht, weiss man nicht
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
ob man ihm trauen kann, weil es so viele Fehler macht.
09:52
So let me show you an example
252
577000
2000
Lassen Sie mich Ihnen ein Beispiel zeigen,
09:54
of something that was translated with a machine.
253
579000
2000
etwas das maschinell übersetzt wurde.
09:56
Actually it was a forum post.
254
581000
2000
Es ist eigentlich ein Forumsbeitrag.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Jemand versuchte eine Frage über JavaScript zu stellen.
10:01
It was translated from Japanese into English.
256
586000
3000
Das wurde von Japanisch auf Englisch übersetzt.
10:04
So I'll just let you read.
257
589000
2000
Ich lasse Sie das einfach lesen.
10:06
This person starts apologizing
258
591000
2000
Diese Person beginnt damit sich dafür zu entschuldigen,
10:08
for the fact that it's translated with a computer.
259
593000
2000
dass dies mit einem Computer übersetzt wurde.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Der nächste Satz also ist die Einleitung zur Frage.
10:13
So he's just explaining something.
261
598000
2000
Er erklärt also nur etwas.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Denken Sie daran, es ist eine Frage über JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Text: Bei oft, installieren Sie die Ziege-Zeit ein Fehler erbrechen.)
10:23
(Laughter)
264
608000
4000
(Lachen)
10:27
Then comes the first part of the question.
265
612000
3000
Dann kommt der erste Teil der Frage.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Text: Wie viele Male wie der Wind, ein Pol, und der Drache?)
10:34
(Laughter)
267
619000
2000
(Lachen)
10:36
Then comes my favorite part of the question.
268
621000
3000
Dann kommt mein Lieblingsteil der Frage.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Text: Dies Beleidigung Vaters Steine?)
10:42
(Laughter)
270
627000
2000
(Lachen)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Dann kommt das Ende, für mich das Beste von allem.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Text: Bitte entschuldigen Sie sich für Ihre Dummheit. Es gibt viele dank Ihrer.)
10:51
(Laughter)
273
636000
2000
(Lachen)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
OK, also Computerübersetzung, noch nicht gut genug.
10:55
So back to the question.
275
640000
2000
Also zurück zu meiner Frage.
10:57
So we need people to translate the whole Web.
276
642000
3000
Wir brauchen also Leute um das ganze Web zu übersetzen.
11:00
So now the next question you may have is,
277
645000
2000
Die nächste Frage, die Sie haben könnten ist,
11:02
well why can't we just pay people to do this?
278
647000
2000
warum können wir nicht einfach Leute dafür bezahlen?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Wir könnten professionelle Übersetzer dafür bezahlen das ganze Web zu übersetzen.
11:07
We could do that.
280
652000
2000
Wir könnten das machen.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Leider wäre das äusserst teuer.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Zum Beispiel einen winzig kleinen Teil des ganzen Web, Wikipedia, übersetzen
11:14
into one other language, Spanish.
283
659000
3000
in eine andere Sprache, Spanisch.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia gibt es auf Spanisch,
11:19
but it's very small compared to the size of English.
285
664000
2000
aber das ist sehr klein im Vergleich zur Grösse auf Englisch.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Es hat etwa 20 Prozent der Grösse von Englisch.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Wollten wir die anderen 80 Prozent auf Spanisch übersetzen,
11:26
it would cost at least 50 million dollars --
288
671000
2000
würde es mindestens 50 Millionen Dollar kosten --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
und das ist schon im ausgebeutetsten Outsourcing-Land von allen.
11:31
So it would be very expensive.
290
676000
2000
Das wäre also sehr teuer.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Was wir also machen wollen ist, dass 100 Millionen Leute
11:35
translating the Web into every major language
292
680000
2000
das Web in jede bedeutende Sprache übersetzen,
11:37
for free.
293
682000
2000
kostenlos.
11:39
Now if this is what you want to do,
294
684000
2000
Wenn wir das machen wollen, dann
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
wird bald klar, dass wir dabei auf zwei grosse Hürden treffen werden,
11:43
two big obstacles.
296
688000
2000
zwei grosse Hindernisse.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Das erste ist der Mangel an Zweisprachigen.
11:48
So I don't even know
298
693000
2000
Ich weiss nicht einmal,
11:50
if there exists 100 million people out there using the Web
299
695000
3000
ob es 100 Millionen Menschen gibt, die das Web benutzen,
11:53
who are bilingual enough to help us translate.
300
698000
2000
und zweisprachig genug sind, um uns übersetzen zu helfen.
11:55
That's a big problem.
301
700000
2000
Das ist ein grosses Problem.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
Das andere Problem auf das wir stossen werden ist ein Mangel an Motivation.
11:59
How are we going to motivate people
303
704000
2000
Wie motivieren wir Menschen,
12:01
to actually translate the Web for free?
304
706000
2000
das Web tatsächlich kostenlos zu übersetzen?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalerweise muss man Menschen dafür bezahlen.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Wie motivieren wir sie also, das kostenlos zu machen?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Wegen dieser zwei Dinge kamen wir anfangs nicht voran.
12:11
But then we realized, there's actually a way
308
716000
2000
Aber dann erkannten wir, das es tatsächlich einen Weg gibt,
12:13
to solve both these problems with the same solution.
309
718000
2000
beiden Problemen mit derselben Lösung zu begegnen.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Es gibt einen Weg, zwei Fliegen mit ein Klappe zu schlagen.
12:17
And that is to transform language translation
311
722000
3000
Nämlich aus der Übersetzung etwas zu machen,
12:20
into something that millions of people want to do,
312
725000
3000
das Millionen Menschen tun wollen,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
und das auch beim Problem des Mangels an Zweisprachigen hilft,
12:26
and that is language education.
314
731000
3000
und das ist Sprachunterricht.
12:29
So it turns out that today,
315
734000
2000
Es zeigt sich, dass es heute
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
über 1.2 Milliarden Menschen gibt, die eine Fremdsprache lernen.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Menschen wollen nämlich wirklich eine Fremdsprache lernen.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Nicht bloss weil sie dazu in der Schule gezwungen sind.
12:39
For example, in the United States alone,
319
744000
2000
Zum Beispiel, alleine in den USA
12:41
there are over five million people who have paid over $500
320
746000
2000
gibt es über 4 Millionen Leute, die über 500 Dollar bezahlt haben
12:43
for software to learn a new language.
321
748000
2000
für Software um eine neue Sprache zu erlernen.
12:45
So people really, really want to learn a new language.
322
750000
2000
Leute wollen also wirklich eine neue Sprache lernen.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Woran wir also die letzten eineinhalb Jahre gearbeitet haben ist eine neue Website --
12:50
it's called Duolingo --
324
755000
2000
sie heisst Duolingo --
12:52
where the basic idea is people learn a new language for free
325
757000
3000
bei der der Grundgedanke ist, dass Leute eine neue Sprache kostenlos lernen
12:55
while simultaneously translating the Web.
326
760000
2000
während sie gleichzeitig das Web übersetzen.
12:57
And so basically they're learning by doing.
327
762000
2000
Sie lernen also durchs Handeln.
12:59
So the way this works
328
764000
2000
Das funktioniert,
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
wenn Sie Anfänger sind, geben wir Ihnen sehr, sehr einfache Sätze.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Es gibt natürlich eine Menge sehr einfache Sätze im Web.
13:06
We give you very, very simple sentences
331
771000
2000
Wir geben Ihnen sehr, sehr einfache Sätze
13:08
along with what each word means.
332
773000
2000
zusammen mit der Bedeutung eines jeden Wortes.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Und während Sie sie übersetzen, und sehen wir andere sie übersetzen,
13:13
you start learning the language.
334
778000
2000
beginnen Sie, die Sprache zu lernen.
13:15
And as you get more and more advanced,
335
780000
2000
Und während Sie Fortschritte machen,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
geben wir Ihnen immer komplexere Sätze zu übersetzen.
13:19
But at all times, you're learning by doing.
337
784000
2000
Aber zu jeder Zeit lernen Sie durchs Handeln.
13:21
Now the crazy thing about this method
338
786000
2000
Das verrückte an dieser Methode ist,
13:23
is that it actually really works.
339
788000
2000
das sie wirklich funktioniert.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Erstens lernt man wirklich eine Sprache –
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
– wir sind fast fertig damit es aufzubauen, und testen es gerade –
13:29
People really can learn a language with it.
342
794000
2000
man kann damit wirklich eine Sprache erlernen,
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
und man lernt sie damit etwa so gut wie mit führenden Fremdsprachen-Lernprogrammen.
13:34
So people really do learn a language.
344
799000
2000
Leute lernen also wirklich eine Sprache.
13:36
And not only do they learn it as well,
345
801000
2000
Und sie lernen sie nicht nur ebenso gut,
13:38
but actually it's way more interesting.
346
803000
2000
es ist tatsächlich viel interessanter.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Weil man bei Duolingo mit echten Inhalten lernt.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Anstatt mit erfundenen Sätzen zu lernen,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
lernt man mit echten Inhalten, was schon an sich interresant ist.
13:48
So people really do learn a language.
350
813000
2000
Leute lernen also wirklich eine Sprache.
13:50
But perhaps more surprisingly,
351
815000
2000
Aber was vielleicht noch überraschender ist,
13:52
the translations that we get from people using the site,
352
817000
3000
die Übersetzungen die wir von den Site-Nutzern bekommen,
13:55
even though they're just beginners,
353
820000
2000
selbst wenn sie bloss Anfänger sind,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
die Übersetzungen die wir bekommen sind ebenso genau, wie die von professionellen Übersetzern,
14:00
which is very surprising.
355
825000
2000
und das ist sehr überraschend.
14:02
So let me show you one example.
356
827000
2000
Lassen Sie mich Ihnen ein Beispiel zeigen.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Dies ist ein Satz, der von Deutsch auf Englisch übersetzt wurde.
14:06
The top is the German.
358
831000
2000
Oben ist Deutsch.
14:08
The middle is an English translation
359
833000
2000
In der Mitte ist eine englische Übersetzung,
14:10
that was done by somebody who was a professional English translator
360
835000
2000
die von einem professionellen Übersetzer für Englisch gemacht wurde,
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
dem wir 20 Cent pro Wort für seine Übersetzung bezahlt haben.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Und unten ist eine Übersetzung von Duolingo-Usern,
14:17
none of whom knew any German
363
842000
2000
von denen keiner Deutsch konnte
14:19
before they started using the site.
364
844000
2000
bevor er anfing die Seite zu benutzen.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Wie Sie sehen können ist es ziemlich perfekt.
14:23
Now of course, we play a trick here
366
848000
2000
Natürlich benutzen wir hier einen Trick
14:25
to make the translations as good as professional language translators.
367
850000
2000
um die Übersetzungen so gut zu machen wie die von professionellen Übersetzern.
14:27
We combine the translations of multiple beginners
368
852000
3000
Wir fassen die Übersetzungen mehrerer Anfänger zusammen
14:30
to get the quality of a single professional translator.
369
855000
3000
um die Qualität eines einzelnen professionellen Übersetzers zu erreichen.
14:33
Now even though we're combining the translations,
370
858000
5000
Obwohl wir die Übersetzungen zusammenfassen
14:38
the site actually can translate pretty fast.
371
863000
2000
kann die Site recht schnell übersetzen.
14:40
So let me show you,
372
865000
2000
Lassen Sie mich Ihnen das zeigen,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
dies ist unsere Schätzung, wie schnell wir Wikipedia
14:44
from English into Spanish.
374
869000
2000
von Englisch auf Spanisch übersetzen könnten.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Denken Sie daran, dies ist 50 Millionen Dollar wert.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Wollten wir Wikipedia auf Spanisch übersetzen,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
könnten wir das in fünf Wochen mit 100.000 aktiven Usern machen.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Und wir könnten das in 80 Stunden machen mit 1 Million aktiven Usern.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Da alle Projekten an denen meine Gruppe bisher gearbeitet hat Millionen von Usern hatten,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
sind wir zuversichtlich, dass wir mit diesem Projekt
15:02
extremely fast with this project.
381
887000
2000
extrem schnell übersetzen werden können.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Was mich am meisten an Duolingo begeistert ist,
15:07
is I think this provides a fair business model for language education.
383
892000
3000
dass ich glaube dass es eine faires Geschäftsmodell für Sprachunterricht anbietet.
15:10
So here's the thing:
384
895000
2000
Also es ist so:
15:12
The current business model for language education
385
897000
2000
Im aktuellen Geschäftsmodell für Sprachunterricht ist,
15:14
is the student pays,
386
899000
2000
dass der Lernende bezahlt,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
vornehmlich zahlt der Lernende Rosetta Stone 500 Dollar.
15:18
(Laughter)
388
903000
2000
(Lachen)
15:20
That's the current business model.
389
905000
2000
Das ist das aktuelle Geschäftsmodell.
15:22
The problem with this business model
390
907000
2000
Der Haken an diesem Geschäftsmodell ist,
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
dass 95% der Weltbevölkerung keine 500 Dollar haben.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Es ist also extrem unfair für Arme.
15:30
This is totally biased towards the rich.
393
915000
2000
Es ist völlig auf Reiche ausgerichtet.
15:32
Now see, in Duolingo,
394
917000
2000
Bei Duolingo hingegen
15:34
because while you learn
395
919000
2000
schafft man tatsächlich
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
einen Wert, während man lernt – man übersetzt etwas –
15:39
which for example, we could charge somebody for translations.
397
924000
3000
und wir könnten zum Beispiel jemandem die Übersetzungen berechnen.
15:42
So this is how we could monetize this.
398
927000
2000
So könnten wir dies zu Geld machen.
15:44
Since people are creating value while they're learning,
399
929000
2000
Da Leute während Sie lernen Wert schöpfen,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
müssen sie nicht mit Geld bezahlen, sie bezahlen mit ihrer Zeit.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Das Magische daran ist, dass sie mit ihrer Zeit bezahlen,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
aber das ist Zeit die sie sowieso gebraucht hätten,
15:54
learning the language.
403
939000
2000
um die Sprache zu erlernen.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Das Schöne an Duolingo finde ich, dass es ein faires Geschäftsmodell ist –
15:59
one that doesn't discriminate against poor people.
405
944000
2000
eines, das arme Leute nicht benachteiligt.
16:01
So here's the site. Thank you.
406
946000
2000
Also das ist die Seite. Danke sehr.
16:03
(Applause)
407
948000
8000
(Applaus)
16:11
So here's the site.
408
956000
2000
Das ist die Seite.
16:13
We haven't yet launched,
409
958000
2000
Sie ist noch nicht aktiv, aber
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
Sie können sich dort für unsere private Testversion anmelden,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
die wohl in drei bis vier Wochen starten wird.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Wie haben Duolingo noch nicht gestartet.
16:22
By the way, I'm the one talking here,
413
967000
2000
Übrigens, hier spreche ich, aber Duolingo
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
ist tatsächlich die Arbeit eines wirklich grossartigen Teams, von dem einige hier sind.
16:27
So thank you.
415
972000
2000
Vielen Dank.
16:29
(Applause)
416
974000
4000
(Applaus)
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