TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Online samenwerking op enorme schaal
Filmed:
Readability: 3.8
1,740,008 views
Na het herwerken van CAPTCHA zodat elke door een mens getypte reactie boeken kon helpen digitaliseren, vroeg Luis von Ahn zich af op welke andere manier kleine bijdragen van velen op het internet voor het algemeen belang zijn te gebruiken. Op TEDxCMU vertelt hij hoe zijn nieuwe ambitieuze project, Duolingo, miljoenen mensen een nieuwe taal helpt leren door het Web snel en accuraat te vertalen - en dat allemaal gratis.
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
Hoeveel van jullie hebben al een webformulier moeten invullen
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
waar men je vroeg om zo’n vervormde reeks tekens te lezen?
00:19
How many of you found it really, really annoying?
2
4000
2000
Hoeveel van jullie baalden daarvan?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Oké, uitstekend. Ik heb dat uitgevonden.
00:24
(Laughter)
4
9000
2000
(Gelach)
00:26
Or I was one of the people who did it.
5
11000
2000
Of ik was toch er toch bij.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Dat ding heet een captcha.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Het verzekert dat het iets dat het formulier invult,
00:32
are actually a human and not some sort of computer program
8
17000
3000
een mens is en niet een of ander computerprogramma
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
dat is geschreven om het formulier miljoenen keren in te dienen.
00:37
The reason it works is because humans,
10
22000
2000
De reden waarom het werkt, is omdat mensen,
00:39
at least non-visually-impaired humans,
11
24000
2000
tenzij ze visueel gehandicapt zijn,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
geen moeite hebben om deze vervormde kronkelige letters te lezen,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
terwijl computerprogramma’s dat nog lang niet zo goed kunnen.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Neem nu Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
daar moet je die vervormde tekens typen om te voorkomen
00:50
is to prevent scalpers from writing a program
16
35000
2000
dat herverkopers een programma schrijven
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
dat miljoenen tickets per twee kan kopen.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
Captcha's worden over het hele internet toegepast.
00:56
And since they're used so often,
19
41000
2000
Omdat ze zo vaak gebruikt worden,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
is de precieze volgorde van willekeurige karakters
01:00
is not so fortunate.
21
45000
2000
die aan de gebruiker wordt getoond soms niet zo gelukkig.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Dit is een voorbeeld van de registratiepagina van Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
De willekeurige tekens die toevallig aan de gebruiker werden getoond,
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
waren W, A, I, T, die natuurlijk een woord spellen.
01:10
But the best part is the message
25
55000
3000
Maar het beste deel is de boodschap
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
die de Yahoo helpdesk ongeveer 20 minuten later ontving.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Tekst: "Help, ik zit al meer dan 20 minuten te wachten en er gebeurt niets."
01:19
(Laughter)
28
64000
4000
(Gelach)
01:23
This person thought they needed to wait.
29
68000
2000
Hij dacht dat hij moest wachten.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Dit is natuurlijk niet zo erg als voor deze sukkelaar.
01:28
(Laughter)
31
73000
2000
(Gelach)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Captcha werd meer dan 10 jaar geleden aan Carnegie Melllon ontwikkeld
01:33
and it's been used everywhere.
33
78000
2000
en het wordt overal gebruikt.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Een paar jaar later namen we
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
een volgende stap in de evolutie van captcha.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Dit noemen we recaptcha,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
ook begonnen aan Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
maar nu een aparte onderneming.
01:46
And then about a year and a half ago,
39
91000
2000
Ongeveer anderhalf jaar geleden
01:48
Google actually acquired this company.
40
93000
2000
nam Google dit bedrijf over.
01:50
So let me tell you what this project started.
41
95000
2000
Het startte
01:52
So this project started from the following realization:
42
97000
3000
vanuit de volgende idee:
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
elke dag worden over de hele wereld
01:57
are typed everyday by people around the world.
44
102000
3000
door mensen ongeveer 200 miljoen captcha's getypt.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Toen ik dit voor het eerst hoorde, was ik heel trots op mezelf.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Kijk eens naar de impact die mijn onderzoek heeft gehad, dacht ik.
02:04
But then I started feeling bad.
47
109000
2000
Maar toen begon ik me slecht te voelen.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Telkens je een captcha typt,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
verspil je 10 seconden van je tijd.
02:11
And if you multiply that by 200 million,
50
116000
2000
Vermenigvuldig dat met 200 miljoen dan zie je
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
dat de mensheid elke dag ongeveer 500.000 uren verspilt
02:16
typing these annoying CAPTCHAs.
52
121000
2000
door het typen van die vervelende captcha’s.
02:18
So then I started feeling bad.
53
123000
2000
Toen begon ik me pas slecht te voelen.
02:20
(Laughter)
54
125000
2000
(Gelach)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
We kunnen natuurlijk niet zonder captcha's,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
omdat de veiligheid van het Web er van afhangt.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Maar ik vroeg me af er geen manier was om deze inspanning te gebruiken
02:30
for something that is good for humanity?
58
135000
2000
voor iets dat goed is voor de mensheid.
02:32
So see, here's the thing.
59
137000
2000
Hier is het.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Terwijl jullie een captcha typen,
02:36
your brain is doing something amazing.
61
141000
2000
doen tijdens die 10 seconden jullie hersenen iets geweldigs.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Iets dat computers nog niet kunnen doen.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Kan dat omgezet worden in 10 seconden nuttig werk?
02:43
Another way of putting it is,
64
148000
2000
Om het anders te zeggen:
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
is er een gigantisch probleem dat computers nog niet kunnen oplossen,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
maar dat we kunnen opsplitsen in brokjes van 10 seconden
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
zodanig dat elke keer dat iemand een captcha oplost,
02:52
they solve a little bit of this problem?
68
157000
2000
ze een stukje van dit probleem oplossen?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Het antwoord is "ja" en daar zijn we nu mee bezig.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Terwijl je een captcha typt,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
identificeer je je niet alleen als mens,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
maar help je ons om boeken te digitaliseren.
03:03
So let me explain how this works.
73
168000
2000
Ik leg het uit.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Er zijn een heleboel projecten die boeken proberen te digitaliseren.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google heeft er een. Het Internet Archive heeft er een.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, nu met de Kindle, probeert boeken te digitaliseren.
03:12
Basically the way this works
77
177000
2000
Dit werkt als volgt:
03:14
is you start with an old book.
78
179000
2000
je begint met een oud boek.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Je kent die dingen toch nog?
03:18
(Laughter)
80
183000
2000
(Gelach)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Je begint met een boek, je scant het.
03:22
Now scanning a book
82
187000
2000
Nu is het scannen van een boek
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
als het nemen van een digitale foto van elke pagina van het boek.
03:26
It gives you an image for every page of the book.
84
191000
2000
Het geeft je een beeld voor elke pagina van het boek.
03:28
This is an image with text for every page of the book.
85
193000
2000
Dit is een afbeelding met tekst voor elke pagina van het boek.
03:30
The next step in the process
86
195000
2000
De volgende stap in het proces
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
is dat de computer alle woorden in dit beeld moet kunnen ontcijferen.
03:35
That's using a technology called OCR,
88
200000
2000
Dat gaat door middel van de OCR-technologie,
03:37
for optical character recognition,
89
202000
2000
voor ‘optical character recognition’ (optische letterherkenning).
03:39
which takes a picture of text
90
204000
2000
Die maakt een beeld van de tekst
03:41
and tries to figure out what text is in there.
91
206000
2000
en probeert te achterhalen welke tekst er staat.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Het probleem is dat OCR niet perfect is.
03:45
Especially for older books
93
210000
2000
Zeker bij oudere boeken,
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
waar de inkt vervaagd is en de pagina’s vergeeld zijn,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
herkent OCR veel woorden niet.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Voor dingen die meer dan 50 jaar geleden zijn geschreven,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
kan de computer ongeveer 30 procent van de woorden niet herkennen.
03:57
So what we're doing now
98
222000
2000
Nu nemen we
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
alle woorden die de computer niet kan herkennen
04:01
and we're getting people to read them for us
100
226000
2000
en we laten ze mensen voor ons lezen
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
terwijl ze een captcha op het internet typen.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Telkens je een captcha typt, komen de woorden die je typt
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
van boeken die worden gedigitaliseerd en
04:11
that the computer could not recognize.
104
236000
2000
die de computer niet kon herkennen.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Waarom staan er nu telkens twee woorden?
04:15
is because, you see, one of the words
106
240000
2000
Een van de woorden
04:17
is a word that the system just got out of a book,
107
242000
2000
is een woord uit een boek,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
dat het systeem niet kent en aan je voorlegt.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Maar aangezien het systeem het antwoord niet kent, kan het je geen punten geven.
04:25
So what we do is we give you another word,
110
250000
2000
Daarom krijg je nog een ander woord,
04:27
one for which the system does know the answer.
111
252000
2000
een waarvoor het systeem het antwoord wel kent.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
We vertellen je niet welk dat is. Typ ze dus maar allebei.
04:31
And if you type the correct word
113
256000
2000
Als je dan het juiste woord typt
04:33
for the one for which the system already knows the answer,
114
258000
2000
waarvoor het systeem het antwoord al weet,
04:35
it assumes you are human,
115
260000
2000
wordt verondersteld dat je een mens bent
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
en geeft dat wat vertrouwen dat je het andere woord juist hebt getypt.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Als we dit proces herhalen voor 10 verschillende mensen
04:42
and all of them agree on what the new word is,
118
267000
2000
en ze het allemaal eens zijn over het nieuwe woord,
04:44
then we get one more word digitized accurately.
119
269000
2000
dan hebben we er weer een nauwkeurig gedigitaliseerd woord bij.
04:46
So this is how the system works.
120
271000
2000
Zo werkt het systeem.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Sinds we er ongeveer drie of vier jaar geleden mee zijn gestart,
04:51
a lot of websites have started switching
122
276000
2000
zijn veel websites begonnen over te schakelen
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
van de oude captcha waar mensen hun tijd verspilden
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
naar de nieuwe captcha waar mensen helpen om boeken te digitaliseren.
04:57
So for example, Ticketmaster.
125
282000
2000
Ticketmaster bijvoorbeeld.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Telkens je op Ticketmaster tickets koopt, help je bij het digitaliseren van een boek.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: elke keer als je een vriend toevoegt of iemand port,
05:04
you help to digitize a book.
128
289000
2000
help je bij het digitaliseren van een boek.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter en ongeveer 350.000 andere sites gebruiken allemaal recaptcha.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
In feite is het aantal sites die gebruik maken van recaptcha zo hoog
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
dat het aantal woorden dat we per dag digitaliseren enorm is.
05:14
It's about 100 million a day,
132
299000
2000
Ongeveer 100 miljoen per dag,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
dat is het equivalent van ongeveer twee en een half miljoen boeken per jaar.
05:20
And this is all being done one word at a time
134
305000
2000
Dit gebeurt allemaal woord per woord
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
doordat mensen captcha’s typen op het internet.
05:24
(Applause)
136
309000
8000
(Applaus)
05:32
Now of course,
137
317000
2000
Natuurlijk kunnen er grappige dingen gebeuren
05:34
since we're doing so many words per day,
138
319000
2000
omdat we het
05:36
funny things can happen.
139
321000
2000
met zoveel woorden per dag doen.
05:38
And this is especially true because now we're giving people
140
323000
2000
Vooral omdat we nu de mensen twee willekeurig gekozen
05:40
two randomly chosen English words next to each other.
141
325000
2000
Engelse woorden naast elkaar presenteren.
05:42
So funny things can happen.
142
327000
2000
Zo kunnen er grappige dingen gebeuren.
05:44
For example, we presented this word.
143
329000
2000
Zo presenteerden wij dit woord:
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
"Christenen". Niets mis mee.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Maar als je het samen met een ander willekeurig gekozen woord presenteert,
05:51
bad things can happen.
146
336000
2000
kan het fout gaan.
05:53
So we get this. (Text: bad christians)
147
338000
2000
We kregen dit. (Tekst: ‘slechte christenen’)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Maar het is nog erger, want de website waar we dit zagen, heette,
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
echt gebeurd, 'De Ambassade van het Koninkrijk Gods'.
06:01
(Laughter)
150
346000
2000
(Gelach)
06:03
Oops.
151
348000
2000
Oeps.
06:05
(Laughter)
152
350000
3000
(Gelach)
06:08
Here's another really bad one.
153
353000
2000
Hier nog een die beter kon.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Tekst: ‘verdomde liberaal’)
06:15
(Laughter)
156
360000
2000
(Gelach)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Elke dag krijgen we wel enkele van die ongewilde beledigingen.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
We zijn niet alleen maar bezig met het beledigen van mensen.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Door het presenteren van twee willekeurig gekozen woorden
06:25
interesting things can happen.
160
370000
2000
kunnen interessante dingen gebeuren.
06:27
So this actually has given rise
161
372000
2000
Dit gaf aanleiding
06:29
to a really big Internet meme
162
374000
3000
tot een grote internet-meme.
06:32
that tens of thousands of people have participated in,
163
377000
2000
Tienduizenden mensen namen eraan deel.
06:34
which is called CAPTCHA art.
164
379000
2000
Het heet captchakunst.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Sommigen van jullie hebben er zeker al van gehoord.
06:38
Here's how it works.
166
383000
2000
Zo werkt het.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Stel je voor dat je het internet gebruikt en je ziet een captcha
06:42
that you think is somewhat peculiar,
168
387000
2000
die je een beetje gek vindt,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
zoals deze captcha. (Tekst: ‘onzichtbare broodrooster’)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Dan neem je er een screenshot van.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Natuurlijk vul je ook de captcha in
06:50
because you help us digitize a book.
172
395000
2000
omdat je ons helpt bij het digitaliseren van een boek.
06:52
But then, first you take a screen shot,
173
397000
2000
Maar eerst neem je een screenshot
06:54
and then you draw something that is related to it.
174
399000
2000
en dan teken je iets dat ermee te maken heeft.
06:56
(Laughter)
175
401000
2000
(Gelach)
06:58
That's how it works.
176
403000
3000
Zo werkt het.
07:01
There are tens of thousands of these.
177
406000
3000
Er zijn er tienduizenden van.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Sommigen zijn erg schattig. (Tekst: ‘balde het’)
07:06
(Laughter)
179
411000
2000
(Gelach)
07:08
Some of them are funnier.
180
413000
2000
Sommigen van hen zijn grappiger.
07:10
(Text: stoned founders)
181
415000
3000
(Tekst: ‘stoned stichters’)
07:13
(Laughter)
182
418000
3000
(Gelach)
07:16
And some of them,
183
421000
2000
En sommige ervan,
07:18
like paleontological shvisle,
184
423000
3000
zoals paleontologische shvisle,
07:21
they contain Snoop Dogg.
185
426000
2000
bevatten Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Gelach)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Oké, dit is mijn favoriete getal van recaptcha.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Hier hou ik van.
07:31
This is the number of distinct people
189
436000
2000
Het is het aantal verschillende mensen
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
die ons ten minste één woord uit een boek via recaptcha hebben helpen digitaliseren:
07:36
750 million,
191
441000
2000
750 miljoen,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
dat is iets meer dan 10 procent van de wereldbevolking,
07:40
has helped us digitize human knowledge.
193
445000
2000
heeft ons geholpen bij het digitaliseren van de menselijke kennis.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Dergelijke getallen motiveren mijn onderzoeksagenda.
07:45
So the question that motivates my research is the following:
195
450000
3000
De vraag die mijn onderzoek motiveert, is de volgende:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
als je naar de grote successen van de mensheid kijkt,
07:50
these really big things
197
455000
2000
de echt grote dingen
07:52
that humanity has gotten together and done historically --
198
457000
3000
die de mensen voor mekaar hebben gekregen in de geschiedenis -
07:55
like for example, building the pyramids of Egypt
199
460000
2000
zoals bijvoorbeeld de piramides van Egypte
07:57
or the Panama Canal
200
462000
2000
of het Panamakanaal
07:59
or putting a man on the Moon --
201
464000
2000
of een man op de maan zetten -
08:01
there is a curious fact about them,
202
466000
2000
dan is het merkwaardig dat dat allemaal gebeurde
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
met telkens ongeveer hetzelfde aantal mensen.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
Het is raar, maar het werd telkens gedaan met ongeveer 100.000 mensen.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
En dat komt omdat, vóór het internet,
08:11
coordinating more than 100,000 people,
206
476000
2000
het coördineren van meer dan 100.000 mensen,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
laat staan ze betalen, in wezen onmogelijk was.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Maar nu met het internet, heb ik jullie een project getoond
08:18
where we've gotten 750 million people
209
483000
2000
waar 750 miljoen mensen ons hielpen
08:20
to help us digitize human knowledge.
210
485000
2000
bij het digitaliseren van de menselijke kennis.
08:22
So the question that motivates my research is,
211
487000
2000
De vraag die mijn onderzoek motiveert, is:
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
“Als we met 100.000 een man op de maan kunnen brengen,
08:27
what can we do with 100 million?
213
492000
2000
wat kunnen we dan doen met 100 miljoen?”
08:29
So based on this question,
214
494000
2000
Hiervan uitgaande
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
hebben we een hoop verschillende projecten lopen.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Over het volgende ben ik het meest enthousiast.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Daar zijn we het laatste anderhalf jaar
08:38
for the last year and a half or so.
218
503000
2000
af en toe mee bezig geweest.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Het is nog niet van start gegaan. Het heet Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Aangezien het niet gelanceerd is: “Shhhhh!”
08:44
(Laughter)
221
509000
2000
(Gelach)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Ja, ik mag jullie vertrouwen.
08:48
So this is the project. Here's how it started.
223
513000
2000
Zo begon het.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Het begon met een vraag aan mijn student,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Dit is Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Ik stelde de vraag aan mijn student.
08:58
By the way, you did hear me correctly;
228
523000
2000
Tussen haakjes, jullie hebben me goed verstaan.
09:00
his last name is Hacker.
229
525000
2000
Zijn achternaam is echt Hacker.
09:02
So I posed this question to him:
230
527000
2000
Ik vroeg hem:
09:04
How can we get 100 million people
231
529000
2000
“Hoe kunnen we 100 miljoen mensen gratis het Web
09:06
translating the Web into every major language for free?
232
531000
3000
in iedere belangrijke taal laten vertalen?”
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Daar valt heel wat over te zeggen.
09:11
First of all, translating the Web.
234
536000
2000
In de eerste plaats, het vertalen van het Web.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Nu is het Web opgedeeld in meerdere talen.
09:16
A large fraction of it is in English.
236
541000
2000
Een groot deel daarvan is in het Engels.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Als je geen Engels kent, heb je er geen toegang toe.
09:20
But there's large fractions in other different languages,
238
545000
2000
Maar grote fracties zijn in andere talen,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
en als je die talen niet kent, heb je er geen toegang toe.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Ik zou graag het hele Web vertalen, of in ieder geval het grootste deel ervan,
09:28
into every major language.
241
553000
2000
in elke grote taal.
09:30
So that's what I would like to do.
242
555000
2000
Dat is het wat ik zou willen doen.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Nu zullen sommigen van jullie misschien zeggen: “Waarom kunnen we daar geen computers voor gebruiken?
09:35
Why can't we use machine translation?
244
560000
2000
Waarom geen automatische vertaling?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Machinevertaling kan vandaag hier en daar enkele zinnen vertalen.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Waarom kunnen we dat niet gebruiken om het hele Web te vertalen?”
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Het probleem is dat het nog niet goed genoeg is
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
en het dat waarschijnlijk ook niet zal zijn voor de komende 15 tot 20 jaar.
09:45
It makes a lot of mistakes.
249
570000
2000
De machine maakt veel fouten.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Zelfs als ze geen fout maakt,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
weet je niet of je ze kan vertrouwen omdat ze zo veel fouten maakt.
09:52
So let me show you an example
252
577000
2000
Een voorbeeld
09:54
of something that was translated with a machine.
253
579000
2000
van iets dat werd vertaald met een machine.
09:56
Actually it was a forum post.
254
581000
2000
Het stond op een forum.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Iemand probeerde een vraag over JavaScript te stellen.
10:01
It was translated from Japanese into English.
256
586000
3000
Het werd uit het Japans naar het Engels vertaald.
10:04
So I'll just let you read.
257
589000
2000
Ik laat het je lezen.
10:06
This person starts apologizing
258
591000
2000
Deze persoon begint met zich te verontschuldigen
10:08
for the fact that it's translated with a computer.
259
593000
2000
voor het feit dat het vertaald werd met een computer.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
De volgende zin gaat aan de eigenlijke vraag vooraf.
10:13
So he's just explaining something.
261
598000
2000
Hij legt alleen iets uit.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Vergeet niet dat het een vraag is over JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Tekst: ‘Op vaak, de geit-tijd installeren een fout is braaksel.’)
10:23
(Laughter)
264
608000
4000
(Gelach)
10:27
Then comes the first part of the question.
265
612000
3000
Dan komt het eerste deel van de vraag.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Tekst: ‘Hoeveel keer als de wind, een paal, en de draak?’)
10:34
(Laughter)
267
619000
2000
(Gelach)
10:36
Then comes my favorite part of the question.
268
621000
3000
Dan komt mijn favoriete deel van de vraag.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Tekst: ‘Dit belediging van vaders stenen?’)
10:42
(Laughter)
270
627000
2000
(Gelach)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Dan komt het einde, mijn favoriete deel.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Tekst: ’Verontschuldig alsjeblieft je voor je domheid. Er zijn veel dank je wel.’)
10:51
(Laughter)
273
636000
2000
(Gelach)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Computervertaling is dus nog niet goed genoeg.
10:55
So back to the question.
275
640000
2000
Terug naar de vraag.
10:57
So we need people to translate the whole Web.
276
642000
3000
We hebben mensen nodig om het hele Web te vertalen.
11:00
So now the next question you may have is,
277
645000
2000
Nu zou jullie volgende vraag kunnen zijn:
11:02
well why can't we just pay people to do this?
278
647000
2000
waarom kunnen we geen mensen betalen om dit te doen?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
We zouden professionele vertalers kunnen betalen om het hele Web te vertalen.
11:07
We could do that.
280
652000
2000
We zouden dat kunnen doen.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Het zou helaas extreem duur zijn.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Bijvoorbeeld, het vertalen van een kleine, kleine fractie van het gehele Web, Wikipedia,
11:14
into one other language, Spanish.
283
659000
3000
in het Spaans.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia bestaat in het Spaans,
11:19
but it's very small compared to the size of English.
285
664000
2000
maar slechts een fractie van de omvang van het Engels.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Zo’n 20 procent.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Als we de andere 80 procent in het Spaans willen vertalen,
11:26
it would cost at least 50 million dollars --
288
671000
2000
zou het minstens 50 miljoen dollar kosten -
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
zelfs in het meest uitgebuite, outsourcing land dat er is.
11:31
So it would be very expensive.
290
676000
2000
Het zou erg duur zijn.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
We willen 100 miljoen mensen
11:35
translating the Web into every major language
292
680000
2000
het Web in iedere belangrijke taal
11:37
for free.
293
682000
2000
laten vertalen, gratis.
11:39
Now if this is what you want to do,
294
684000
2000
Als je dat wil doen,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
realiseer je je vrij snel dat je tegen twee
11:43
two big obstacles.
296
688000
2000
nogal grote hindernissen gaat aanlopen.
11:45
The first one is a lack of bilinguals.
297
690000
3000
De eerste is een gebrek aan tweetaligen.
11:48
So I don't even know
298
693000
2000
Ik weet niet eens
11:50
if there exists 100 million people out there using the Web
299
695000
3000
of er 100 miljoen mensen op het Web zitten
11:53
who are bilingual enough to help us translate.
300
698000
2000
die voldoende tweetalig zijn om ons te helpen vertalen.
11:55
That's a big problem.
301
700000
2000
Dat is een groot probleem.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
Het andere probleem dat je gaat tegenkomen, is een gebrek aan motivatie.
11:59
How are we going to motivate people
303
704000
2000
Hoe gaan we mensen motiveren
12:01
to actually translate the Web for free?
304
706000
2000
om het Web daadwerkelijk gratis te vertalen?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normaal gesproken moet je mensen betalen om dit te doen.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Hoe gaan we hen motiveren om het gratis te doen?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Toen we daarover begonnen na te denken, hielden deze twee dingen ons tegen.
12:11
But then we realized, there's actually a way
308
716000
2000
Tot we ons realiseerden dat er eigenlijk een manier was
12:13
to solve both these problems with the same solution.
309
718000
2000
om beide problemen ineens op te lossen.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Er is een manier om twee vliegen in één klap te slaan.
12:17
And that is to transform language translation
311
722000
3000
Door vertaling te transformeren
12:20
into something that millions of people want to do,
312
725000
3000
in iets dat miljoenen mensen willen doen
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
en dat tegelijkertijd het gebrek aan tweetaligen oplost.
12:26
and that is language education.
314
731000
3000
Dat is taalonderwijs.
12:29
So it turns out that today,
315
734000
2000
Het blijkt dat vandaag de dag
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
meer dan 1,2 miljard mensen een vreemde taal leren.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Mensen willen echt een vreemde taal leren.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Niet alleen omdat het op school moet.
12:39
For example, in the United States alone,
319
744000
2000
Bijvoorbeeld, in de Verenigde Staten alleen al
12:41
there are over five million people who have paid over $500
320
746000
2000
zijn er meer dan vijf miljoen mensen die meer dan 500 dollar
12:43
for software to learn a new language.
321
748000
2000
aan software hebben uitgegeven om een nieuwe taal te leren.
12:45
So people really, really want to learn a new language.
322
750000
2000
Mensen willen echt een nieuwe taal te leren.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Het afgelopen anderhalf jaar hebben we aan
12:50
it's called Duolingo --
324
755000
2000
een nieuwe website, Duolingo, gewerkt.
12:52
where the basic idea is people learn a new language for free
325
757000
3000
Het basisidee is dat mensen gratis een nieuwe taal leren
12:55
while simultaneously translating the Web.
326
760000
2000
terwijl ze tegelijkertijd het Web vertalen.
12:57
And so basically they're learning by doing.
327
762000
2000
Leren door te doen, dus.
12:59
So the way this works
328
764000
2000
Als beginner
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
krijg je zeer, zeer eenvoudige zinnen.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Er zijn natuurlijk een groot aantal zeer eenvoudige zinnen op het Web.
13:06
We give you very, very simple sentences
331
771000
2000
Wij geven je zeer, zeer eenvoudige zinnen
13:08
along with what each word means.
332
773000
2000
samen met wat elk woord betekent.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Als je ze vertaalt, terwijl je kunt zien hoe andere mensen ze vertalen,
13:13
you start learning the language.
334
778000
2000
leer je al doende de taal.
13:15
And as you get more and more advanced,
335
780000
2000
Naargelang je vordert,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
krijg je meer en meer complexe zinnen te vertalen.
13:19
But at all times, you're learning by doing.
337
784000
2000
Maar steeds leer je door te doen.
13:21
Now the crazy thing about this method
338
786000
2000
Het gekke aan deze methode
13:23
is that it actually really works.
339
788000
2000
is dat ze echt werkt.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Ten eerste leren mensen echt een taal.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
We zijn bijna klaar met de site en zijn ze nu aan het testen.
13:29
People really can learn a language with it.
342
794000
2000
Mensen leren er echt een taal mee.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Ongeveer even goed als met de toonaangevende software voor het leren van talen.
13:34
So people really do learn a language.
344
799000
2000
Ze leren een taal.
13:36
And not only do they learn it as well,
345
801000
2000
Niet alleen leren ze ze evengoed,
13:38
but actually it's way more interesting.
346
803000
2000
maar eigenlijk is het nog interessanter.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Omdat mensen met Duolingo eigenlijk met echte inhoud leren.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
In tegenstelling tot het leren met verzonnen zinnen,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
leren mensen met echte inhoud, die uit zichzelf interessant is.
13:48
So people really do learn a language.
350
813000
2000
Mensen leren echt een taal.
13:50
But perhaps more surprisingly,
351
815000
2000
Maar misschien nog verrassender is dat
13:52
the translations that we get from people using the site,
352
817000
3000
de vertalingen die we krijgen van die mensen,
13:55
even though they're just beginners,
353
820000
2000
ook al zijn het nog beginners,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
net zo precies zijn als die van professionele vertalers.
14:00
which is very surprising.
355
825000
2000
Dat is zeer verrassend.
14:02
So let me show you one example.
356
827000
2000
Hier een voorbeeld.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Dit is een zin die uit het Duits werd vertaald in het Engels.
14:06
The top is the German.
358
831000
2000
Bovenaan de Duitse.
14:08
The middle is an English translation
359
833000
2000
De middelste is een Engelse vertaling
14:10
that was done by somebody who was a professional English translator
360
835000
2000
van een professionele vertaler Engels
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
die 20 cent per woord kreeg voor deze vertaling.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Onderaan een vertaling door gebruikers van Duolingo.
14:17
none of whom knew any German
363
842000
2000
Geen ervan kende Duits
14:19
before they started using the site.
364
844000
2000
voordat ze begonnen met het gebruik van de site.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Je ziet dat het vrij perfect is.
14:23
Now of course, we play a trick here
366
848000
2000
We halen hier wel een kunstgreep uit
14:25
to make the translations as good as professional language translators.
367
850000
2000
om de vertaling zo goed als te krijgen als van professionele vertalers.
14:27
We combine the translations of multiple beginners
368
852000
3000
We combineren de vertalingen van meerdere beginners
14:30
to get the quality of a single professional translator.
369
855000
3000
om de kwaliteit van een professionele vertaler te krijgen.
14:33
Now even though we're combining the translations,
370
858000
5000
Maar zelfs met het combineren van de vertalingen
14:38
the site actually can translate pretty fast.
371
863000
2000
kan de site snel vertalen.
14:40
So let me show you,
372
865000
2000
Ik toon jullie onze schatting
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
van hoe snel we Wikipedia zouden kunnen vertalen
14:44
from English into Spanish.
374
869000
2000
van het Engels naar het Spaans.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Vergeet niet dat dit 50 miljoen dollar zou kosten.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Als we Wikipedia willen vertalen in het Spaans,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
dan zou dat met 100.000 actieve gebruikers in vijf weken kunnen.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
En in ongeveer 80 uur met een miljoen actieve gebruikers.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Omdat alle projecten van mijn groep tot nu toe miljoenen gebruikers hebben gekregen,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
hopen we dat we met dit project
15:02
extremely fast with this project.
381
887000
2000
extreem snel zullen kunnen vertalen.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Waar ik met Duolingo nog het meest enthousiast over ben,
15:07
is I think this provides a fair business model for language education.
383
892000
3000
is dat ik denk dat dit een eerlijk businessmodel voor taalonderwijs zal zijn.
15:10
So here's the thing:
384
895000
2000
Waarom?
15:12
The current business model for language education
385
897000
2000
Het huidige businessmodel voor taalonderwijs
15:14
is the student pays,
386
899000
2000
is dat de student betaalt,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
bijvoorbeeld 500 dollar voor de software van Rosetta Stone.
15:18
(Laughter)
388
903000
2000
(Gelach)
15:20
That's the current business model.
389
905000
2000
Dat is het huidige businessmodel.
15:22
The problem with this business model
390
907000
2000
Het probleem met dit businessmodel
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
is dat 95 procent van de wereldbevolking geen 500 dollar heeft.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Het is erg oneerlijk tegenover de armen.
15:30
This is totally biased towards the rich.
393
915000
2000
Het bevoordeelt de rijken onevenredig.
15:32
Now see, in Duolingo,
394
917000
2000
Terwijl je
15:34
because while you learn
395
919000
2000
met Duolingo leert,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
creëer je waarde, vertaal je dingen -
15:39
which for example, we could charge somebody for translations.
397
924000
3000
waarvoor we anders iemand zouden moeten betalen.
15:42
So this is how we could monetize this.
398
927000
2000
Zo maken we dit ten gelde.
15:44
Since people are creating value while they're learning,
399
929000
2000
Omdat mensen al lerend waarde creëren,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
betalen ze niet met geld maar met hun tijd.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Het magische ding hier is dat ze betalen met tijd,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
die ze anders toch zouden hebben besteed
15:54
learning the language.
403
939000
2000
bij het leren van de taal.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Het mooie aan Duolingo is dat ik denk dat het zorgt voor een eerlijk businessmodel,
15:59
one that doesn't discriminate against poor people.
405
944000
2000
een dat arme mensen niet discrimineert.
16:01
So here's the site. Thank you.
406
946000
2000
Hier is de site. Dank je.
16:03
(Applause)
407
948000
8000
(Applaus)
16:11
So here's the site.
408
956000
2000
Hier is de site.
16:13
We haven't yet launched,
409
958000
2000
We zijn nog niet opgestart,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
maar als je er naartoe gaat, kan je je aanmelden om deel te nemen aan onze privé-beta,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
die waarschijnlijk binnen ongeveer drie of vier weken van start gaat.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
We hebben Duolingo nog niet gelanceerd.
16:22
By the way, I'm the one talking here,
413
967000
2000
Tussen haakjes, ik sta het hier wel uit te leggen, maar Duolingo
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
is eigenlijk het werk van een geweldig team, van wie sommigen hier aanwezig zijn.
16:27
So thank you.
415
972000
2000
Dank je wel.
16:29
(Applause)
416
974000
4000
(Applaus)
ABOUT THE SPEAKER
Luis von Ahn - Computer scientistLuis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone.
Why you should listen
Louis von Ahn is an associate professor of Computer Science at Carnegie Mellon University, and he's at the forefront of the crowdsourcing craze. His work takes advantage of the evergrowing Web-connected population to acheive collaboration in unprecedented numbers. His projects aim to leverage the crowd for human good. His company reCAPTCHA, sold to Google in 2009, digitizes human knowledge (books), one word at a time. His new project is Duolingo, which aims to get 100 million people translating the Web in every major language.
Luis von Ahn | Speaker | TED.com