TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn: Współpraca w sieci na masową skalę
Filmed:
Readability: 3.8
1,740,008 views
Po zmianie przeznaczenia CAPTCHA tak, by każdy wpis dokonany przez człowieka pomógł scyfryzować książki, Luis von Ahn zastanawiał się jak jeszcze można wykorzystać małe działania wielu ludzi w internecie, dla większego dobra. Na TEDxCMU dzieli się swym ambitnym nowym projektem Duolingo, który pomoże milionom uczyć się nowego języka podczas szybkiego i dokładnego tłumaczenia stron internetowych - a wszystko za darmo.
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
Ilu z was musiało kiedyś wypełnić online formularz,
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
wymagający odczytania takich zniekształconych znaków?
00:19
How many of you found it really, really annoying?
2
4000
2000
Ilu z was to naprawdę wkurzyło?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
OK, niesamowite. Ja to wynalazłem.
00:24
(Laughter)
4
9000
2000
(Śmiech)
00:26
Or I was one of the people who did it.
5
11000
2000
A przynajmniej byłem jednym z wynalazców.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Nosi to nazwę systemu CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Istnieje, by miało się pewność, że formularz wypełnia
00:32
are actually a human and not some sort of computer program
8
17000
3000
człowiek, a nie program komputerowy,
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
napisany by wypełniał formularz setki milionów razy.
00:37
The reason it works is because humans,
10
22000
2000
Sprawdziło się to dlatego, że ludzie,
00:39
at least non-visually-impaired humans,
11
24000
2000
przynajmniej ci z dobrym wzrokiem,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
bez problemu mogą odczytać te gryzmoły,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
a komputery tego jeszcze nie potrafią.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Np. w Ticketmasterze
00:48
the reason you have to type these distorted characters
15
33000
2000
musimy przepisać te ciągi zniekształconych znaków,
00:50
is to prevent scalpers from writing a program
16
35000
2000
by powstrzymać koników przed napisaniem programu pozwalającego
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
im na zakup milionów biletów, po dwa naraz.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
Systemy CAPTCHA wykorzystywane są w całej sieci.
00:56
And since they're used so often,
19
41000
2000
Ponieważ są tak często stosowane,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
zdarza się, że losowe znaki pokazywane użytkownikowi
01:00
is not so fortunate.
21
45000
2000
układane są dość niefortunnie.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
To przykład ze strony rejestracyjnej Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Losowe znaki, które zobaczył użytkownik
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
to W, A, I, T, ułożone w angielskie słowo "CZEKAJ".
01:10
But the best part is the message
25
55000
3000
Najlepsza była jednak wiadomość,
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
jaką obsługa klienta Yahoo dostała 20 minut później:
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
"Pomocy! Czekałem ponad 20 minut i nic się nie dzieje."
01:19
(Laughter)
28
64000
4000
(Śmiech)
01:23
This person thought they needed to wait.
29
68000
2000
Ten ktoś myślał, że musi czekać.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Ale tamta osoba nie miała oczywiście jeszcze tak źle...
01:28
(Laughter)
31
73000
2000
(Śmiech)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Projekt CAPTCHA zrealizowaliśmy w Carnegie Mellon ponad 10 lat temu
01:33
and it's been used everywhere.
33
78000
2000
i od tamtej pory stosowany jest wszędzie.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Pozwólcie, że opowiem wam o projekcie przeprowadzonym kilka lat później,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
który jest kolejnym krokiem ewolucji CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Nazywamy go reCAPTCHA.
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
Pracę nad nim zaczęliśmy w Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
a potem zrobiliśmy z tego biznes.
01:46
And then about a year and a half ago,
39
91000
2000
Jakieś półtora roku temu
01:48
Google actually acquired this company.
40
93000
2000
firma została wykupiona przez Google.
01:50
So let me tell you what this project started.
41
95000
2000
Pozwólcie, że opowiem, jak to się zaczęło.
01:52
So this project started from the following realization:
42
97000
3000
Ten projekt powstał przez uświadomienie sobie,
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
że 200 milionów kodów CAPTCHA wpisywanych jest
01:57
are typed everyday by people around the world.
44
102000
3000
codziennie przez ludzi na całym świecie.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Gdy o tym usłyszałem, byłem z siebie całkiem dumny.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Pomyślałem, jak duży wpływ miały te badania.
02:04
But then I started feeling bad.
47
109000
2000
Później zacząłem mieć wyrzuty sumienia.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Za każdym razem, wpisując kod CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
marnujemy 10 sekund swojego życia.
02:11
And if you multiply that by 200 million,
50
116000
2000
A jeśli przemnożymy to przez 200 milionów,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
zauważymy, że ludzkość marnuje każdego dnia 500 000 godzin
02:16
typing these annoying CAPTCHAs.
52
121000
2000
na samo wpisywanie tych denerwujących kodów.
02:18
So then I started feeling bad.
53
123000
2000
Właśnie wtedy zaczęło mnie to gryźć.
02:20
(Laughter)
54
125000
2000
(Śmiech)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Potem pomyślałem sobie, że nie można po prostu zrezygnować z tych kodów,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
ponieważ zależy od nich bezpieczeństwo sieci.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Zacząłem myśleć, czy można wysiłek wkładany w ich pisanie
02:30
for something that is good for humanity?
58
135000
2000
wykorzystać tak, by przyniósł ludzkości pożytek?
02:32
So see, here's the thing.
59
137000
2000
Rzecz w tym, że w ciągu tych 10 sekund,
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
podczas których wpisujecie kody CAPTCHA,
02:36
your brain is doing something amazing.
61
141000
2000
wasze mózgi robią coś niesamowitego.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Robią to, czego komputery jeszcze nie potrafią.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Czy możemy sprawić, byście w ciągu 10 sekund zrobili coś pożytecznego?
02:43
Another way of putting it is,
64
148000
2000
Innymi słowy,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
czy jest duży problem, z którym komputery
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
sobie jeszcze nie radzą, a który można rozbić na 10-sekundowe zadania
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
tak, aby ilekroć ktoś rozszyfrował kod CAPTCHA,
02:52
they solve a little bit of this problem?
68
157000
2000
rozwiązywałby również część tego problemu?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Okazuje się, że tak. I tym się teraz zajmujemy.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Czego możecie nie wiedzieć, to że wpisując dziś kod CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
nie tylko potwierdzacie to, że jesteście ludźmi,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
ale także pomagacie zdigitalizować książki.
03:03
So let me explain how this works.
73
168000
2000
Pozwólcie, że wyjaśnię wam jak to działa.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Jest wiele projektów nastawionych na digitalizację książek.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google ma swój projekt. Internet Archive też.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon z Kindle również próbuje zdigitalizować książki.
03:12
Basically the way this works
77
177000
2000
Działa to tak,
03:14
is you start with an old book.
78
179000
2000
że zaczynamy od starej książki.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Widzieliście je kiedyś, książki, prawda?
03:18
(Laughter)
80
183000
2000
(Śmiech)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Bierzemy książkę i ją skanujemy.
03:22
Now scanning a book
82
187000
2000
Skanowanie książki
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
to jak fotografowanie cyfrowo każdej jej strony.
03:26
It gives you an image for every page of the book.
84
191000
2000
Otrzymujemy obraz każdej jej strony.
03:28
This is an image with text for every page of the book.
85
193000
2000
Na każdym obrazie znajduje się tekst z książki.
03:30
The next step in the process
86
195000
2000
Następnie komputer
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
musi rozpoznać wszystkie słowa znajdujące się na obrazie.
03:35
That's using a technology called OCR,
88
200000
2000
Używa do tego technologii OCR,
03:37
for optical character recognition,
89
202000
2000
rozpoznającej pismo i tekst,
03:39
which takes a picture of text
90
204000
2000
która ze zdjęcia próbuje
03:41
and tries to figure out what text is in there.
91
206000
2000
odczytać tekst.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Problem w tym, że OCR nie jest doskonałe.
03:45
Especially for older books
93
210000
2000
Szczególnie w przypadku starszych książek,
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
gdzie tusz wyblakł, a strony pożółkły.
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
OCR nie rozpoznaje wielu słów,
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
np. z tekstu napisanego 50 lat temu,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
komputer nie potrafi rozpoznać ok. 30% słów.
03:57
So what we're doing now
98
222000
2000
Obecnie zbieramy wszystkie słowa,
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
których komputer nie może rozpoznać
04:01
and we're getting people to read them for us
100
226000
2000
i prosimy ludzi, by je dla nas odczytali
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
podczas wpisywania CAPTCHA w internecie.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Następnym razem wpisując kod CAPTCHA, pamiętajcie,
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
że te słowa pochodzą z digitalizowanych właśnie książek,
04:11
that the computer could not recognize.
104
236000
2000
których nie mógł odczytać komputer.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Obecnie pojawiają się dwa słowa,
04:15
is because, you see, one of the words
106
240000
2000
ponieważ jedno ze słów
04:17
is a word that the system just got out of a book,
107
242000
2000
jest słowem dopiero co wyciągniętym z książki przez system,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
który go nie rozpoznaje, a zamierza wam je pokazać.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Skoro system nie zna tego słowa, nie będzie mógł ocenić naszej odpowiedzi.
04:25
So what we do is we give you another word,
110
250000
2000
Dodaliśmy więc drugie słowo,
04:27
one for which the system does know the answer.
111
252000
2000
które jest rozpoznawane przez system.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Nie mówimy wam które jest które, tylko prosimy o wpisani obu.
04:31
And if you type the correct word
113
256000
2000
Jeśli wpiszecie poprawne słowo
04:33
for the one for which the system already knows the answer,
114
258000
2000
dla słowa rozpoznawanego przez system,
04:35
it assumes you are human,
115
260000
2000
system uzna, że jesteście ludźmi,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
będzie również pewniejszy, że drugie słowo wpisano poprawnie.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Jeśli powtórzymy proces w przypadku 10 osób
04:42
and all of them agree on what the new word is,
118
267000
2000
i wszyscy zgodnie przepiszą dane słowo,
04:44
then we get one more word digitized accurately.
119
269000
2000
zyskujemy kolejne poprawnie zdigitalizowane słowo.
04:46
So this is how the system works.
120
271000
2000
Tak działa ten system.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Odkąd go wypuściliśmy 3-4 lata temu,
04:51
a lot of websites have started switching
122
276000
2000
wiele witryn przestawiło się ze starego CAPTCHA,
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
gdzie ludzie marnowali swój czas,
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
na nowe CAPTCHA, gdzie ludzie pomagają digitalizować książki.
04:57
So for example, Ticketmaster.
125
282000
2000
Np. Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Za każdym razem, gdy kupujemy bilety na Ticketmaster, pomagamy digitalizować książkę.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: dodając nowych znajomych lub zaczepiając kogoś,
05:04
you help to digitize a book.
128
289000
2000
pomagamy digitalizować książkę.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter i ok. 350 000 innych stron korzysta z reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Liczba stron korzystających z reCAPTCHA jest tak duża,
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
że liczba słów sczytywanych dziennie jest naprawdę ogromna.
05:14
It's about 100 million a day,
132
299000
2000
Około 100 milionów słów dziennie,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
co odpowiada 2,5 milionom książek rocznie.
05:20
And this is all being done one word at a time
134
305000
2000
Wszystko to robi się po jednym słówku,
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
dzięki ludziom wpisującym CAPTCHA w Internecie.
05:24
(Applause)
136
309000
8000
(Oklaski)
05:32
Now of course,
137
317000
2000
Z uwagi na dużą
05:34
since we're doing so many words per day,
138
319000
2000
liczbę słów wpisywany codziennie,
05:36
funny things can happen.
139
321000
2000
mają miejsce zabawne sytuacje.
05:38
And this is especially true because now we're giving people
140
323000
2000
Głównie przez to, że wyświetlamy ludziom
05:40
two randomly chosen English words next to each other.
141
325000
2000
dwa zupełnie przypadkowe słowa obok siebie.
05:42
So funny things can happen.
142
327000
2000
Dzieją się śmieszne rzeczy,
05:44
For example, we presented this word.
143
329000
2000
np. wyświetliliśmy ten wyraz.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
"Christians" (Chrześcijanie); nie ma w nim nic złego.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Ale coś może pójść nie tak, jeśli wyświetlmy go
05:51
bad things can happen.
146
336000
2000
z przypadkowo dobranym słowem.
05:53
So we get this. (Text: bad christians)
147
338000
2000
"Bad Christians" (Źli Chrześcijanie).
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Było jeszcze gorzej, ponieważ stroną, na której to się wyświetliło
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
była witryna Ambasady Królestwa Bożego.
06:01
(Laughter)
150
346000
2000
(Śmiech)
06:03
Oops.
151
348000
2000
Ups.
06:05
(Laughter)
152
350000
3000
(Śmiech)
06:08
Here's another really bad one.
153
353000
2000
Jeszcze jeden zły przykład.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
"Damn liberal" (Cholerny liberał)
06:15
(Laughter)
156
360000
2000
(Śmiech)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Codziennie znieważamy ludzi na lewo i prawo.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Oczywiście nie tylko obrażamy ludzi.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Rzecz w tym, że prezentując dwa przypadkowo dobrane słowa,
06:25
interesting things can happen.
160
370000
2000
mogą zdarzyć się interesujące rzeczy.
06:27
So this actually has given rise
161
372000
2000
Dało to początek
06:29
to a really big Internet meme
162
374000
3000
dużemu internetowemu przedsięwzięciu,
06:32
that tens of thousands of people have participated in,
163
377000
2000
w którym uczestniczyły dziesiątki tysięcy ludzi,
06:34
which is called CAPTCHA art.
164
379000
2000
zwanym CAPTCHA art.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Jestem pewny, że niektórzy z was o tym słyszeli.
06:38
Here's how it works.
166
383000
2000
Oto jak to działa.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Weźmy na to, że korzystacie z internetu i trafiacie na kod CAPTCHA,
06:42
that you think is somewhat peculiar,
168
387000
2000
który jest według was osobliwy,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
jak np. ten: niewidzialny toster.
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Następnie robimy screenshota
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
i oczywiście wypełniamy pole CAPTCHA,
06:50
because you help us digitize a book.
172
395000
2000
ponieważ pomagamy zdigitalizować książkę.
06:52
But then, first you take a screen shot,
173
397000
2000
Najpierw robimy screenshot
06:54
and then you draw something that is related to it.
174
399000
2000
i rysujemy coś z tym związanego.
06:56
(Laughter)
175
401000
2000
(Śmiech)
06:58
That's how it works.
176
403000
3000
Tak to działa.
07:01
There are tens of thousands of these.
177
406000
3000
Są ich dziesiątki tysięcy.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Niektóre są słodkie (Tekst: zacisnąłem piąstkę).
07:06
(Laughter)
179
411000
2000
(Śmiech)
07:08
Some of them are funnier.
180
413000
2000
Niektóre śmieszne.
07:10
(Text: stoned founders)
181
415000
3000
(Tekst: upaleni Założyciele)
07:13
(Laughter)
182
418000
3000
(Śmiech)
07:16
And some of them,
183
421000
2000
Niektóre z nich,
07:18
like paleontological shvisle,
184
423000
3000
np. paleontological shvisle,
07:21
they contain Snoop Dogg.
185
426000
2000
zawierają slang Snoop Dogga.
07:23
(Laughter)
186
428000
3000
(Śmiech)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
To moja ulubiona liczba w reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
To najlepsza rzecz w tym projekcie.
07:31
This is the number of distinct people
189
436000
2000
To liczba odrębnych ludzi, którzy pomogli nam
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
zdigitalizować przynajmniej jedno słowo z książki przez reCAPTCHA:
07:36
750 million,
191
441000
2000
750 milionów,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
co stanowi nieco ponad 10% liczby ludności na świecie,
07:40
has helped us digitize human knowledge.
193
445000
2000
która pomogła zdigitalizować ludzką wiedzę.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Takie liczby motywują mnie do dalszych badań.
07:45
So the question that motivates my research is the following:
195
450000
3000
Kwestią, która motywuje mnie do badań,
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
jeśli pomyślicie o wielkich osiągnięciach ludzkości,
07:50
these really big things
197
455000
2000
tych naprawdę ważnych,
07:52
that humanity has gotten together and done historically --
198
457000
3000
kiedy ludzie wspólnie zrobili coś historycznego,
07:55
like for example, building the pyramids of Egypt
199
460000
2000
jak np. budowa piramid w Egipcie,
07:57
or the Panama Canal
200
462000
2000
czy Kanału Panamskiego
07:59
or putting a man on the Moon --
201
464000
2000
lub wysłanie człowieka na Księżyc,
08:01
there is a curious fact about them,
202
466000
2000
jest w nich coś ciekawego,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
wszystkich tych osiągnieć dokonano z mniej więcej tą samą liczbą ludzi.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
To dziwne, ale wszystkie zostały dokonane z ok. 100 tys. ludzi.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Dziwne, ponieważ przed powstaniem internetu,
08:11
coordinating more than 100,000 people,
206
476000
2000
zarządzanie 100 tys. ludzi,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
płacenie im, było w zasadzie niemożliwe.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Jednak w dobie internetu, pokazałem wam właśnie projekt,
08:18
where we've gotten 750 million people
209
483000
2000
w który zaangażowanych było 750 milionów ludzi,
08:20
to help us digitize human knowledge.
210
485000
2000
pomagających zdigitalizować ludzką wiedzę.
08:22
So the question that motivates my research is,
211
487000
2000
Kwestią motywującą moje badania jest to,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
co można by zrobić ze 100 milionami ludzi,
08:27
what can we do with 100 million?
213
492000
2000
jeśli ze 100 tys. mogliśmy wysłać człowieka na Księżyc.
08:29
So based on this question,
214
494000
2000
Opierając się na tym pytaniu,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
przeprowadziliśmy wiele projektów.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Opowiem o jednym, który mnie najbardziej ekscytuje.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Pracowaliśmy nad nim
08:38
for the last year and a half or so.
218
503000
2000
od mniej więcej półtora roku.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Jeszcze nie funkcjonuje. Nazywa się Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Ale cicho, jeszcze nie działa.
08:44
(Laughter)
221
509000
2000
(Śmiech)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
OK, ufam wam.
08:48
So this is the project. Here's how it started.
223
513000
2000
Oto ten projekt. Tak się rozpoczął.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Zaczęło się od tego, że zadałem pytanie swojemu studentowi,
08:52
Severin Hacker.
225
517000
2000
Severinowi Hackerowi.
08:54
Okay, that's Severin Hacker.
226
519000
2000
OK, to jest Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Zadałem mu pytanie.
08:58
By the way, you did hear me correctly;
228
523000
2000
Tak poza tym, dobrze usłyszeliście;
09:00
his last name is Hacker.
229
525000
2000
nazywa się Hacker (z ang. haker).
09:02
So I posed this question to him:
230
527000
2000
Zadałem mu następujące pytanie:
09:04
How can we get 100 million people
231
529000
2000
Co zrobić, by 100 milionów ludzi
09:06
translating the Web into every major language for free?
232
531000
3000
tłumaczyło zasoby internetu na wszystkie języki za darmo?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Wiele można powiedzieć o tym pytaniu.
09:11
First of all, translating the Web.
234
536000
2000
Po pierwsze, tłumaczenie zasobów internetu,
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
które obecnie podzielony jest na wiele języków.
09:16
A large fraction of it is in English.
236
541000
2000
Ogromną jego częścią jest język angielski.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Nie znając angielskiego, nie będziecie mieć do niej dostępu.
09:20
But there's large fractions in other different languages,
238
545000
2000
Są również duże części w innych językach,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
nie znając ich, nie będziecie mieć do nich dostępu.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Chciałbym przetłumaczyć cały internet albo chociaż większą jego część,
09:28
into every major language.
241
553000
2000
na każdy liczący się język.
09:30
So that's what I would like to do.
242
555000
2000
To chciałbym zrobić.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Niektórzy spytają: dlaczego nie możemy użyć komputerów do tłumaczenia?
09:35
Why can't we use machine translation?
244
560000
2000
Czemu nie zastosujemy tłumaczenia maszynowego?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Tłumaczenia maszynowego używa się tu i ówdzie do tłumaczenia zdań.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Dlaczego przy jego pomocy nie przetłumaczyć całego internetu?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Problem w tym, że tłumaczenie maszynowe nie jest jeszcze dość rozwinięte
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
i prawdopodobnie nie będzie przez najbliższe 15-20 lat.
09:45
It makes a lot of mistakes.
249
570000
2000
Popełnia wiele błędów.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Nawet jeśli gdzieś nie zrobi błędu, to ponieważ popełnia ich
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
tak wiele, nie wiemy czy tamu zaufać, czy nie.
09:52
So let me show you an example
252
577000
2000
Pokażę wam przykład tekstu
09:54
of something that was translated with a machine.
253
579000
2000
tłumaczonego maszynowo.
09:56
Actually it was a forum post.
254
581000
2000
To był wpis na forum zamieszczony
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
przez kogoś, kto zapytał o JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Wpis przetłumaczono z języka japońskiego na angielski.
10:04
So I'll just let you read.
257
589000
2000
Dam wam przeczytać.
10:06
This person starts apologizing
258
591000
2000
Na początku, ten ktoś przeprasza,
10:08
for the fact that it's translated with a computer.
259
593000
2000
że przetłumaczył pytanie maszynowo.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Kolejne zdanie jest wstępem do pytania.
10:13
So he's just explaining something.
261
598000
2000
Coś wyjaśnia.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Pamiętajcie, to pytanie o dotyczące JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Tekst: Często, długi czas instalowaći błąd zwymiotować.)
10:23
(Laughter)
264
608000
4000
(Śmiech)
10:27
Then comes the first part of the question.
265
612000
3000
Następnie, pierwsza część pytania.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Tekst: Ile razy lubić wiatr, biegun i smoka?)
10:34
(Laughter)
267
619000
2000
(Śmiech)
10:36
Then comes my favorite part of the question.
268
621000
3000
Wreszcie moja ulubiona część pytania.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Tekst: To obrażać ojca kamienie?)
10:42
(Laughter)
270
627000
2000
(Śmiech)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Następnie końcówka, czyli moja ulubiona część całego postu.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Tekst: Proszę przeprosić za swoją głupotę. Bardzo ci dziękować.)
10:51
(Laughter)
273
636000
2000
(Śmiech)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Więc tłumaczenie maszynowe nie jest na razie dostatecznie dobre.
10:55
So back to the question.
275
640000
2000
Wracając do naszego pytania.
10:57
So we need people to translate the whole Web.
276
642000
3000
Potrzebujemy ludzi do przetłumaczenia całego internetu.
11:00
So now the next question you may have is,
277
645000
2000
Kolejne pytanie, jakie możecie zadać, to:
11:02
well why can't we just pay people to do this?
278
647000
2000
dlaczego nie możemy ludziom za to zapłacić?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Moglibyśmy zapłacić profesjonalnym tłumaczom za tłumaczenie internetu.
11:07
We could do that.
280
652000
2000
Moglibyśmy to zrobić.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Niestety byłoby to niezwykle kosztowne,
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
np. tłumaczenie małej części internetu, Wikipedii,
11:14
into one other language, Spanish.
283
659000
3000
na język hiszpański.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Istnieje wersja hiszpańska Wikipedii,
11:19
but it's very small compared to the size of English.
285
664000
2000
ale jest bardzo mała, w porównaniu z wersją angielską.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Stanowi ok. 20% angielskiej Wikipedii.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Jeśli chcielibyśmy przetłumaczyć pozostałe 80% na język hiszpański,
11:26
it would cost at least 50 million dollars --
288
671000
2000
kosztowałoby to nas przynajmniej 50 milionów dolarów,
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
i to w w najbardziej wyzyskiwanym kraju.
11:31
So it would be very expensive.
290
676000
2000
Byłoby to bardzo drogie.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Chcemy zebrać 100 milionów ludzi,
11:35
translating the Web into every major language
292
680000
2000
by tłumaczyli internet na każdy z liczących się języków
11:37
for free.
293
682000
2000
za darmo.
11:39
Now if this is what you want to do,
294
684000
2000
Jeśli chce się to osiągnąć,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
bardzo szybko można trafić
11:43
two big obstacles.
296
688000
2000
na dwie duże przeszkody.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Po pierwsze, brak ludzi dwujęzycznych.
11:48
So I don't even know
298
693000
2000
Nie wiem nawet
11:50
if there exists 100 million people out there using the Web
299
695000
3000
czy jest 100 milionów ludzi korzystających z internetu,
11:53
who are bilingual enough to help us translate.
300
698000
2000
którzy znają dwa języki na tyle, by pomóc nam tłumaczyć.
11:55
That's a big problem.
301
700000
2000
To duży problem.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
Po drugie, odczujemy brak motywacji.
11:59
How are we going to motivate people
303
704000
2000
Jak zmotywować ludzi
12:01
to actually translate the Web for free?
304
706000
2000
do tłumaczenia internetu za darmo?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalnie trzeba ludziom za to płacić.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Jak ich zmotywować do robienia tego za darmo?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Na początku projektu, powstrzymywały nas właśnie te dwie rzeczy.
12:11
But then we realized, there's actually a way
308
716000
2000
Uświadomiliśmy sobie jednak, że jest sposób
12:13
to solve both these problems with the same solution.
309
718000
2000
na rozwiązanie obu tych problemów.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Można upiec dwie pieczenie na jednym ogniu.
12:17
And that is to transform language translation
311
722000
3000
Przekształcić tłumaczenie
12:20
into something that millions of people want to do,
312
725000
3000
w coś, co miliony ludzi chciałoby robić,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
co pomogłoby rozwiązać problem braku osób dwujęzycznych,
12:26
and that is language education.
314
731000
3000
a rozwiązaniem tym jest edukacja językowa.
12:29
So it turns out that today,
315
734000
2000
Okazuje się, że obecnie
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
1,2 miliarda ludzi uczy się języka obcego.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Ludzie bardzo chcą uczyć się języków obcych.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Nie tylko dlatego, że zmuszano ich do tego w szkole,
12:39
For example, in the United States alone,
319
744000
2000
np. w samych Stanach Zjednoczonych ,
12:41
there are over five million people who have paid over $500
320
746000
2000
jest ponad 5 mln ludzi, którzy wydali ponad 500 dolarów
12:43
for software to learn a new language.
321
748000
2000
na oprogramowanie do nauki języków.
12:45
So people really, really want to learn a new language.
322
750000
2000
Ludzie bardzo, bardzo chcą uczyć się języków.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Przez ostatnie półtora roku pracowaliśmy nad nową stroną,
12:50
it's called Duolingo --
324
755000
2000
Duolingo,
12:52
where the basic idea is people learn a new language for free
325
757000
3000
której podstawowym założeniem jest to, że ludzie mogą uczyć się nowego języka za darmo,
12:55
while simultaneously translating the Web.
326
760000
2000
jednocześnie tłumacząc internet.
12:57
And so basically they're learning by doing.
327
762000
2000
Uczą się poprzez praktykę.
12:59
So the way this works
328
764000
2000
Działa to w ten sposób,
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
że jeśli jesteś początkujący, dajemy ci bardzo proste zdania.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
W internecie jest masa prostych zdań.
13:06
We give you very, very simple sentences
331
771000
2000
Dajemy wam proste zdania
13:08
along with what each word means.
332
773000
2000
ze znaczeniem poszczególnych słów.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Tłumacząc je i widząc jak inni je tłumaczą,
13:13
you start learning the language.
334
778000
2000
zaczynacie uczyć się języka.
13:15
And as you get more and more advanced,
335
780000
2000
Wraz ze wzrostem zaawansowania
13:17
we give you more and more complex sentences to translate.
336
782000
2000
dajemy wam do tłumaczenia coraz bardziej skomplikowane zdania.
13:19
But at all times, you're learning by doing.
337
784000
2000
Cały czas uczycie się poprzez praktykę.
13:21
Now the crazy thing about this method
338
786000
2000
Może to zwariowane, ale ta metoda
13:23
is that it actually really works.
339
788000
2000
naprawdę działa.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Po pierwsze, ludzie rzeczywiście uczą się języka.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Strona jest prawie skończona i teraz ją testujemy.
13:29
People really can learn a language with it.
342
794000
2000
Ludzie przy jej pomocy naprawdę mogą nauczyć się języka.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Uczą się równie dobrze, jak przy użyciu wiodących programów do nauki języków.
13:34
So people really do learn a language.
344
799000
2000
Ludzie naprawdę uczą się języka.
13:36
And not only do they learn it as well,
345
801000
2000
Nie tylko dobrze się go uczą,
13:38
but actually it's way more interesting.
346
803000
2000
ale również uczą się w interesujący sposób.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Na Duolingo ludzie uczą się na autentycznych materiałach.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
W przeciwieństwie do nauki na wymyślonych zdaniach,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
ludzie uczą się na autentycznych materiałach, co jest bardzo interesujące.
13:48
So people really do learn a language.
350
813000
2000
Ludzie więc naprawdę uczą się języka.
13:50
But perhaps more surprisingly,
351
815000
2000
Co bardziej zaskakujące,
13:52
the translations that we get from people using the site,
352
817000
3000
to że tłumaczenia naszych użytkowników,
13:55
even though they're just beginners,
353
820000
2000
pomimo tego że są początkującymi,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
są precyzyjne jak te,
14:00
which is very surprising.
355
825000
2000
wykonane przez profesjonalnych tłumaczy,
14:02
So let me show you one example.
356
827000
2000
np. to zdanie zostało
14:04
This is a sentence that was translated from German into English.
357
829000
2000
przetłumaczone z języka niemieckiego na angielski.
14:06
The top is the German.
358
831000
2000
Na samej górze jest zdanie po niemiecku.
14:08
The middle is an English translation
359
833000
2000
W środku jest tłumaczenie angielskie,
14:10
that was done by somebody who was a professional English translator
360
835000
2000
wykonane przez profesjonalnego tłumacza języka angielskiego,
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
któremu płaciliśmy 20 centów za słowo tłumaczenia.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Na dole znajduje się tłumaczenie użytkownika Duolingo.
14:17
none of whom knew any German
363
842000
2000
Żaden z nich nie znał niemieckiego
14:19
before they started using the site.
364
844000
2000
przed skorzystaniem z naszej strony.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Sami widzicie, że jest całkiem dobre.
14:23
Now of course, we play a trick here
366
848000
2000
Oczywiście robimy pewną sztuczkę,
14:25
to make the translations as good as professional language translators.
367
850000
2000
by tłumaczenia by wyglądały profesjonalnie.
14:27
We combine the translations of multiple beginners
368
852000
3000
Łączymy tłumaczenia wielu początkujących użytkowników,
14:30
to get the quality of a single professional translator.
369
855000
3000
by osiągnąć jakość jednego profesjonalnego tłumacza.
14:33
Now even though we're combining the translations,
370
858000
5000
Pomimo łączenia tłumaczeń,
14:38
the site actually can translate pretty fast.
371
863000
2000
strona działa nadzwyczaj szybko.
14:40
So let me show you,
372
865000
2000
Pozwólcie, że wam pokażę,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
to nasze dane szacunkowe, jak szybko moglibyśmy przetłumaczyć Wikipedię
14:44
from English into Spanish.
374
869000
2000
z angielskiego na hiszpański.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Pamiętajcie, jest to warte 50 mln dolarów.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Jeśli chcielibyśmy przetłumaczyć Wikipedię
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
na język hiszpański, mając 100 tys. aktywnych użytkowników,
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
moglibyśmy zrobić to w 5 tygodni, a mając milion - w 80 godzin.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Ponieważ wszystkie projekty opracowane z moją grupą zyskały miliony użytkowników,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
mamy nadzieję, że ten projekt
15:02
extremely fast with this project.
381
887000
2000
pozwoli nam tłumaczyć w bardzo szybki sposób.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Tym, co mnie w Duolingo najbardziej cieszy
15:07
is I think this provides a fair business model for language education.
383
892000
3000
jest to, że stwarza uczciwy model biznesowy dla edukacji językowej.
15:10
So here's the thing:
384
895000
2000
Wygląda to tak.
15:12
The current business model for language education
385
897000
2000
Obecny model edukacji językowej
15:14
is the student pays,
386
899000
2000
wygląda tak: student płaci za naukę.
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
Co więcej, płaci 500 dolarów za program Rosetta Stone.
15:18
(Laughter)
388
903000
2000
(Śmiech)
15:20
That's the current business model.
389
905000
2000
To obecny model.
15:22
The problem with this business model
390
907000
2000
Problem z tym modelem polega na tym,
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
że 95% ludzi na świecie nie ma 500 dolarów.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
To strasznie niesprawiedliwe wobec biednych.
15:30
This is totally biased towards the rich.
393
915000
2000
To całkowity ukłon w stronę bogatych.
15:32
Now see, in Duolingo,
394
917000
2000
W przypadku Duolingo
15:34
because while you learn
395
919000
2000
ucząc się,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
tworzy się wartość, tłumaczy prawdziwe rzeczy,
15:39
which for example, we could charge somebody for translations.
397
924000
3000
za które to tłumaczenia moglibyśmy pobierać opłaty.
15:42
So this is how we could monetize this.
398
927000
2000
Tak moglibyśmy to spieniężyć.
15:44
Since people are creating value while they're learning,
399
929000
2000
Ponieważ ludzie tworzą podczas nauki,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
nie muszą płacić pieniędzmi, bo płacą swoim czasem.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Najlepsze jest to, że płacą własnym czasem,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
który i tak spędziliby
15:54
learning the language.
403
939000
2000
na nauce języka obcego.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Fajne w Duolingo jest to, że opiera się na uczciwym modelu biznesowym,
15:59
one that doesn't discriminate against poor people.
405
944000
2000
który nie dyskryminuje ludzi biednych.
16:01
So here's the site. Thank you.
406
946000
2000
Oto adres strony. Dziękuję.
16:03
(Applause)
407
948000
8000
(Oklaski)
16:11
So here's the site.
408
956000
2000
Ta strona nie została jeszcze uruchomiona,
16:13
We haven't yet launched,
409
958000
2000
Ta strona nie została jeszcze uruchomiona,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
ale jeśli na nią wejdziecie, możecie się zapisać na testy wersji beta,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
które najpewniej zaczną się za 3 - 4 tygodnie.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Duolingo nie zostało jeszcze uruchomione.
16:22
By the way, I'm the one talking here,
413
967000
2000
Tak poza tym, jestem tu sam,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
a Duolingo to w rzeczywistości praca niesamowitej grupy ludzi. Niektórzy są tutaj.
16:27
So thank you.
415
972000
2000
Dziękuję.
16:29
(Applause)
416
974000
4000
(Oklaski)
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