TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Λούις Βον Άν: Μαζικής-κλίμακας διαδικτυακή συνεργασία.
Filmed:
Readability: 3.8
1,740,008 views
Μετά την αναδιάρθρωση του CAPTCHA έτσι ώστε, κάθε ανθρώπινη εισαγωγή χαρακτήρων να συμβάλλει στην ψηφιοποίηση βιβλίων, ο Λούις Βον Άν διερωτήθηκε πώς αλλιώς μπορεί να χρησιμοποιήσει μικρή βοήθεια απο πολλούς στο ίντερνετ για το κοινό καλό. Στο TEDxCMU, μοιράζεται τον τρόπο με τον οποίο το νέο, φιλόδοξο σχέδιο του, το Duolingo, θα βοηθήσει εκατομμύρια ανθρώπους να μάθουν μια νέα γλώσσα και ταυτόχρονα να μεταφράζουν τον παγκόσμιο ιστό γρήγορα και με ακρίβεια -- δωρεάν.
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
Σε πόσους απο σας έτυχε να συμπληρώσετε κάποια φόρμα
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
όπου έπρεπε να διαβάσετε μία σειρά απο παραμορφωμένους χαρακτήρες όπως αυτή;
00:19
How many of you found it really, really annoying?
2
4000
2000
Πόσοι απο σάς το βρήκαν εξαιρετικά ενοχλητικό;
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Τέλεια. Εγώ το εφηύρα.
00:24
(Laughter)
4
9000
2000
(Γέλιο)
00:26
Or I was one of the people who did it.
5
11000
2000
Ή μάλλον ήμουν ένας απο αυτούς.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Αυτό το πράγμα λέγεται CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Ο σκοπός του είναι να επαληθεύει ότι, η οντότητα που συμπληρώνει τη φόρμα,
00:32
are actually a human and not some sort of computer program
8
17000
3000
είναι όντως άνθρωπος και όχι κάποιου είδους πρόγραμμα
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
που γράφτηκε για να υποβάλλει την φόρμα εκατομμύρια φορές.
00:37
The reason it works is because humans,
10
22000
2000
Ο λόγος που δουλεύει είναι ότι οι άνθρωποι,
00:39
at least non-visually-impaired humans,
11
24000
2000
τουλάχιστον αυτοί χωρίς κάποια οπτική δυσλειτουργία,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
δεν έχουν κάποιο πρόβλημα στο να διαβάσουν τους παραμορφωμένους χαρακτήρες,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
ενώ τα προγράμματα απλά δεν μπορούν να το κάνουν.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Για παράδειγμα, στη περίπτωση του Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
ο λόγος που πρέπει να πληκτρολογήσεις τους χαρακτήρες
00:50
is to prevent scalpers from writing a program
16
35000
2000
είναι για να αποτραπεί η χρήση προγράμματος
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
που μπορεί να αγοράσει εκατομμύρια εισιτήρια, 2 τη φορά.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
Τα CAPTCHAs χρησιμοποιούνται παντού στο ίντερνετ.
00:56
And since they're used so often,
19
41000
2000
Και αφού χρησιμοποιούνται τόσο συχνά,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
πολλές φορές η ακολουθία απο τυχαίους χαρακτήρες που εμφανίζεται στο χρήστη
01:00
is not so fortunate.
21
45000
2000
δεν είναι τόσο «τυχαία».
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Αυτό είναι ένα παράδειγμα απο τη σελίδα εγγραφής στο Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Οι τυχαίοι χαρακτήρες που εμφανίστηκαν στο χρήστη,
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
σχημάτιζαν τη λέξη «ΠΕΡΙΜΕΝΕ».
01:10
But the best part is the message
25
55000
3000
Η φάση όμως ήταν το μήνυμα
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
που πήρε το κέντρο εξυπηρέτησης του Yahoo 20 λεπτά μετά.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Κείμενο: «Βοήθεια! Περιμένω πάνω απο 20 λεπτά και δε γίνεται τίποτα.»
01:19
(Laughter)
28
64000
4000
(Γέλιο)
01:23
This person thought they needed to wait.
29
68000
2000
Ο χρήστης νόμιζε ότι έπρεπε να περιμένει.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Αυτό φυσικά, δεν ήταν τόσο κακό όσο αυτό που έτυχε σε ένα άλλο άτομο.
01:28
(Laughter)
31
73000
2000
(Γέλιο)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Το πρόγραμμά CAPTCHA είναι κάτι που φτιάξαμε στο Carnegie Melllon πρίν δέκα χρόνια,
01:33
and it's been used everywhere.
33
78000
2000
και χρησιμοποιείται παντού.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Θα σας πω για ένα πρόγραμμα που ξεκινήσαμε μερικά χρόνια αργότερα,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
που είναι ένα είδος εξέλιξης του CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Υπάρχει ένα πρόγραμμα που ονομάζεται reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
που και αυτό το ξεκινήσαμε εδώ στο Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
και το μετατρέψαμε σε μια αναδυόμενη επιχείρηση.
01:46
And then about a year and a half ago,
39
91000
2000
Μετά απο ενάμιση χρόνο σχεδόν,
01:48
Google actually acquired this company.
40
93000
2000
η Google αγόρασε αυτή την εταιρία.
01:50
So let me tell you what this project started.
41
95000
2000
Θέλω να σας πω πώς ξεκίνησε αυτό το σχέδιο.
01:52
So this project started from the following realization:
42
97000
3000
Η ιδέα αυτή γεννήθηκε απο την ακόλουθη αντίληψη:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Φαίνεται ότι περίπου 200 εκατομμύρια CAPTCHAs
01:57
are typed everyday by people around the world.
44
102000
3000
δακτυλογραφούνται καθημερινά απο ανθρώπους απ' όλο το κόσμο.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Όταν το πρωτοάκουσα, ένιωσα αρκετά υπερήφανος.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Σκέφτηκα, κοίτα τι επίδραση επέφερε η έρευνα μου.
02:04
But then I started feeling bad.
47
109000
2000
Αλλά μετά άρχισα να νιώθω άσχημα.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Να γιατί: κάθε φορά που πληκτρολογείς ένα CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
στην ουσία σπαταλάς 10 δευτερόλεπτα απο το χρόνο σου.
02:11
And if you multiply that by 200 million,
50
116000
2000
Αν το πολλαπλασιάσεις αυτό με 200 εκατομμύρια,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
βλέπεις ότι η ανθρωπότητα σαν σύνολο σπαταλάει περίπου 500,000 ώρες την μέρα
02:16
typing these annoying CAPTCHAs.
52
121000
2000
πληκτρολογώντας αυτά τα ενοχλητικά CAPTCHAs.
02:18
So then I started feeling bad.
53
123000
2000
Ένιωθα πολύ άσχημα.
02:20
(Laughter)
54
125000
2000
(Γέλιο)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Μετά άρχισα να διερωτώμαι, φυσικά δε μπορούμε απλά να ξεφορτωθούμε τα CAPTCHAs,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
επειδή η ασφάλεια του διαδικτύου βασίζεται εν μέρη σε αυτά.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Αναρωτιόμουν, υπάρχει μήπως ένας τρόπος να εκμεταλλευτούμε αυτή την κατάσταση
02:30
for something that is good for humanity?
58
135000
2000
για κάτι που είναι καλό για την ανθρωπότητα;
02:32
So see, here's the thing.
59
137000
2000
Κοιτάξτε,
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Καθώς πληκτρολογείς ένα CAPTCHA, σε αυτά τα 10 δευτερόλεπτα,
02:36
your brain is doing something amazing.
61
141000
2000
το μυαλό σου κάνει κάτι απίστευτο.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Κάνει κάτι που οι υπολογιστές δεν μπορούν ακόμη να κάνουν.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Μπορούμε να σε κάνουμε να εκτελείς κάτι χρήσιμο για αυτά τα 10 δεύτερα;
02:43
Another way of putting it is,
64
148000
2000
Ένας άλλος τρόπος να το θέσουμε είναι,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
ότι υπάρχει κάποιο τεράστιο πρόβλημα το οποίο δεν μπορούμε να το λύσουμε ακόμη και με τη βοήθεια υπολογιστών
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
αλλά μπορούμε να το χωρίσουμε σε κομμάτια των 10 δευτερολέπτων
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
έτσι ώστε κάθε φορά που κάποιος γράφει ένα CAPTCHA
02:52
they solve a little bit of this problem?
68
157000
2000
να λύνει και ένα μικρό κομμάτι αυτού του προβλήματος;
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Η απάντηση είναι «ναι», και αυτό είναι που κάνουμε τώρα.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Αυτό που ίσως δε γνωρίζετε, είναι πώς όταν πληκτρολογείτε ένα CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
όχι μόνο επιβεβαιώνετε ότι είστε άνθρωπος,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
αλλά επιπλέον συμβάλλετε στη προσπάθεια ψηφιοποίησης βιβλίων.
03:03
So let me explain how this works.
73
168000
2000
Ορίστε πώς δουλεύει αυτό.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Υπάρχουν πολλές ομάδες που ασχολούνται με τη ψηφιοποίηση βιβλίων.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Η Google έχει μια. Τα Ιντερνετικά Αρχεία έχουν μια.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Το Άμαζον με το κίντλ, προσπαθεί να ψηφιοποιήσει βιβλία.
03:12
Basically the way this works
77
177000
2000
Ο τρόπος που δουλεύει αυτό είναι,
03:14
is you start with an old book.
78
179000
2000
Ξεκινάς με ένα παλιό βιβλίο.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Έχετε δει ένα απο αυτά έτσι; Βιβλία εννοώ.
03:18
(Laughter)
80
183000
2000
(Γέλιο)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Παίρνεις ένα βιβλίο, και το σκανάρεις.
03:22
Now scanning a book
82
187000
2000
Όταν σκανάρεις ένα βιβλίο
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
είναι σαν να παίρνεις μια ψηφιακή φωτογραφία κάθε σελίδας.
03:26
It gives you an image for every page of the book.
84
191000
2000
Σου δίνει μια εικόνα για κάθε σελίδα του βιβλίου.
03:28
This is an image with text for every page of the book.
85
193000
2000
Είναι εικόνες με το κείμενο της κάθε σελίδας.
03:30
The next step in the process
86
195000
2000
Το επόμενο βήμα της διαδικασίας
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
είναι η αποκρυπτογράφηση όλων των λέξεων της εικόνας απο τον υπολογιστή.
03:35
That's using a technology called OCR,
88
200000
2000
Είναι μια τεχνολογία που ονομάζεται ΟΑΧ
03:37
for optical character recognition,
89
202000
2000
οπτική αναγνώριση χαρακτήρων,
03:39
which takes a picture of text
90
204000
2000
η οποία δέχεται μια εικόνα κειμένου
03:41
and tries to figure out what text is in there.
91
206000
2000
και προσπαθεί να καταλάβει τι γράφει το κείμενο.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Το πρόβλημα είναι ότι το ΟΑΧ είναι ατελές.
03:45
Especially for older books
93
210000
2000
Ειδικά για παλαιότερα βιβλία
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
που το μελάνι έχει εξασθενίσει και οι σελίδες είναι κίτρινες,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
το ΟΑΧ δεν μπορεί να αναγνωρίσει πολλές απο τις λέξεις.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Για παράδειγμα, για κείμενα που γράφτηκαν πριν απο μισό αιώνα,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
ο υπολογιστής δε μπορεί να αναγνωρίσει 30% των λέξεων.
03:57
So what we're doing now
98
222000
2000
Αυτό που κάνουμε τώρα
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
είναι να παίρνουμε όλες τις λέξεις που δεν μπορεί να αναγνωρίσει ο υπολογιστής
04:01
and we're getting people to read them for us
100
226000
2000
και βάζουμε ανθρώπους να τις διαβάζουν για μας
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
καθώς πληκτρολογούν ένα CAPTCHA στο δίκτυο.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Έτσι την επόμενη φορά που θα γράφετε ένα CAPTCHA, εκείνες οι λέξεις
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
που γράφετε, προέρχονται από βιβλία σε διαδικασία ψηφιοποίησης
04:11
that the computer could not recognize.
104
236000
2000
που ο υπολογιστής δε μπορεί να αναγνωρίσει.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Ο λόγος που τώρα υπάρχουν 2 λέξεις αντί για μία όπως παλιά
04:15
is because, you see, one of the words
106
240000
2000
είναι επειδή μία από τις λέξεις
04:17
is a word that the system just got out of a book,
107
242000
2000
αντλήθηκε από ένα βιβλίο μέσω του συστήματος,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
δεν γνώριζε τι είναι, και θα το παρουσιάσει σε εσάς.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Αλλά επειδή δεν ξέρει την απάντηση, δε μπορεί να την βαθμολογήσει.
04:25
So what we do is we give you another word,
110
250000
2000
Έτσι, σας δίνουμε μια άλλη λέξη,
04:27
one for which the system does know the answer.
111
252000
2000
μία για την οποία το σύστημα γνωρίζει την απάντηση.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Δεν σας λέμε ποια είναι ποια, απλά λέμε, παρακαλώ πληκτρολογήστε και τις δύο.
04:31
And if you type the correct word
113
256000
2000
Έαν γράψετε τη σωστή λέξη
04:33
for the one for which the system already knows the answer,
114
258000
2000
για αυτή την οποία το σύστημα ήδη γνωρίζει την απάντηση,
04:35
it assumes you are human,
115
260000
2000
υποθέτει ότι είστε άνθρωπος,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
και «ευελπιστεί» ότι γράψατε και την άλλη λέξη σωστά.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Εάν επαναλάβουμε αυτή τη διαδικασία σε 10 διαφορετικά άτομα
04:42
and all of them agree on what the new word is,
118
267000
2000
και όλοι τους συμφωνούν για το ποια είναι η νέα λέξη,
04:44
then we get one more word digitized accurately.
119
269000
2000
τότε ψηφιοποιήθηκε με ακρίβεια άλλη μια λέξη.
04:46
So this is how the system works.
120
271000
2000
Έτσι δουλεύει το σύστημα.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Από τη κυκλοφορία του, πριν απο 3 ή 4 χρόνια, μέχρι σήμερα,
04:51
a lot of websites have started switching
122
276000
2000
πολλές ιστοσελίδες έχουν αλλάξει
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
απο το παλιό CAPTCHA που τα άτομα απλά σπαταλούσαν χρόνο
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
στο νέο CAPTCHA που οι άνθρωποι βοηθάνε στη ψηφιοποίηση βιβλίων.
04:57
So for example, Ticketmaster.
125
282000
2000
Για παράδειγμα, το Τικετμάστερ.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Κάθε φορά που αγοράζεις εισιτήρια απο το Τίκετμαστερ, συμβάλλετε στη ψηφιοποίηση ενός βιβλίου.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Φέισμπουκ: Κάθε φορά που προσθέτετε ένα φίλο, ή κάνετε poke
05:04
you help to digitize a book.
128
289000
2000
συμβάλλετε στη ψηφιοποίηση ενός βιβλίου.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Το Τουίτερ και περίπου 350,000 άλλες ιστοσελίδες χρησιμοποιούν reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Κατ ακρίβεια, ο αριθμός των σελίδων που χρησιμοποιούν reCAPTCHA είναι τόσο μεγάλος
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
που ο όγκος των λέξεων που ψηφιοποιούμε καθημερινά είναι τεράστιος.
05:14
It's about 100 million a day,
132
299000
2000
Περίπου 100 εκατομμύρια λέξεις την μέρα,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
που αντιστοιχεί σε 2.5 εκατομμύρια βιβλία το χρόνο.
05:20
And this is all being done one word at a time
134
305000
2000
Και όλο αυτό γίνεται μία λέξη τη φορά απο άτομα
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
που απλά πληκτρολογούν CAPTCHAs στο ίντερνετ.
05:24
(Applause)
136
309000
8000
(Χειροκρότημα)
05:32
Now of course,
137
317000
2000
Φυσικά,
05:34
since we're doing so many words per day,
138
319000
2000
επειδή επεξεργαζόμαστε τόσες λέξεις τη μέρα,
05:36
funny things can happen.
139
321000
2000
συμβαίνουν και μερικά ευτράπελα.
05:38
And this is especially true because now we're giving people
140
323000
2000
Ειδικά τώρα που δίνουμε στους ανθρώπους δύο
05:40
two randomly chosen English words next to each other.
141
325000
2000
τυχαία επιλεγμένες αγγλικές λέξεις δίπλα δίπλα.
05:42
So funny things can happen.
142
327000
2000
Αστεία πράγματα μπορεί να συμβούν.
05:44
For example, we presented this word.
143
329000
2000
Για παράδειγμα, είχαμε αυτή τη λέξη.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Η λέξη «Χριστιανοί» δεν έχει κάτι αστείο.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Αλλά αν την βάλεις δίπλα απο μια άλλη τυχαία επιλεγμένη λέξη,
05:51
bad things can happen.
146
336000
2000
τότε παρουσιάζονται προβλήματα.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Όπως αυτό: (Κείμενο: Κακοί χριστιανοί)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Και είναι ακόμη χειρότερο, επειδή η συγκεκριμένη ιστοσελίδα που εμφανίστηκε αυτό
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
τύχαινε να ονομαζόταν Η Πρεσβεία της Βασιλείας του Θεού.
06:01
(Laughter)
150
346000
2000
(Γέλιο)
06:03
Oops.
151
348000
2000
Ούπς.
06:05
(Laughter)
152
350000
3000
(Γέλιο)
06:08
Here's another really bad one.
153
353000
2000
Ορίστε ακόμη ένα αρκετά κακό.
06:10
JohnEdwards.com
154
355000
2000
ΤζόνΈντουαρντς.κομ
06:12
(Text: Damn liberal)
155
357000
3000
(κείμενο: Καταραμένοι Φιλελεύθεροι)
06:15
(Laughter)
156
360000
2000
(Γέλιο)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Καθημερινώς άνθρωποι παντού, προσβάλλονταν απο αυτά.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Φυσικά, δεν προσβάλαμε μόνο ανθρώπους.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Κοιτάξτε, επειδή παρουσιάζαμε δύο τυχαία επιλεγμένες λέξεις,
06:25
interesting things can happen.
160
370000
2000
συνέβαιναν ενδιαφέροντα πράγματα.
06:27
So this actually has given rise
161
372000
2000
Αυτό ήταν και η αιτία της δημιουργίας
06:29
to a really big Internet meme
162
374000
3000
μιας πολύ μεγάλης ιντερνετικής μόδας
06:32
that tens of thousands of people have participated in,
163
377000
2000
που δεκάδες χιλιάδες άτομα έχουν πάρει μέρος,
06:34
which is called CAPTCHA art.
164
379000
2000
που ονομάζεται τέχνη CAPTCHA.
06:36
I'm sure some of you have heard about it.
165
381000
2000
είμαι σίγουρος μερικοί απο σάς το έχουν ακούσει.
06:38
Here's how it works.
166
383000
2000
Ορίστε πώς δουλεύει.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Φανταστείτε ότι χρησιμοποιείτε το ίντερνετ και βλέπετε ένα CAPTCHA
06:42
that you think is somewhat peculiar,
168
387000
2000
που σας φαίνεται λίγο παράξενο,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
όπως π.χ αυτό. (Κείμενο: αόρατη τοστιέρα)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Αυτό που υποτίθεται ότι πρέπει να κάνετε είναι να το αποθηκεύσετε σαν εικόνα.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Μετά φυσικά, συμπληρώνετε το CAPTCHA
06:50
because you help us digitize a book.
172
395000
2000
επειδή μας βοηθάτε να ψηφιοποιούμε τα βιβλία.
06:52
But then, first you take a screen shot,
173
397000
2000
Αλλά μετά, πρώτα το αποθηκεύετε,
06:54
and then you draw something that is related to it.
174
399000
2000
και μετά ζωγραφίζετε κάτι σχετικά με αυτό.
06:56
(Laughter)
175
401000
2000
(Γέλιο)
06:58
That's how it works.
176
403000
3000
Έτσι δουλεύει.
07:01
There are tens of thousands of these.
177
406000
3000
Υπάρχουν δεκάδες χιλιάδες απο αυτά.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Μερικά είναι πολύ χαριτωμένα. ( Κείμενο:
07:06
(Laughter)
179
411000
2000
(Γέλιο)
07:08
Some of them are funnier.
180
413000
2000
Μερικά είναι αστεία.
07:10
(Text: stoned founders)
181
415000
3000
(Κείμενο: μαστουρωμένοι ιδρυτές)
07:13
(Laughter)
182
418000
3000
(Γέλιο)
07:16
And some of them,
183
421000
2000
Και μερικά απο αυτά,
07:18
like paleontological shvisle,
184
423000
3000
όπως παλαιοντολογικό μυστρί,
07:21
they contain Snoop Dogg.
185
426000
2000
περιέχουν τον Σνούπ Ντογκ.
07:23
(Laughter)
186
428000
3000
(Γέλιο)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Αυτός είναι ο αγαπημένος μου αριθμός για το reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Είναι το πράγμα που λατρέυω για το όλο πρότζεκτ.
07:31
This is the number of distinct people
189
436000
2000
Αυτός είναι ο αριθμός των διαφορετικών ατόμων
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
που μας έχουν βοηθήσει να ψηφιοποιήσουμε τουλάχιστον μία λέξη απο ένα βιβλίο με το reCAPTCHA:
07:36
750 million,
191
441000
2000
750 εκατομμύρια,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
λίγο περισσότερο απο 10% του παγκόσμιου πληθυσμού,
07:40
has helped us digitize human knowledge.
193
445000
2000
μας έχει βοηθήσει στη ψηφιοποίηση της ανθρώπινης γνώσης.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Και είναι αριθμοί σαν αυτόν που δίνουν κίνητρο στο ερευνητικό μου πρόγραμμα.
07:45
So the question that motivates my research is the following:
195
450000
3000
Η ερώτηση που ωθεί την έρευνα μου είναι η εξής:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Αν δεις τα μεγαλύτερα επιτεύγματα της ανθρωπότητας,
07:50
these really big things
197
455000
2000
αυτά τα πραγματικά τεράστια πράγματα
07:52
that humanity has gotten together and done historically --
198
457000
3000
που η ανθρωπότητα έχει ενωθεί και έχει δημιουργήσει --
07:55
like for example, building the pyramids of Egypt
199
460000
2000
όπως για παράδειγμα, το χτίσιμο των πυραμίδων της Αιγύπτου
07:57
or the Panama Canal
200
462000
2000
ή η Διώρυγα Παναμά
07:59
or putting a man on the Moon --
201
464000
2000
ή η προσελήνωση του ανθρώπου --
08:01
there is a curious fact about them,
202
466000
2000
υπάρχει ένα περίεργο στοιχείο σε όλα αυτά,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
και είναι ότι, όλα έχουν γίνει με περίπου τον ίδιο αριθμό ανθρώπων.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
είναι περίεργο; έχουν όλα επιτευχθεί με περίπου 100,000 ανθρώπους.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Και ο λόγος για αυτό είναι, πριν απο το Ίντερνετ,
08:11
coordinating more than 100,000 people,
206
476000
2000
το να συντονίσεις περισσότερο απο 100,000 ανθρώπους,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
πόσο μάλλον να τους πληρώνεις, ήταν ουσιαστικά αδύνατο.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Αλλά τώρα με το ίντερνετ, σας έχω δείξει ένα πρότζεκτ
08:18
where we've gotten 750 million people
209
483000
2000
όπου 750 εκατομμύρια άνθρωποι έχουν συμβάλει
08:20
to help us digitize human knowledge.
210
485000
2000
στην ψηφιοποίηση ανθρώπινης γνώσης.
08:22
So the question that motivates my research is,
211
487000
2000
Έτσι η ερώτηση που παρακινεί την έρευνα είναι,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
εάν μπορούμε να στείλουμε ένα άνθρωπο στο φεγγάρι με 100,000,
08:27
what can we do with 100 million?
213
492000
2000
τι μπορούμε να κάνουμε με 100 εκατομμύρια;
08:29
So based on this question,
214
494000
2000
Έτσι με βάση αυτή την ερώτηση,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
έχουμε πολλά διαφορετικά πρότζεκτ που επεξεργαζόμαστε.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Θα σας πω ένα για το οποίο είμαι πολύ ενθουσιασμένος.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Αυτό είναι κάτι στο οποίο δουλεύουμε ανεπίσημα
08:38
for the last year and a half or so.
218
503000
2000
για το τελευταίο ενάμιση χρόνο.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Δεν έχει εγκαινιαστεί ακόμη. Ονομάζεται Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Εφόσον δεν έχει εγκαινιαστεί, σσσσ!
08:44
(Laughter)
221
509000
2000
(Γέλιο)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Θα σας εμπιστευτώ ότι θα το κρατήσετε μυστικό.
08:48
So this is the project. Here's how it started.
223
513000
2000
Αυτό είναι το πρότζεκτ και νά πως ξεκίνησε.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Έθεσα μια ερώτηση σε ένα απο τους μεταπτυχιακούς φοιτητές μου,
08:52
Severin Hacker.
225
517000
2000
τον Σέβεριν Χάκερ.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Αυτός είναι ο Σέβεριν Χάκερ.
08:56
So I posed the question to my graduate student.
227
521000
2000
Έθεσα λοιπόν αυτή την ερώτηση στο φοιτητή μου.
08:58
By the way, you did hear me correctly;
228
523000
2000
Ναι σωστά με ακούσατε;
09:00
his last name is Hacker.
229
525000
2000
το επίθετό του είναι Χάκερ.
09:02
So I posed this question to him:
230
527000
2000
Τον ρώτησα λοιπόν;
09:04
How can we get 100 million people
231
529000
2000
Πως μπορούμε να κάνουμε 100 εκατομμύρια άτομα
09:06
translating the Web into every major language for free?
232
531000
3000
να μεταφράσουν το ίντερνετ σε κάθε κύρια γλώσσα δωρεάν;
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Υπάρχουν αρκετά πράγματα που χρίζουν ξεκαθάρισμα σε αυτή την ερώτηση.
09:11
First of all, translating the Web.
234
536000
2000
Πρώτον, μεταφράζοντας το Ίντερνετ.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Αυτή τη στιγμή το διαδίκτυο είναι χωρισμένο σε διάφορες γλώσσες.
09:16
A large fraction of it is in English.
236
541000
2000
Τεράστιο μέρος του είναι στα αγγλικά.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Εάν δε γνωρίζεις καθόλου αγγλικά, δεν μπορείς να το χειριστείς.
09:20
But there's large fractions in other different languages,
238
545000
2000
Αλλά υπάρχει ένα μεγάλο μέρος που είναι σε άλλες γλώσσες,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
και εάν δε γνωρίζεις αυτές τις γλώσσες, πάλι δε μπορείς να το χειριστείς.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Έτσι θα ήθελα να μεταφράσω όλο το Δίκτυο, ή τουλάχιστον το περισσότερο,
09:28
into every major language.
241
553000
2000
σε κάθε κύρια γλώσσα.
09:30
So that's what I would like to do.
242
555000
2000
Αυτό είναι που θα ήθελα να κάνω.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Μερικοί απο σας ίσως αναρωτιούνται, γιατί δε βάζουμε τα pc να μεταφράσουν;
09:35
Why can't we use machine translation?
244
560000
2000
Γιατί δε μπορούμε να χρησιμοποιήσουμε μηχανική μετάφραση;
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Η μηχανική μετάφραση στις μέρες μας μπορεί να μεταφράσει μερικές προτάσεις εδώ και 'κει.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Γιατί δε τη χρησιμοποιούμε για να μεταφράσουμε όλο το Δίκτυο;
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Το πρόβλημα είναι ότι δεν είναι αρκετά καλή ακόμη
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
και θα χρειαστούν περίπου 15 με 20 χρόνια μέχρι να είναι.
09:45
It makes a lot of mistakes.
249
570000
2000
Κάνει πάρα πολλά λάθη.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Ακόμη και όταν δεν κάνει λάθος,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
απ τη στιγμή που είναι τόσο ελαττωματική, δεν ξέρεις εάν μπορείς να βασιστείς σε αυτή.
09:52
So let me show you an example
252
577000
2000
Ορίστε ένα παράδειγμα
09:54
of something that was translated with a machine.
253
579000
2000
μιας μετάφρασης απο υπολογιστή.
09:56
Actually it was a forum post.
254
581000
2000
Για την ακρίβεια ήταν μήνυμα απο ένα φόρουμ.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Κάποιος προσπαθούσε να κάνει μια ερώτηση για τη JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Μεταφράστηκε απο Γιαπωνέζικα στα Αγγλικά.
10:04
So I'll just let you read.
257
589000
2000
Θα σας αφήσω να το διαβάσετε.
10:06
This person starts apologizing
258
591000
2000
Το άτομο απολογείται για το
10:08
for the fact that it's translated with a computer.
259
593000
2000
γεγονός ότι μεταφράστηκε με υπολογιστή.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Η επόμενη ερώτηση είναι η εισαγωγή στην ερώτηση.
10:13
So he's just explaining something.
261
598000
2000
Προσπαθεί να εξηγήσει κάτι.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Να θυμάστε, είναι ερώτηση για την JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Κείμενο: Στα συχνά, ο κατσικο-χρόνος εγκαθιστάτε ένα λάθος είναι εμετός.)
10:23
(Laughter)
264
608000
4000
(Γέλιο)
10:27
Then comes the first part of the question.
265
612000
3000
Μετά είναι το πρώτο μέρος της ερώτησης.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Κείμενο: Πόσες φορές όπως τον άνεμο, το κοντάρι, και τον δράκο;)
10:34
(Laughter)
267
619000
2000
(Γέλιο)
10:36
Then comes my favorite part of the question.
268
621000
3000
Μετά είναι το αγαπημένο μου μέρος της ερώτησης.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Κείμενο: Αυτή είναι προσβολή στη ταφόπλακα του πατέρα μου;)
10:42
(Laughter)
270
627000
2000
(Γέλιο)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Και μετά το τέλος που είναι το αγαπημένο μου μέρος όλου του θέματος.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Κείμενο: Παρακαλώ απολογούμαι για την ηλιθιότητα σου. Υπάρχουν πολλοί ευχαριστώ.)
10:51
(Laughter)
273
636000
2000
(Γέλιο)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Ωραία, λοιπόν μετάφραση απο υπολογιστή, όχι αρκετά καλή ακόμη.
10:55
So back to the question.
275
640000
2000
Πίσω στην ερώτηση.
10:57
So we need people to translate the whole Web.
276
642000
3000
Χρειαζόμαστε λοιπόν ανθρώπους για να μεταφράσουν το διαδίκτυο.
11:00
So now the next question you may have is,
277
645000
2000
Η επόμενη ερώτηση που μπορεί να έχετε είναι,
11:02
well why can't we just pay people to do this?
278
647000
2000
γιατί δε μπορούμε να πληρώσουμε ανθρώπους να το κάνουν;
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Θα μπορούσαμε να πληρώσουμε επαγγελματίες μεταφραστές για να μεταφράσουν το διαδίκτυο.
11:07
We could do that.
280
652000
2000
Θα μπορούσαμε να το κάνουμε αυτό.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Δυστυχώς θα ήταν εξαιρετικά ακριβό.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Για παράδειγμα, το να μεταφράσουμε ένα μικροσκοπικό τμήμα τοου διαδικτύου, την βικιπαίδεια,
11:14
into one other language, Spanish.
283
659000
3000
σε μια άλλη γλώσσα, τα Ισπανικά.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Η βικιπαίδεια υπάρχει στα Ισπανικά,
11:19
but it's very small compared to the size of English.
285
664000
2000
αλλά είναι πολύ μικρή σε σχέση με την αγγλική σελίδα.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Είναι περίπου το 20% της αγγλικής.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Εάν θέλαμε να μεταφράσουμε το υπόλοιπο 80% στα Ισπανικά,
11:26
it would cost at least 50 million dollars --
288
671000
2000
θα κόστιζε τουλάχιστον 50 εκατομμύρια δολλάρια --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
και αυτό χρησιμοποιώντας την πιο εκμεταλλεύσιμη χώρα που υπάρχει.
11:31
So it would be very expensive.
290
676000
2000
Θα ήταν λοιπόν πολύ δαπανηρό.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Αυτό που θέλουμε να κάνουμε λοιπόν είναι να βάλουμε 100 εκατομμύρια ανθρώπους
11:35
translating the Web into every major language
292
680000
2000
να μεταφράσουν το διαδίκτυο σε κάθε κύρια γλώσσα
11:37
for free.
293
682000
2000
δωρεάν.
11:39
Now if this is what you want to do,
294
684000
2000
Εάν αυτό είναι που θέλεις να πετύχεις,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
πολύ γρήγορα αντιλαμβάνεσαι ότι θα συναντήσεις 2 μεγάλα προβλήματα,
11:43
two big obstacles.
296
688000
2000
2 μεγάλα εμπόδια.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Το πρώτο είναι η έλλειψη δίγλωσσων.
11:48
So I don't even know
298
693000
2000
Δεν ξέρω κάν
11:50
if there exists 100 million people out there using the Web
299
695000
3000
αν υπάρχουν 100 εκατομμύρια άνθρωποι χρήστες του διαδικτύου
11:53
who are bilingual enough to help us translate.
300
698000
2000
που είναι αρκετά δίγλωσσοι ώστε να μας βοηθήσουν να μεταφράσουμε.
11:55
That's a big problem.
301
700000
2000
Αυτό είναι ένα μεγάλο πρόβλημα.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
Το άλλο πρόβλημα που θα συναντήσεις είναι η έλλειψη κινήτρου.
11:59
How are we going to motivate people
303
704000
2000
Πώς θα κινητοποιήσουμε άτομα
12:01
to actually translate the Web for free?
304
706000
2000
να μεταφράσουν το Ίντερνετ δωρεάν;
12:03
Normally, you have to pay people to do this.
305
708000
3000
Κανονικά, πρέπει να τους πληρώσεις για τέτοια δουλειά.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Τότε πώς θα τους παρακινήσουμε να το κάνουν δωρεάν;
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Όταν αρχίσαμε να το σχεδιάζουμε, είχαμε κολλήσει σε αυτά τα 2 θέματα.
12:11
But then we realized, there's actually a way
308
716000
2000
Αλλά μετά αντιληφθήκαμε, ότι υπάρχει λύση
12:13
to solve both these problems with the same solution.
309
718000
2000
στα δύο προβλήματα και μάλιστα είναι η ίδια.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Μ' ένα σμπάρο δύο τρυγόνια.
12:17
And that is to transform language translation
311
722000
3000
Και αυτό είναι να τροποποιήσουμε τη μετάφραση
12:20
into something that millions of people want to do,
312
725000
3000
σε κάτι που θέλουν να κάνουν εκατομμύρια άτομα,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
και δίνει και λύση στο πρόβλημα της έλλειψης δίγλωσσων,
12:26
and that is language education.
314
731000
3000
και αυτό είναι η γλωσσική εκπαίδευση.
12:29
So it turns out that today,
315
734000
2000
Απ' οτι φαίνεται, σήμερα
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
υπάρχουν 1.2 δις άνθρωποι που μαθαίνουν μια ξένη γλώσσα.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Οι άνθρωποι θέλουν πραγματικά να μάθουν μια ξένη γλώσσα.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Και δεν είναι επειδή είναι αναγκασμένοι να το μάθουν στο σχολείο.
12:39
For example, in the United States alone,
319
744000
2000
Για παράδειγμα, μόνο στις Ην. Πολιτείες,
12:41
there are over five million people who have paid over $500
320
746000
2000
πάνω απο 5 εκατομμύρια άνθρωποι έχουν πληρώσει πάνω απο €400
12:43
for software to learn a new language.
321
748000
2000
σε προγράμματα για να μάθουν μια νέα γλώσσα.
12:45
So people really, really want to learn a new language.
322
750000
2000
Οι άνθρωποι θέλουν πραγματικά να μάθουν μια νέα γλώσσα.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Αυτό που δουλεύουμε το τελευταίο ενάμιση χρόνο είναι μια νέα ιστοσελίδα --
12:50
it's called Duolingo --
324
755000
2000
ονόματι Duolingo --
12:52
where the basic idea is people learn a new language for free
325
757000
3000
που η βασική της ιδέα είναι ότι οι άνθρωποι μαθαίνουν μια νέα γλώσσα δωρεάν
12:55
while simultaneously translating the Web.
326
760000
2000
και ταυτόχρονα μεταφράζουν το διαδίκτυο.
12:57
And so basically they're learning by doing.
327
762000
2000
Βασικά μαθαίνουν κάνοντας.
12:59
So the way this works
328
764000
2000
Ο τρόπος που δουλεύει είναι
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
όταν είσαι αρχάριος, σου δίνουμε πολύ απλές προτάσεις.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Υπάρχουν φυσικά πολλές απλές προτάσεις στο διαδίκτυο.
13:06
We give you very, very simple sentences
331
771000
2000
Σου δίνουμε πολύ απλές προτάσεις
13:08
along with what each word means.
332
773000
2000
μαζί με τη σημασία της κάθε λέξης.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Και καθώς τις μεταφράζεις, και βλέποντας και πώς άλλοι άνθρωποι τις μεταφράζουν
13:13
you start learning the language.
334
778000
2000
αρχίζεις να μαθαίνεις τη γλώσσα.
13:15
And as you get more and more advanced,
335
780000
2000
Καθώς εξοικειώνεσαι όλο και περισσότερο,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
σου δίνουμε πιο πολύπλοκες προτάσεις για μετάφραση.
13:19
But at all times, you're learning by doing.
337
784000
2000
Αλλά συνεχώς, μαθαίνεις κάνοντας.
13:21
Now the crazy thing about this method
338
786000
2000
Το αξιοσημείωτο πράγμα με αυτή τη μέθοδο
13:23
is that it actually really works.
339
788000
2000
είναι ότι όντως δουλεύει.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Καταρχάς, οι άνθρωποι πραγματικά μαθαίνουν μια γλώσσα.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Έχουμε τελειώσει το στήσιμο της ιστοσελίδας, και τώρα τη δοκιμάζουμε.
13:29
People really can learn a language with it.
342
794000
2000
Οι άνθρωποι όντως μπορούν με αυτή να μάθουν μια νέα γλώσσα.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Σε επίπεδο που ανταγωνίζεται τα καλύτερα εκπαιδευτικά προγράμματα.
13:34
So people really do learn a language.
344
799000
2000
Έτσι ο κόσμος πραγματικά μαθαίνει τη γλώσσα.
13:36
And not only do they learn it as well,
345
801000
2000
Και όχι μόνο τη μαθαίνουν σε ικανοποιητικό επίπεδο,
13:38
but actually it's way more interesting.
346
803000
2000
αλλά είναι και πολύ πιο ενδιαφέρον.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Επειδή, με το Duolingo, οι άνθρωποι μαθαίνουν με πραγματικό περιεχόμενο.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Σε αντίθεση του να μαθαίνεις με «φτιαγμένες» προτάσεις,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
είναι πολύ πιο ενδιαφέρον να μαθαίνεις πιο ρεαλιστικά πράγματα.
13:48
So people really do learn a language.
350
813000
2000
Έτσι ο κόσμος αλήθεια μαθαίνει τη γλώσσα.
13:50
But perhaps more surprisingly,
351
815000
2000
Ακόμη πιο ενδιαφέρον είναι πως,
13:52
the translations that we get from people using the site,
352
817000
3000
οι μεταφράσεις που παίρνουμε απο τα άτομα που χρησιμοποιούν τη σελίδα,
13:55
even though they're just beginners,
353
820000
2000
παρόλο που είναι αρχάριοι,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
οι μεταφράσεις που παίρνουμε είναι τόσο ακριβείς όσο αυτές των επαγγελματιών μεταφραστών,
14:00
which is very surprising.
355
825000
2000
το οποίο είναι εκπληκτικό.
14:02
So let me show you one example.
356
827000
2000
Δείτε ένα παράδειγμα.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Αυτή είναι μια πρόταση που μεταφράστηκε απο τα Γερμανικά στα Αγγλικά.
14:06
The top is the German.
358
831000
2000
Στην αρχή είναι τα γερμανικά.
14:08
The middle is an English translation
359
833000
2000
Η μεσαία είναι η αγγλική μετάφραση
14:10
that was done by somebody who was a professional English translator
360
835000
2000
που έγινε απο επαγγελματία Άγγλο μεταφραστή
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
που πληρώθηκε 20 λεπτά τη λέξη για αυτή τη μετάφραση.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Στο κάτω μέρος είναι η μετάφραση απο χρήστες του Duolingo,
14:17
none of whom knew any German
363
842000
2000
που κανείς τους δεν ήξερε γερμανικά
14:19
before they started using the site.
364
844000
2000
πριν την επαφή τους με τη σελίδα.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Όπως βλέπετε, είναι σχεδόν τέλια.
14:23
Now of course, we play a trick here
366
848000
2000
Φυσικά, κάνουμε ένα κολπάκι εδώ
14:25
to make the translations as good as professional language translators.
367
850000
2000
για να κάνουμε τις μεταφράσεις τόσο καλές όσο αυτές των επαγγελματιών.
14:27
We combine the translations of multiple beginners
368
852000
3000
Συνδυάζουμε τις μεταφράσεις πολλών αρχάριων χρηστών
14:30
to get the quality of a single professional translator.
369
855000
3000
και παίρνουμε τη ποιότητα ενός επαγγελματία μεταφραστή.
14:33
Now even though we're combining the translations,
370
858000
5000
Παρόλο που συνδυάζουμε τις μεταφράσεις,
14:38
the site actually can translate pretty fast.
371
863000
2000
η σελίδα στη πραγματικότητα μεταφράζει αρκετά γρήγορα.
14:40
So let me show you,
372
865000
2000
Θα σας δείξω,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
τις εκτιμήσεις μας του πόσο γρήγορα μπορούμε να μεταφράσουμε τη Βικιπαίδεια
14:44
from English into Spanish.
374
869000
2000
απο Αγγλικά στα Ισπανικά.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Θυμάστε, αυτή στοιχίζει 50 εκατομμύρια δολλάρια.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Εάν θέλαμε να μεταφράσουμε τη Βικιπαίδεια στα Ισπανικά,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
θα χρειαζόμασταν 5 εβδομάδες με 100,000 ενεργούς χρήστες.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Θα μπορούσαμε να το κάνουμε σε 80 ώρες με 1 εκατομμύριο ενεργούς χρήστες.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Απ τη στιγμή που όλα τα πρότζεκτ που έχει κάνει η ομάδα μου μέχρι τώρα έχουν φέρει εκατομμύρια χρήστες,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
ευελπιστούμε ότι θα μπορούμε να μεταφράσουμε
15:02
extremely fast with this project.
381
887000
2000
εξαιρετικά γρήγορα με αυτό το πρότζεκτ.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Αυτό που με ενθουσιάζει περισσότερο με το Duolingo
15:07
is I think this provides a fair business model for language education.
383
892000
3000
είναι το ότι προσφέρει ένα δίκαιο επιχειρηματικό μοντέλο για τη γλωσσική εκπαίδευση.
15:10
So here's the thing:
384
895000
2000
Κοιτάξτε:
15:12
The current business model for language education
385
897000
2000
Το τρέχον επιχειρηματικό μοντέλο για την γλωσσική εκπαίδευση
15:14
is the student pays,
386
899000
2000
είναι, ο μαθητής πληρώνει,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
και συγκεκριμένα πληρώνει για το Ροζέτα Στόουν 400 ευρώ.
15:18
(Laughter)
388
903000
2000
(Γέλιο)
15:20
That's the current business model.
389
905000
2000
Αυτό είναι το τρέχον επιχειρηματικό μοντέλο.
15:22
The problem with this business model
390
907000
2000
Το πρόβλημα με αυτό το μοντέλο είναι ότι
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
95% του παγκόσμιου πληθυσμού δε μπορεί να διαθέσει 400 ευρώ.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Είναι πολύ άδικο για τους φτωχούς.
15:30
This is totally biased towards the rich.
393
915000
2000
Είναι εντελώς προκατειλημμένο προς τους πλούσιους.
15:32
Now see, in Duolingo,
394
917000
2000
Όμως, στο Duolingo,
15:34
because while you learn
395
919000
2000
επειδή καθώς μαθαίνεις
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
ταυτόχρονα δημιουργείς αξία, μεταφράζεις πράγματα --
15:39
which for example, we could charge somebody for translations.
397
924000
3000
που για παράδειγμα, θα μπορούσαμε να χρεώνουμε κάποιον για μεταφράσεις.
15:42
So this is how we could monetize this.
398
927000
2000
Μπορούμε να επωφεληθούμε απο αυτό.
15:44
Since people are creating value while they're learning,
399
929000
2000
Απ τη στιγμή που τα άτομα δημιουργούν αξία ενώ μαθαίνουν,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
δεν χρειάζεται να πληρώσουν, πληρώνουν με το χρόνο τους.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Το εκπληκτικό με αυτό είναι ότι πληρώνουν με το χρόνο τους,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
αλλά αυτός είναι χρόνος που θα ξόδευαν ούτως ή άλλως
15:54
learning the language.
403
939000
2000
για να μάθουν τη γλώσσα.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Το ωραίο πράγμα με το Duolingo είναι ότι προσφέρει ένα δίκαιο μοντέλο--
15:59
one that doesn't discriminate against poor people.
405
944000
2000
που δεν κάνει διακρίσεις προς τους φτωχούς.
16:01
So here's the site. Thank you.
406
946000
2000
Ορίστε η σελίδα. Ευχαριστώ.
16:03
(Applause)
407
948000
8000
(Χειροκρότημα)
16:11
So here's the site.
408
956000
2000
Αυτή είναι η σελίδα.
16:13
We haven't yet launched,
409
958000
2000
Δεν έχουμε ξεκινήσει επίσημα ακόμη,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
αλλά αν πάτε εκεί, μπορείτε να γραφτείτε και να λάβετε μέρος στις προσωπικές μας δοκιμές,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
που θα ξεκινήσουν σε περίπου 3 με 4 βδομάδες.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Δεν έχουμε λανσάρει ακόμη το Duolingo.
16:22
By the way, I'm the one talking here,
413
967000
2000
Παρεμπιπτόντως, είμαι αυτός που μιλάει εδώ,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
αλλά το Duolingo είναι η δουλειά μιας πραγματικά απίστευτης ομάδας, μερικοί απο αυτούς είναι εδώ.
16:27
So thank you.
415
972000
2000
Ένα ευχαριστώ και σε αυτούς.
16:29
(Applause)
416
974000
4000
(Χειροκρότημα)
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