TEDxCMU
Luis von Ahn: Massive-scale online collaboration
לואיס וון אן
Filmed:
Readability: 3.8
1,740,008 views
לאחר שעידכן את מערכת CAPTCHA כך שכל שימוש בה עוזר להפוך ספרים לדיגיטליים, לואיס וון אן תהה כיצד עוד ניתן להשתמש לטובת הכלל בתרומות קטנות של המוני משתמשים. בTEDxCMU הוא מתאר כיצד הפרוייקט החדש והשאפתני שלו, דואולינגו, יעזור למליונים ללמוד שפה חדשה תוך כדי שהם מתרגמים את האינטרנט במהירות ובמדוייק -- וכל זה, בחינם.
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
כמה מכם כבר נאלצו למלא טופס אינטרנטי
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
בו התבקשתם לקרוא סדרת אותיות מעוותות כזאת?
00:19
How many of you found it really, really annoying?
2
4000
2000
כמה מכם חשבו שזה ממש ממש מעצבן?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
טוב. נהדר. אז אני המצאתי את זה.
00:24
(Laughter)
4
9000
2000
(צחוק)
00:26
Or I was one of the people who did it.
5
11000
2000
או, שהייתי אחד מהממציאים.
00:28
That thing is called a CAPTCHA.
6
13000
2000
לדבר הזה קוראים CAPTCHA (קאפצ'ה)
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
והוא נמצא שם על מנת לוודא שאתם, היישות שממלאת את הטופס,
00:32
are actually a human and not some sort of computer program
8
17000
3000
הינה למעשה אדם ולא איזו תוכנת מחשב
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
שנכתבה ע"מ לשלוח את הטופס מליוני ומליוני פעמים.
00:37
The reason it works is because humans,
10
22000
2000
הסיבה שבגללה זה עובד היא שלאנשים,
00:39
at least non-visually-impaired humans,
11
24000
2000
לפחות לאנשים ללא בעיות ראייה,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
אין בעיה לקרוא את האותיות המעוותות האלה,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
אבל תוכנות מחשב פשוט אינן עושות זאת מספיק טוב עדיין
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
אז למשל, במקרה של טיקטמאסטר,
00:48
the reason you have to type these distorted characters
15
33000
2000
הסיבה שבגללה עליכם להקליד את האותיות המעוותות האלה
00:50
is to prevent scalpers from writing a program
16
35000
2000
היא למנוע מספסרים לכתוב תוכנה
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
שיכולה לקנות מליוני כרטיסים, שניים בכל פעם.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
קאפצ'ות נמצאות בשימוש בכל רחבי האינטרנט.
00:56
And since they're used so often,
19
41000
2000
וכיוון שהן בשימוש כה תכוף,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
הרבה פעמים צירוף האותיות האקראי המוצג למשתמש
01:00
is not so fortunate.
21
45000
2000
אינו כל כך מזהיר
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
זו דוגמה מעמוד ההרשמה של יאהוו.
01:05
The random characters that happened to be shown to the user
23
50000
2000
האותיות האקראיות שהוצגו למשתמש
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
היו W, A, I, T אשר, כמובן, מאייתות מילה. ("המתן")
01:10
But the best part is the message
25
55000
3000
אבל החלק הכי טוב הוא ההודעה
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
שקיבלה מערכת התמיכה של יאהוו כעבור 20 דקות.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
"הצילו! אני מחכה כבר 20 דקות, וכלום לא קורה."
01:19
(Laughter)
28
64000
4000
(צחוק)
01:23
This person thought they needed to wait.
29
68000
2000
המשתמש הזה חשב שעליו לחכות.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
וזה לא כל כך נורא כמו המשתמש האומלל הזה.
01:28
(Laughter)
31
73000
2000
(צחוק)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
פרוייקט קפאצ'ה הוא משהו שהתחלנו כאן באוניברסיטת קרנגי-מלון לפני יותר מ10 שנים,
01:33
and it's been used everywhere.
33
78000
2000
והוא בשימוש בכל מקום.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
תנו לי לספר לכם על פרוייקט שערכנו כמה שנים אח"כ
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
שהוא מעיין השלב האבולוציוני הבא של קאפצ'ה.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
זה פרוייקט שאנחנו מכנים reCAPTCHA (רי-קאפצ'ה),
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
והוא משהו שהתחלנו כאן, בקרנגי-מלון,
01:44
then we turned it into a startup company.
38
89000
2000
ואז הפכנו אותו לחברת סטארט-אפ.
01:46
And then about a year and a half ago,
39
91000
2000
ואז, לפני כשנה וחצי,
01:48
Google actually acquired this company.
40
93000
2000
גוגל רכשה את החברה.
01:50
So let me tell you what this project started.
41
95000
2000
אז תנו לי לספר לכם ממה הפרוייקט הזה התחיל.
01:52
So this project started from the following realization:
42
97000
3000
אז הפרוייקט הזה התחיל מההבנה הבאה:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
מסתבר שכ200 מליון קפאצ'ות
01:57
are typed everyday by people around the world.
44
102000
3000
מוזנות בכל יום ע"י אנשים מסביב לעולם.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
ככשמעתי זאת לראשונה הייתי דיי גאה בעצמי.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
חשבתי, ראו איזו השפעה היתה למחקר שלי.
02:04
But then I started feeling bad.
47
109000
2000
אבל אז התחלתי להרגיש לא נעים.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
וזה העניין, בכל פעם שאתם ממלאים קאפצ'ה,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
אתם למעשה מבזבזים 10 שניות מזמנכם.
02:11
And if you multiply that by 200 million,
50
116000
2000
ואם מכפילים את זה ב200 מליון,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
מקבלים שהאנושות כולה מבזבזת כ 500,000 שעות כל יום
02:16
typing these annoying CAPTCHAs.
52
121000
2000
בהזינה את הקאפצ'ות המעצבנות האלה.
02:18
So then I started feeling bad.
53
123000
2000
ואז התחלתי להרגיש לא נעים.
02:20
(Laughter)
54
125000
2000
(צחוק)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
ואז חשבתי, כמובן אי אפשר פשוט להיפטר מהקאפצ'ות האלה,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
כי בטיחות הרשת דיי תלויה בהם
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
אבל אז התחלתי לחשוב, האם יש דרך בה אפשר לרתום את המאמץ הזה
02:30
for something that is good for humanity?
58
135000
2000
למטרה שתהיה טובה לאנושות?
02:32
So see, here's the thing.
59
137000
2000
אז ראו, זה העניין,
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
בזמן שאתם מקלידים קאפצ'ה, באותן 10 שניות,
02:36
your brain is doing something amazing.
61
141000
2000
מוחכם עושה דבר מדהים
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
מוחכם עושה דבר שמחשבים עדיין אינם מסוגלים ךעשות
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
אז האם נוכל נוכל לגרום לכם לעשות משהו מועיל באותן 10 שניות?
02:43
Another way of putting it is,
64
148000
2000
דרך אחרת לתאר זאת היא,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
האם יש בעיה ענקית שעדיין איננו יכולים לפתור באמצעות מחשבים,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
אבל אפשר לחלקה לחתיכות קטנות של 10 שניות
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
כך שבכל פעם שמישהו פותר קאפצ'ה
02:52
they solve a little bit of this problem?
68
157000
2000
הוא פותר חתיכה קטנה מהבעיה?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
והתשובה לכך היא "כן", וזה מה שאנחנו עושים עכשיו.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
ומה שאולי אינכם יודעים הוא שבזמן שאתם פותרים קאפצ'ה,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
אתם לא רק מאמתים את זהותכם כבן-אדם,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
אבל למעשה אתם עוזרים לנו להפוך ספרים לדיגיטליים.
03:03
So let me explain how this works.
73
168000
2000
אז תנו לי להסביר איך זה עובד.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
אז יש הרבה פרוייקטים שמנסים להפוך ספרים לדיגיטליים.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
לגוגל יש אחד. לארכיון האינטרנט יש אחד.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
אמזון, עכשיו עם הקינדל, מנסה להפוך ספרים לדיגיטליים.
03:12
Basically the way this works
77
177000
2000
איך שזה עובד בעיקרון
03:14
is you start with an old book.
78
179000
2000
זה שמתחילים עם ספר ישן.
03:16
You've seen those things, right? Like a book?
79
181000
2000
ראיתם דבר כזה, כן? כאילו ספר?
03:18
(Laughter)
80
183000
2000
(צחוק)
03:20
So you start with a book, and then you scan it.
81
185000
2000
אז מתחילים עם ספר, ואז סורקים אותו.
03:22
Now scanning a book
82
187000
2000
לסרוק ספר
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
זה כמו לצלם צילום דיגיטלי של כל עמוד בספר.
03:26
It gives you an image for every page of the book.
84
191000
2000
מפיקים כך תמונה של כל עמוד בספר.
03:28
This is an image with text for every page of the book.
85
193000
2000
זאת תמונה עם טקסט עבור כל עמוד בספר.
03:30
The next step in the process
86
195000
2000
השלב הבא בתהליך
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
הוא שהמחשב צריך להצליח לפענח את כל המילים בתמונה.
03:35
That's using a technology called OCR,
88
200000
2000
זאת ע"י שימוש בטכנולוגיה הנקראת OCR (או-סי-אר)
03:37
for optical character recognition,
89
202000
2000
כמלומר זיהוי אותיות אופטי,
03:39
which takes a picture of text
90
204000
2000
אשר מעבדת תמונה של טקסט
03:41
and tries to figure out what text is in there.
91
206000
2000
ומנסה להבין איזה טקסט נמצא בה.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
עכשיו, הבעיה היא שOCR אינו מושלם.
03:45
Especially for older books
93
210000
2000
בייחוד עבור ספרים ישנים
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
שבהם הדיו דהה והדפים הצהיבו,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
OCR לא מצליח לזהות רבות מהמילים.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
למשל, בדברים שנכתבו לפני יותר מ50 שנה,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
המחשב אינו מצליח לזהות כ30 אחוז מהמילים.
03:57
So what we're doing now
98
222000
2000
אז מה שאנחנו עושים עכשיו
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
זה שאנחנו לוקחים את כל המילים שהמחשב לא מצליח לזהות
04:01
and we're getting people to read them for us
100
226000
2000
ואנחנו נעזרים באנשים שיקראו לנו אותן
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
בזמן שהם מקלידים קאפצ'ה באינטרנט.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
אז בפעם הבאה שאתם מקלידים קאפצ'ה, המילים האלה שאתם מקלידים
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
הן למעשה מילים המגיעות מספרים שהופכים לדיגיטליים
04:11
that the computer could not recognize.
104
236000
2000
אשר המחשב לא הצליח לזהות.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
והסיבה שבגללה יש לנו שתי מילים במקום אחת בימים אלה
04:15
is because, you see, one of the words
106
240000
2000
היא שאחת מהמילים
04:17
is a word that the system just got out of a book,
107
242000
2000
היא מילה שהמערכת קיבלה מספר,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
היא לא זיהתה אותה והיא הולכת להציג לכם אותה.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
אבל כיוון שאינה יודעת את התשובה היא אינה יכולה לציין את תשובתכם.
04:25
So what we do is we give you another word,
110
250000
2000
אז אנחנו מציגים לכם מילה נוספת,
04:27
one for which the system does know the answer.
111
252000
2000
מילה שעבורה המערכת יודעת את התשובה.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
אנחנו לא מגלים לכם איזו היא איזו, ומבקשים אנא הקלידו את שתיהן.
04:31
And if you type the correct word
113
256000
2000
ואם אתם מקלידים את המילה הנכונה
04:33
for the one for which the system already knows the answer,
114
258000
2000
עבור המילה שהמערכת יודעת את התשובה שלה,
04:35
it assumes you are human,
115
260000
2000
היא מניחה שאתם בני אדם,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
וגם שואבת ביטחון מסויים שהקלדתם נכון את המילה השנייה.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
ואם נחזור על התהליך לכ10 אנשים שונים
04:42
and all of them agree on what the new word is,
118
267000
2000
וכולם יסכימו מה המילה,
04:44
then we get one more word digitized accurately.
119
269000
2000
אז הצלחנו להפוך מילה נוספת לדיגיטלית.
04:46
So this is how the system works.
120
271000
2000
וכך המערכת עובדת.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
ובעיקרון, מאז ששיחררנו אותה לפני כשלוש או ארבע שנים,
04:51
a lot of websites have started switching
122
276000
2000
הרבה אתרים עברו משימוש
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
בקפאצ'ה הישנה בה אנשים בזבזו את זמנם
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
לקאפצ'ה החדשה, בה אנשים עוזרים להפוך ספרים לדיגיטליים.
04:57
So for example, Ticketmaster.
125
282000
2000
אז לדוגמא, טיקטמאסטר (Tickermaster).
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
בכל פעם שאתם קונים כרטיסים בטיקט מאסטר אתם עוזרים להפוך ספרים לדיגיטליים.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
פייסבוק: בכל פעם שאתם מוסיפים חבר או עושים פוק למישהו,
05:04
you help to digitize a book.
128
289000
2000
אתם עוזרים להפוך ספרים לדיגיטליים.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
טוויטר וכ350,000 אתרים אחרים משתמשים כולם ברי-קאפצ'ה.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
ולמעשה, מספר האתרים המשתמשים ברי-קאפצ'ה הוא כה גבוה
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
שמספר המילים שאנחנו הופכים לדיגיטליות הוא ממש ממש גדול.
05:14
It's about 100 million a day,
132
299000
2000
הוא כ100 מליון ביום,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
שזה שווה ערך לכשניים וחצי מליון ספרים בשנה.
05:20
And this is all being done one word at a time
134
305000
2000
וכל זה נעשה מילה אחת בכל פעם
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
ע"י אנשים שפשוט מקלידים קאפצ'ה באינטרנט.
05:24
(Applause)
136
309000
8000
(תשואות)
05:32
Now of course,
137
317000
2000
עכשיו כמובן,
05:34
since we're doing so many words per day,
138
319000
2000
כיוון שאחנו עושים כ"כ הרבה מילים בכל יום,
05:36
funny things can happen.
139
321000
2000
דברים מצחיקים יכולים לקרות.
05:38
And this is especially true because now we're giving people
140
323000
2000
וזה עוד יותר נכון כי עכשיו אנחנו נותנים לאנשים
05:40
two randomly chosen English words next to each other.
141
325000
2000
שתי מילים אקראיות באנגלית אחת ליד השניה.
05:42
So funny things can happen.
142
327000
2000
אז דברים מצחיקים יכולים לקרות.
05:44
For example, we presented this word.
143
329000
2000
למשל, הצגנו את המילה הזאת.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
זאת המילה "נוצרים" אין עם זה בעיה.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
אבל אם מציגים אותה יחד עם מילה אקראית אחרת,
05:51
bad things can happen.
146
336000
2000
דברים רעים יכולים לקרות.
05:53
So we get this. (Text: bad christians)
147
338000
2000
אז אנחנו מקבלים את זה. (טקסט: נוצרים רעים)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
אבל זה עוד יותר גרוע, כי האתר בו הראנו את זה
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
נקרא, במקרה, שגרירות ממלכת האלוהים.
06:01
(Laughter)
150
346000
2000
(צחוק)
06:03
Oops.
151
348000
2000
אופס.
06:05
(Laughter)
152
350000
3000
(צחוק)
06:08
Here's another really bad one.
153
353000
2000
הנה עוד מקרה רע.
06:10
JohnEdwards.com
154
355000
2000
ג'ון אדוארדס דוט קום
06:12
(Text: Damn liberal)
155
357000
3000
(טקסט: ליברלי ארור)
06:15
(Laughter)
156
360000
2000
(צחוק)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
אז אנחנו ממשיכים בכל יום להעליב אנשים על ימין ועל שמאל.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
עכשיו, אנחנו כמובן לא רק מעליבים אנשים.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
וזה העניין, מאז שאנחנו מציגים שתי מילים אקראיות,
06:25
interesting things can happen.
160
370000
2000
דברים מעניינים יכולים לקרות.
06:27
So this actually has given rise
161
372000
2000
אז למעשה נוצר כאן
06:29
to a really big Internet meme
162
374000
3000
"מם" (מנהג חברתי) אינטרנטי ממש גדול
06:32
that tens of thousands of people have participated in,
163
377000
2000
שעשרות אלפי אנשים השתתפו בו,
06:34
which is called CAPTCHA art.
164
379000
2000
שנקרא אומנות קאפצ'ה.
06:36
I'm sure some of you have heard about it.
165
381000
2000
אני בטוח שחלקכם שמעתם על זה.
06:38
Here's how it works.
166
383000
2000
כך זה עובד.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
נאמר שאתה גולש באינטרנט וראה קאפצ'ה
06:42
that you think is somewhat peculiar,
168
387000
2000
שנראית לך מוזרה,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
כמו זאת (טקסט: טוסטר בלתי-נראה)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
אז מה שאתה אמור לעשות זה להעתיק את צילום המסך של הטקסט
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
ואז כמובן למלא את הקאפצ'ה
06:50
because you help us digitize a book.
172
395000
2000
כי אתה עוזר להפוך ספרים לדיגיטליים.
06:52
But then, first you take a screen shot,
173
397000
2000
אבל אז, ראשית אתה מעתיק את צילום המסך,
06:54
and then you draw something that is related to it.
174
399000
2000
ואז אתה מצייר משהו שקשור לזה.
06:56
(Laughter)
175
401000
2000
(צחוק)
06:58
That's how it works.
176
403000
3000
ככה זה עובד.
07:01
There are tens of thousands of these.
177
406000
3000
יש עשרות אלפים כאלה.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
חלקם מאוד חמודים (טקסט: תפסתי את זה)
07:06
(Laughter)
179
411000
2000
(צחוק)
07:08
Some of them are funnier.
180
413000
2000
חלקים יותר מצחיקים.
07:10
(Text: stoned founders)
181
415000
3000
(טקסט: מייסדים מסטולים)
07:13
(Laughter)
182
418000
3000
(צחוק)
07:16
And some of them,
183
421000
2000
וחלקם,
07:18
like paleontological shvisle,
184
423000
3000
כמו שוויזל פלאונטולוגי,
07:21
they contain Snoop Dogg.
185
426000
2000
מציגים את סנופ-דוג.
07:23
(Laughter)
186
428000
3000
(צחוק)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
אוקיי, זה המספר האהוב עליי ביותר ברי-קאפצ'ה.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
זה הדבר שאני הכי אוהב בכל הפרוייקט.
07:31
This is the number of distinct people
189
436000
2000
זה מספר האנשים השונים
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
אשר עזרו לנו להפוך לחות מילה אחת לדיגיטלית בעזרת רי-קאפצ'ה:
07:36
750 million,
191
441000
2000
750 מליון,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
שזה קצת יותר מ 10 אחוז מאוכלוסיית העולם,
07:40
has helped us digitize human knowledge.
193
445000
2000
שעזרו לנו להפוך ידע אנושי לדיגיטלי.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
ומספרים כאלה הם אשר מדרבנים אותי במחקר שלי.
07:45
So the question that motivates my research is the following:
195
450000
3000
אז השאלה אשר מדרבנת את המחקר שלי היא:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
אם נבחן את ההישגים הגדולים של האנושות,
07:50
these really big things
197
455000
2000
הדברים הגדולים האלה
07:52
that humanity has gotten together and done historically --
198
457000
3000
שהאנושות התאחדה וביצעה יחדיו בעבר --
07:55
like for example, building the pyramids of Egypt
199
460000
2000
למשל, בניין הפירמידות במצריים
07:57
or the Panama Canal
200
462000
2000
או תעלת פנמה
07:59
or putting a man on the Moon --
201
464000
2000
או להנחית איש על הירח --
08:01
there is a curious fact about them,
202
466000
2000
ישנה עובדה מעניינת בקשר אליהם,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
והיא שהם כולם בוצעו בעזרת אותו מספר אנשים.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
זה מוזר, כולם בוצעו בעזרת כ 100,000 איש.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
והסיבה לכך היא שלפני האינטרנט,
08:11
coordinating more than 100,000 people,
206
476000
2000
לתאם פעילות של יותר מ 100,000 איש,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
שלא לדבר על לשלם להם, היה למעשה בלתי אפשרי.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
אבל עכשיו, בעזרת האינטרנט, הראיתי לכם פרוייקט
08:18
where we've gotten 750 million people
209
483000
2000
בו הצלחנו להעזר ב 750 מליון אנשים
08:20
to help us digitize human knowledge.
210
485000
2000
להפוך ידע אנושי לדיגיטלי.
08:22
So the question that motivates my research is,
211
487000
2000
אז השאלה שמדרבנת אותי היא,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
אם יכולנו להנחית איש על הירח בעזרת 100,000
08:27
what can we do with 100 million?
213
492000
2000
מה נוכל לעשות עם 100 מליון?
08:29
So based on this question,
214
494000
2000
וכך, בהתבסס על שאלה זו,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
אנחנו עובדים על פרוייקטים רבים ומגוונים.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
הרשו לי לספר לכם על אחד מהם שאני מאוד מתלהב ממנו.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
זהו משהו שאנחנו עובדים עליו בחצי-חשאיות
08:38
for the last year and a half or so.
218
503000
2000
כבר כשנה וחצי.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
הוא עוד לא הושק. הוא נקרא דואולינגו (Duolingo).
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
בגלל שעדיין לא הושק, ששש!
08:44
(Laughter)
221
509000
2000
(צחוק)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
כן, אני יכול לסמוך עליכם.
08:48
So this is the project. Here's how it started.
223
513000
2000
אז הנה הפרוייקט. כך הוא התחיל.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
זה התחיל כששאלתי סטודנט שלי שאלה,
08:52
Severin Hacker.
225
517000
2000
סוורין האקר.
08:54
Okay, that's Severin Hacker.
226
519000
2000
אוקיי, זה סוורין האקר.
08:56
So I posed the question to my graduate student.
227
521000
2000
אז שאלתו את הסטודנט שלי שאלה.
08:58
By the way, you did hear me correctly;
228
523000
2000
אגב, שמעתם אותי נכון,
09:00
his last name is Hacker.
229
525000
2000
שם המשפחה שלו הוא האקר.
09:02
So I posed this question to him:
230
527000
2000
אז שאלתי אותו:
09:04
How can we get 100 million people
231
529000
2000
איך אפשר לגרום ל 100 מליון איש
09:06
translating the Web into every major language for free?
232
531000
3000
לתרגם את האיניטרנט לכל השפות הראשיות בחינם?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
טוב, אפשר להגיד הרבה דברים על השאלה הזאת.
09:11
First of all, translating the Web.
234
536000
2000
ראשית, תרגום הרשת.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
אז נכון לעכשיו, הרשת מחולקת לשפות רבות.
09:16
A large fraction of it is in English.
236
541000
2000
חלק ניכר ממנה הוא באנגלית.
09:18
If you don't know any English, you can't access it.
237
543000
2000
אם אתה לא יודע אנגלית לא תוכל לגשת אליו.
09:20
But there's large fractions in other different languages,
238
545000
2000
אבל ישנם חלקים גדולים בשפות שונות,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
ואם אתה לא יודע אותן לא תוכל לגשת אליהם.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
אז הייתי רוצה לתרגם את כל הרשת. או לפחות את רובה,
09:28
into every major language.
241
553000
2000
לכל שפה ראשית.
09:30
So that's what I would like to do.
242
555000
2000
אז זה מה שהייתי רוצה לעשות.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
אז חלקכם יגיד, למה לא להשתמש במחשבים לתרגום?
09:35
Why can't we use machine translation?
244
560000
2000
למה אי אפשר להתמש בתרגום ממוחשב?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
תרגום ממוחשב בימנו, מתחיל לתרגם כמה משפטים פה ושם.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
למה לא להתמש בו לתרגום כל הרשת?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
ובכן, הבעיה איתו היא שהוא עדיין אינו טוב מספיק.
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
וכנראה שלא יהיה מספיק טוב ב15 עד 20 שנים הבאות.
09:45
It makes a lot of mistakes.
249
570000
2000
הוא טועה המון.
09:47
Even when it doesn't make a mistake,
250
572000
2000
ואפילו כשאינו טועה,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
כיוון שהוא טועה כ"כ הרבה, אי אפשר לבטוח בו.
09:52
So let me show you an example
252
577000
2000
אז הרשו לי לתת לכם דוגמא
09:54
of something that was translated with a machine.
253
579000
2000
למשהו שתורגם ע"י מכונה.
09:56
Actually it was a forum post.
254
581000
2000
למעשה זה היה פוסט בפורום.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
מישהו ניסה לשאול שאלה בג'אווה-סקריפט.
10:01
It was translated from Japanese into English.
256
586000
3000
זה תורגם מיפנית לאנגלית
10:04
So I'll just let you read.
257
589000
2000
אז אתן לכם לקרוא.
10:06
This person starts apologizing
258
591000
2000
האדם הזה התחיל התחיל בהתנצלות
10:08
for the fact that it's translated with a computer.
259
593000
2000
על העובדה שזה תורגם באמצעות מחשב.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
אז המשפט הבא אמור להיות ההקדמה לשאלה.
10:13
So he's just explaining something.
261
598000
2000
אז הוא רק מסביר משהו.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
זכרו, זאת שאלה על ג'אווה-סקריפט.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(טקסט: לעיתים תכופות זמן-העז התקנה טעות היא קיא.)
10:23
(Laughter)
264
608000
4000
(צחוק)
10:27
Then comes the first part of the question.
265
612000
3000
אז מגיע החלק הראשון של השאלה.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(טקסט: כמה פעמים כמו הרוח, מוט והדרקון?)
10:34
(Laughter)
267
619000
2000
(צחוק)
10:36
Then comes my favorite part of the question.
268
621000
3000
ואז מגיע החלק האהוב עליי בשאלה.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(טקסט: זה עלבון לאשכי האב?)
10:42
(Laughter)
270
627000
2000
(צחוק)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
ואז מגיע הסיום, שהוא החלק האהוב עליי בכל העניין.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(טקסט: בבקשה התנצל על טפשותך. יש הרבה תודה רבה.)
10:51
(Laughter)
273
636000
2000
(צחוק)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
אוקיי, אז תרגום ממוחשב, עדיין לא מספיק טוב.
10:55
So back to the question.
275
640000
2000
בחזרה לשאלה.
10:57
So we need people to translate the whole Web.
276
642000
3000
אז אנחנו רוצים שאנשים יתרגמו את כל הרשת.
11:00
So now the next question you may have is,
277
645000
2000
והשאלה הבאה שיכולה להיות לכם היא,
11:02
well why can't we just pay people to do this?
278
647000
2000
למה אי אפשר פשוט לשלם לאנשים לעשות זאת?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
נוכל לשלם למתרגמים מקצועיים לתרגם את כל הרשת.
11:07
We could do that.
280
652000
2000
נוכל לעשות זאת.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
למרבה הצער, זה יהיה מאוד יקר.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
למשל, לתרגם חלק קטנטן מכל הרשת, ויקיפדיה,
11:14
into one other language, Spanish.
283
659000
3000
לשפה אחרת אחת, ספרדית.
11:17
Wikipedia exists in Spanish,
284
662000
2000
ויקיפדיה קיימת בספרדית,
11:19
but it's very small compared to the size of English.
285
664000
2000
אבל היא קטנה מאוד ביחס לזו האנגלית.
11:21
It's about 20 percent of the size of English.
286
666000
2000
היא כ 20 אחוז מגודל האנגלית.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
אם נרצה לתרגם את שאר 80 האחוז לספרדית,
11:26
it would cost at least 50 million dollars --
288
671000
2000
זה יעלה לפחות 50 מליון דולר --
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
וזה בעזרת המדינה הכי מנוצלת, ובשימוש מיקור חוץ שקיימת.
11:31
So it would be very expensive.
290
676000
2000
אז זה יהיה מאוד יקר.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
אז מה שאנחינו רוצים לעשות הוא לגרום ל 100 מליון אנשים
11:35
translating the Web into every major language
292
680000
2000
לתרגם את הרשת לכל השפות הראשיות
11:37
for free.
293
682000
2000
בחינם.
11:39
Now if this is what you want to do,
294
684000
2000
אם זה מה שאתם רוצים לעשות,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
מהר מאוד תתקלו בשני אתגרים די גדולים,
11:43
two big obstacles.
296
688000
2000
שני מכשולים גדולים.
11:45
The first one is a lack of bilinguals.
297
690000
3000
הראשון הוא מחסור בדו-לשוניים.
11:48
So I don't even know
298
693000
2000
אני אפילו לא יודע
11:50
if there exists 100 million people out there using the Web
299
695000
3000
אם יש בכלל 100 מליון משתמשים
11:53
who are bilingual enough to help us translate.
300
698000
2000
אשר הנם דו-לשוניים מספיק כדי לעזור לנו בתרגום.
11:55
That's a big problem.
301
700000
2000
זאת בעיה גדולה.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
הבעיה השניה שתתקלו בה היא חוסר במוטיבציה.
11:59
How are we going to motivate people
303
704000
2000
איך נדרבן אנשים
12:01
to actually translate the Web for free?
304
706000
2000
לעזור לתרגם את רשת האינטרנט בחינם
12:03
Normally, you have to pay people to do this.
305
708000
3000
בד"כ צריך לתגמל עבור דבר כזה
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
אז איך נדרבן אותם לעשות את זה בחינם?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
וכשהתחלנו לחשוב על זה, נתקענו בשני המכשולים האלה.
12:11
But then we realized, there's actually a way
308
716000
2000
אבל אז הבנו, למעשה אפשר
12:13
to solve both these problems with the same solution.
309
718000
2000
לפתור את שתי הבעיות בעזרת פתרון אחד.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
יש דרך להרוג שתי ציפורים באבן אחת.
12:17
And that is to transform language translation
311
722000
3000
והדרך היא להפוך את מלאכת התרגום
12:20
into something that millions of people want to do,
312
725000
3000
למשהו שמליוני אנשים ירצו לעשות,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
ושגם עוזרת להתמודד עם בעיית המחסור בדו-לשוניים,
12:26
and that is language education.
314
731000
3000
והדרך היא לימוד שפות.
12:29
So it turns out that today,
315
734000
2000
מסתבר שבימנו,
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
יותר מ 1.2 מליארד אנשים לומדים שפה זרה.
12:34
People really, really want to learn a foreign language.
317
739000
2000
אנשים מאוד מאוד רוצים ללמוד שפה זרה.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
וזה לא רק בגלל שמכריחים אותם בביה"ס.
12:39
For example, in the United States alone,
319
744000
2000
למשל, בארה"ב לבדה,
12:41
there are over five million people who have paid over $500
320
746000
2000
יש יותר מחמישה מליון אנשים ששילמו יותר מ 500$
12:43
for software to learn a new language.
321
748000
2000
עבור תוכנה ללימוד שפה חדשה.
12:45
So people really, really want to learn a new language.
322
750000
2000
אז אנשים מאוד מאוד רוצים ללמוד שפה חדשה.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
אז מה שעבדנו עליו במשך חמש וחצי שנים הוא אתר חדש --
12:50
it's called Duolingo --
324
755000
2000
שנקרא דואולינגו --
12:52
where the basic idea is people learn a new language for free
325
757000
3000
בו הרעיון העקרוני הוא שאנשים לומדים שפה חדשה בחינם
12:55
while simultaneously translating the Web.
326
760000
2000
ובה בעת מתרגמים את הרשת.
12:57
And so basically they're learning by doing.
327
762000
2000
ולמעשה הם לומדים בעזרת עשייה.
12:59
So the way this works
328
764000
2000
ואיך שזה עובד
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
זה שכשאתה רק מתחיל, אנחנו מציגים לך משפטים מאוד מאוד פשוטים.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
יש, כמובן, המון משפטים מאוד פשוטים ברשת.
13:06
We give you very, very simple sentences
331
771000
2000
אנחנו מציגים לך משפטים מאוד מאוד פשוטים
13:08
along with what each word means.
332
773000
2000
יחד עם פירושה של כל מילה.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
וכשאתה מתרגם אותם, וכשאתה רואה איך אחרים תירגמו אותם,
13:13
you start learning the language.
334
778000
2000
אתה מתחיל ללמוד את השפה.
13:15
And as you get more and more advanced,
335
780000
2000
וכשאתה משתפר יותר ויותר,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
נציג לך משפטים מורכבים יותר ויותר לתרגם.
13:19
But at all times, you're learning by doing.
337
784000
2000
אבל כל הזמן אתה לומד תוך כדי עשייה.
13:21
Now the crazy thing about this method
338
786000
2000
והדבר המשוגע בשיטה הזאת
13:23
is that it actually really works.
339
788000
2000
הוא שהיא למעשה עובדת.
13:25
First of all, people are really, really learning a language.
340
790000
2000
ראשית כל, אנשים באמת באמת לומדים שפה.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
דיי סיימנו לבנות את המערכת ועכשיו אנחנו בודקים אותה.
13:29
People really can learn a language with it.
342
794000
2000
אנשים ממש יכולים ללמוד שפה בעזרתה.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
והם לומדים בערך באותה רמה של תוכנות הלימוד המובילות.
13:34
So people really do learn a language.
344
799000
2000
אז אנשים באמת לומדים שפה חדשה.
13:36
And not only do they learn it as well,
345
801000
2000
ולא רק שהם לומדים אותה,
13:38
but actually it's way more interesting.
346
803000
2000
זה למעשה הרבה יותר מעניין.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
כי בדואולינגו אנשים לומדים עם תוכן אמיתי.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
להבדיל מלימוד עם משפטים מומצאים,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
אנשים לומדים עם תוכן אמיתי, דבר שהוא באופן מובנה יותר מעניין.
13:48
So people really do learn a language.
350
813000
2000
אז אנשים אכן לומדים שפה.
13:50
But perhaps more surprisingly,
351
815000
2000
אבל אולי באופן מפתיע,
13:52
the translations that we get from people using the site,
352
817000
3000
התרגומים שאנחנו מקבלים מהמשתמשים,
13:55
even though they're just beginners,
353
820000
2000
אפילו שהם רק ברמת מתחילים,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
התרגומים שאנחנו מקבלים הם מדוייקים כמו אלו של מתרגמים מקצועיים,
14:00
which is very surprising.
355
825000
2000
שזה דבר מפתיע מאוד.
14:02
So let me show you one example.
356
827000
2000
הרשו להציג לכם דוגמה.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
המשפט הזה שתורגם מגרמנית לאנגלית.
14:06
The top is the German.
358
831000
2000
העליון הוא בגרמנית.
14:08
The middle is an English translation
359
833000
2000
האמצעי הוא התרגום לאנגלית
14:10
that was done by somebody who was a professional English translator
360
835000
2000
כפי שתורגם ע"י מתרגם מקצועי לאנגלית
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
שקיבל 20 סנט למילה עבור התרגום.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
התחתון הוא תרגום של משתמשי דואולינגו,
14:17
none of whom knew any German
363
842000
2000
איש מהם לא ידע גרמנית
14:19
before they started using the site.
364
844000
2000
לפני שהתחילו להשתמש באתר.
14:21
You can see, it's pretty much perfect.
365
846000
2000
אתם יכולים לראות, זה די מושלם.
14:23
Now of course, we play a trick here
366
848000
2000
כמובן, אנחנו משתמשים בתכסיס כאן,
14:25
to make the translations as good as professional language translators.
367
850000
2000
כדי לגרום לתרגומים להיות ברמה מקצועית,
14:27
We combine the translations of multiple beginners
368
852000
3000
אנחנו מאחדים תרגומים של הרבה מתרגמים מתחילים
14:30
to get the quality of a single professional translator.
369
855000
3000
כדי לקבל רמה של מתרגם מקצועי אחד.
14:33
Now even though we're combining the translations,
370
858000
5000
ואפילו שאנחנו מאחדים תרגומים,
14:38
the site actually can translate pretty fast.
371
863000
2000
האתר למעשה מתרגם די מהר.
14:40
So let me show you,
372
865000
2000
הרשו לי להראות לכם,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
זוהי ההערכה שלנו למשך הזמן שיקח לנו לתרגם את וויקיפדיה
14:44
from English into Spanish.
374
869000
2000
מאנגלית לספרדית.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
זיכרו, זאת עבודה בערך של 50 מליון דולר.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
אז אם נרצה לתרגם את וויקיפדיה לספרדית,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
נוכל להשיג זאת בחמישה שבועות עם 100,000 משתמשים פעילים.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
ונוכל להשיג זאת בכ80 שעות עם מליון משתמשים פעילים.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
כיוון שבכל הפרוייקטים של הקבוצה שלי השתתפו מליוני משתמשים,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
אנחנו מקווים להצליח לתרגם
15:02
extremely fast with this project.
381
887000
2000
מאוד מהר בעזרת הפרוייקט הזה.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
והדבר שהכי מרגש אותי בדואולינגו
15:07
is I think this provides a fair business model for language education.
383
892000
3000
הוא שאני חושב שהוא מספק מודל עסקי הוגן ללימוד שפות.
15:10
So here's the thing:
384
895000
2000
והנה העניין:
15:12
The current business model for language education
385
897000
2000
המודל העסקי הנוכחי של לימוד שפות
15:14
is the student pays,
386
899000
2000
הוא שהסטודנט משלם
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
ספציפית, הוא משלם ל"רוזטה-סטון" (תוכנה ידועה) $500.
15:18
(Laughter)
388
903000
2000
(צחוק)
15:20
That's the current business model.
389
905000
2000
זה המודל העסקי הנוכחי.
15:22
The problem with this business model
390
907000
2000
הבעיה עם המודל העסקי הזה
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
היא של-95 אחוז מאוכלוסית העולם אין 500 דולר.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
אז הוא מאוד לא הוגן כלפי העניים.
15:30
This is totally biased towards the rich.
393
915000
2000
ולחלוטין מוטה כלפי העשירים.
15:32
Now see, in Duolingo,
394
917000
2000
עכשיו, ראו, בדואולינגו,
15:34
because while you learn
395
919000
2000
בגלל שבזמן שאתה לומד
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
אתה למעשה יוצר ערך, אתה מתרגם דברים --
15:39
which for example, we could charge somebody for translations.
397
924000
3000
אשר למשל, נוכל לגבות עבורם כסף ממישהו.
15:42
So this is how we could monetize this.
398
927000
2000
וכך ניתן לייצר מזה כסף.
15:44
Since people are creating value while they're learning,
399
929000
2000
כיוון שאנשים מייצרים ערך בזמן שהם לומדים,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
הם לא צריכים לשלם בכספם, הם משלמים בזמנם.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
אבל הדבר הקסום כאן הוא שהם משלמים בזמנם,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
אבל זה אותו הזמן שהיו מבלים בכל מקרה
15:54
learning the language.
403
939000
2000
בלמידת השפה.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
אז הדבר הנחמד בדואולונגו, הוא לדעתי המודל בעסקי ההוגן --
15:59
one that doesn't discriminate against poor people.
405
944000
2000
אין אפלייה נגד עניים.
16:01
So here's the site. Thank you.
406
946000
2000
אז הנה האתר. תודה.
16:03
(Applause)
407
948000
8000
(תשואות)
16:11
So here's the site.
408
956000
2000
אז הנה האתר.
16:13
We haven't yet launched,
409
958000
2000
עדיין לא השקנו אותו,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
אבל אם תגלשו לשם תוכלו להרשם להיות חלק מהבטא הפרטית,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
שכנראה תתחיל בעוד שלושה או ארבעה שבועות.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
עדיין לא השקנו את דואולונגו.
16:22
By the way, I'm the one talking here,
413
967000
2000
אגב, אני זה שמדבר כאן,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
אבל דואולינגו הוא למעשה פרי עמלה של קבוצה מדהימה, חלקם כאן.
16:27
So thank you.
415
972000
2000
אז תודה לכם.
16:29
(Applause)
416
974000
4000
(תשואות)
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