ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Luis von Ahn | Speaker | TED.com
TEDxCMU

Luis von Ahn: Massive-scale online collaboration

Luis von Ahn: Współpraca w sieci na masową skalę

Filmed:
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.
- Computer scientist
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 manywiele of you had to fillwypełniać out some sortsortować of websieć formformularz
0
0
2000
Ilu z was musiało kiedyś wypełnić online formularz,
00:17
where you've been askedspytał to readczytać a distortedzniekształcony sequencesekwencja of characterspostacie like this?
1
2000
2000
wymagający odczytania takich zniekształconych znaków?
00:19
How manywiele of you founduznany it really, really annoyingdenerwujący?
2
4000
2000
Ilu z was to naprawdę wkurzyło?
00:21
Okay, outstandingwybitne. So I inventedzmyślony that.
3
6000
3000
OK, niesamowite. Ja to wynalazłem.
00:24
(LaughterŚmiech)
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 callednazywa a CAPTCHACAPTCHA.
6
13000
2000
Nosi to nazwę systemu CAPTCHA.
00:30
And the reasonpowód it is there is to make sure you, the entityjednostki fillingNadzienie out the formformularz,
7
15000
2000
Istnieje, by miało się pewność, że formularz wypełnia
00:32
are actuallytak właściwie a humanczłowiek and not some sortsortować of computerkomputer programprogram
8
17000
3000
człowiek, a nie program komputerowy,
00:35
that was writtenpisemny to submitZatwierdź the formformularz millionsmiliony and millionsmiliony of timesczasy.
9
20000
2000
napisany by wypełniał formularz setki milionów razy.
00:37
The reasonpowód it worksPrace is because humansludzie,
10
22000
2000
Sprawdziło się to dlatego, że ludzie,
00:39
at leastnajmniej non-visually-impairednie niedowidzących humansludzie,
11
24000
2000
przynajmniej ci z dobrym wzrokiem,
00:41
have no troublekłopot readingczytanie these distortedzniekształcony squigglyfalistą characterspostacie,
12
26000
2000
bez problemu mogą odczytać te gryzmoły,
00:43
whereasnatomiast computerkomputer programsprogramy simplypo prostu can't do it as well yetjeszcze.
13
28000
3000
a komputery tego jeszcze nie potrafią.
00:46
So for exampleprzykład, in the casewalizka of TicketmasterTicketmaster,
14
31000
2000
Np. w Ticketmasterze
00:48
the reasonpowód you have to typerodzaj these distortedzniekształcony characterspostacie
15
33000
2000
musimy przepisać te ciągi zniekształconych znaków,
00:50
is to preventzapobiec scalperskoników from writingpisanie a programprogram
16
35000
2000
by powstrzymać koników przed napisaniem programu pozwalającego
00:52
that can buykupować millionsmiliony of ticketsbilety, two at a time.
17
37000
2000
im na zakup milionów biletów, po dwa naraz.
00:54
CAPTCHAsCAPTCHA are used all over the InternetInternet.
18
39000
2000
Systemy CAPTCHA wykorzystywane są w całej sieci.
00:56
And sinceod they're used so oftenczęsto,
19
41000
2000
Ponieważ są tak często stosowane,
00:58
a lot of timesczasy the preciseprecyzyjny sequencesekwencja of randomlosowy characterspostacie that is shownpokazane to the userużytkownik
20
43000
2000
zdarza się, że losowe znaki pokazywane użytkownikowi
01:00
is not so fortunateszczęście.
21
45000
2000
układane są dość niefortunnie.
01:02
So this is an exampleprzykład from the YahooYahoo registrationRejestracja pagestrona.
22
47000
3000
To przykład ze strony rejestracyjnej Yahoo.
01:05
The randomlosowy characterspostacie that happenedstało się to be shownpokazane to the userużytkownik
23
50000
2000
Losowe znaki, które zobaczył użytkownik
01:07
were W, A, I, T, whichktóry, of coursekurs, spellzaklęcie a wordsłowo.
24
52000
3000
to W, A, I, T, ułożone w angielskie słowo "CZEKAJ".
01:10
But the bestNajlepiej partczęść is the messagewiadomość
25
55000
3000
Najlepsza była jednak wiadomość,
01:13
that the YahooYahoo help deskbiurko got about 20 minutesminuty laterpóźniej.
26
58000
3000
jaką obsługa klienta Yahoo dostała 20 minut później:
01:16
TextTekst: "Help! I've been waitingczekanie for over 20 minutesminuty, and nothing happensdzieje się."
27
61000
3000
"Pomocy! Czekałem ponad 20 minut i nic się nie dzieje."
01:19
(LaughterŚmiech)
28
64000
4000
(Śmiech)
01:23
This personosoba thought they neededpotrzebne to wait.
29
68000
2000
Ten ktoś myślał, że musi czekać.
01:25
This of coursekurs, is not as badzły as this poorubogi personosoba.
30
70000
3000
Ale tamta osoba nie miała oczywiście jeszcze tak źle...
01:28
(LaughterŚmiech)
31
73000
2000
(Śmiech)
01:30
CAPTCHACAPTCHA ProjectProjektu is something that we did here at CarnegieCarnegie MelllonMelllon over 10 yearslat agotemu,
32
75000
3000
Projekt CAPTCHA zrealizowaliśmy w Carnegie Mellon ponad 10 lat temu
01:33
and it's been used everywherewszędzie.
33
78000
2000
i od tamtej pory stosowany jest wszędzie.
01:35
Let me now tell you about a projectprojekt that we did a fewkilka yearslat laterpóźniej,
34
80000
2000
Pozwólcie, że opowiem wam o projekcie przeprowadzonym kilka lat później,
01:37
whichktóry is sortsortować of the nextNastępny evolutionewolucja of CAPTCHACAPTCHA.
35
82000
3000
który jest kolejnym krokiem ewolucji CAPTCHA.
01:40
This is a projectprojekt that we call reCAPTCHAreCAPTCHA,
36
85000
2000
Nazywamy go reCAPTCHA.
01:42
whichktóry is something that we startedRozpoczęty here at CarnegieCarnegie MellonMellon,
37
87000
2000
Pracę nad nim zaczęliśmy w Carnegie Mellon,
01:44
then we turnedobrócony it into a startupuruchomienie companyfirma.
38
89000
2000
a potem zrobiliśmy z tego biznes.
01:46
And then about a yearrok and a halfpół agotemu,
39
91000
2000
Jakieś półtora roku temu
01:48
GoogleGoogle actuallytak właściwie acquirednabyte this companyfirma.
40
93000
2000
firma została wykupiona przez Google.
01:50
So let me tell you what this projectprojekt startedRozpoczęty.
41
95000
2000
Pozwólcie, że opowiem, jak to się zaczęło.
01:52
So this projectprojekt startedRozpoczęty from the followingnastępujący realizationRealizacja:
42
97000
3000
Ten projekt powstał przez uświadomienie sobie,
01:55
It turnsskręca out that approximatelyw przybliżeniu 200 millionmilion CAPTCHAsCAPTCHA
43
100000
2000
że 200 milionów kodów CAPTCHA wpisywanych jest
01:57
are typedwpisane everydaycodziennie by people around the worldświat.
44
102000
3000
codziennie przez ludzi na całym świecie.
02:00
When I first heardsłyszał this, I was quitecałkiem prouddumny of myselfsiebie.
45
105000
2000
Gdy o tym usłyszałem, byłem z siebie całkiem dumny.
02:02
I thought, look at the impactwpływ that my researchBadania has had.
46
107000
2000
Pomyślałem, jak duży wpływ miały te badania.
02:04
But then I startedRozpoczęty feelinguczucie badzły.
47
109000
2000
Później zacząłem mieć wyrzuty sumienia.
02:06
See here'soto jest the thing, eachkażdy time you typerodzaj a CAPTCHACAPTCHA,
48
111000
2000
Za każdym razem, wpisując kod CAPTCHA,
02:08
essentiallygłównie you wastemarnotrawstwo 10 secondstowary drugiej jakości of your time.
49
113000
3000
marnujemy 10 sekund swojego życia.
02:11
And if you multiplyzwielokrotniać that by 200 millionmilion,
50
116000
2000
A jeśli przemnożymy to przez 200 milionów,
02:13
you get that humanityludzkość as a wholecały is wastingzmarnowanie about 500,000 hoursgodziny everykażdy day
51
118000
3000
zauważymy, że ludzkość marnuje każdego dnia 500 000 godzin
02:16
typingpisanie na maszynie these annoyingdenerwujący CAPTCHAsCAPTCHA.
52
121000
2000
na samo wpisywanie tych denerwujących kodów.
02:18
So then I startedRozpoczęty feelinguczucie badzły.
53
123000
2000
Właśnie wtedy zaczęło mnie to gryźć.
02:20
(LaughterŚmiech)
54
125000
2000
(Śmiech)
02:22
And then I startedRozpoczęty thinkingmyślący, well, of coursekurs, we can't just get ridpozbyć się of CAPTCHAsCAPTCHA,
55
127000
3000
Potem pomyślałem sobie, że nie można po prostu zrezygnować z tych kodów,
02:25
because the securitybezpieczeństwo of the WebSieci Web sortsortować of dependszależy on them.
56
130000
2000
ponieważ zależy od nich bezpieczeństwo sieci.
02:27
But then I startedRozpoczęty thinkingmyślący, is there any way we can use this effortwysiłek
57
132000
3000
Zacząłem myśleć, czy można wysiłek wkładany w ich pisanie
02:30
for something that is good for humanityludzkość?
58
135000
2000
wykorzystać tak, by przyniósł ludzkości pożytek?
02:32
So see, here'soto jest the thing.
59
137000
2000
Rzecz w tym, że w ciągu tych 10 sekund,
02:34
While you're typingpisanie na maszynie a CAPTCHACAPTCHA, duringpodczas those 10 secondstowary drugiej jakości,
60
139000
2000
podczas których wpisujecie kody CAPTCHA,
02:36
your brainmózg is doing something amazingniesamowity.
61
141000
2000
wasze mózgi robią coś niesamowitego.
02:38
Your brainmózg is doing something that computerskomputery cannotnie może yetjeszcze do.
62
143000
2000
Robią to, czego komputery jeszcze nie potrafią.
02:40
So can we get you to do usefulprzydatny work for those 10 secondstowary drugiej jakości?
63
145000
3000
Czy możemy sprawić, byście w ciągu 10 sekund zrobili coś pożytecznego?
02:43
AnotherInnym way of puttingwprowadzenie it is,
64
148000
2000
Innymi słowy,
02:45
is there some humongousHumongous problemproblem that we cannotnie może yetjeszcze get computerskomputery to solverozwiązać,
65
150000
2000
czy jest duży problem, z którym komputery
02:47
yetjeszcze we can splitrozdzielać into tinymalutki 10-second chunksKawałki
66
152000
3000
sobie jeszcze nie radzą, a który można rozbić na 10-sekundowe zadania
02:50
suchtaki that eachkażdy time somebodyktoś solvesrozwiązuje a CAPTCHACAPTCHA
67
155000
2000
tak, aby ilekroć ktoś rozszyfrował kod CAPTCHA,
02:52
they solverozwiązać a little bitkawałek of this problemproblem?
68
157000
2000
rozwiązywałby również część tego problemu?
02:54
And the answerodpowiedź 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 maymoże not know is that nowadaysdzisiaj while you're typingpisanie na maszynie a CAPTCHACAPTCHA,
70
161000
3000
Czego możecie nie wiedzieć, to że wpisując dziś kod CAPTCHA,
02:59
not only are you authenticatinguwierzytelnianie yourselfsiebie as a humanczłowiek,
71
164000
2000
nie tylko potwierdzacie to, że jesteście ludźmi,
03:01
but in additiondodanie you're actuallytak właściwie helpingporcja jedzenia us to digitizedigitalizacji booksksiążki.
72
166000
2000
ale także pomagacie zdigitalizować książki.
03:03
So let me explainwyjaśniać how this worksPrace.
73
168000
2000
Pozwólcie, że wyjaśnię wam jak to działa.
03:05
So there's a lot of projectsprojektowanie out there tryingpróbować to digitizedigitalizacji booksksiążki.
74
170000
2000
Jest wiele projektów nastawionych na digitalizację książek.
03:07
GoogleGoogle has one. The InternetInternet ArchiveArchiwum has one.
75
172000
3000
Google ma swój projekt. Internet Archive też.
03:10
AmazonAmazon, now with the KindleKindle, is tryingpróbować to digitizedigitalizacji booksksiążki.
76
175000
2000
Amazon z Kindle również próbuje zdigitalizować książki.
03:12
BasicallyW zasadzie the way this worksPrace
77
177000
2000
Działa to tak,
03:14
is you startpoczątek with an oldstary bookksiążka.
78
179000
2000
że zaczynamy od starej książki.
03:16
You've seenwidziany those things, right? Like a bookksiążka?
79
181000
2000
Widzieliście je kiedyś, książki, prawda?
03:18
(LaughterŚmiech)
80
183000
2000
(Śmiech)
03:20
So you startpoczątek with a bookksiążka, and then you scanskandować it.
81
185000
2000
Bierzemy książkę i ją skanujemy.
03:22
Now scanningłów a bookksiążka
82
187000
2000
Skanowanie książki
03:24
is like takingnabierający a digitalcyfrowy photographfotografia of everykażdy pagestrona of the bookksiążka.
83
189000
2000
to jak fotografowanie cyfrowo każdej jej strony.
03:26
It givesdaje you an imageobraz for everykażdy pagestrona of the bookksiążka.
84
191000
2000
Otrzymujemy obraz każdej jej strony.
03:28
This is an imageobraz with texttekst for everykażdy pagestrona of the bookksiążka.
85
193000
2000
Na każdym obrazie znajduje się tekst z książki.
03:30
The nextNastępny stepkrok in the processproces
86
195000
2000
Następnie komputer
03:32
is that the computerkomputer needswymagania to be ablezdolny to decipherrozszyfrować all of the wordssłowa in this imageobraz.
87
197000
3000
musi rozpoznać wszystkie słowa znajdujące się na obrazie.
03:35
That's usingza pomocą a technologytechnologia callednazywa OCROCR,
88
200000
2000
Używa do tego technologii OCR,
03:37
for opticaloptyczne characterpostać recognitionuznanie,
89
202000
2000
rozpoznającej pismo i tekst,
03:39
whichktóry takes a pictureobrazek of texttekst
90
204000
2000
która ze zdjęcia próbuje
03:41
and triespróbuje to figurepostać out what texttekst is in there.
91
206000
2000
odczytać tekst.
03:43
Now the problemproblem is that OCROCR is not perfectidealny.
92
208000
2000
Problem w tym, że OCR nie jest doskonałe.
03:45
EspeciallySzczególnie for olderstarsze booksksiążki
93
210000
2000
Szczególnie w przypadku starszych książek,
03:47
where the inkatrament has fadedwyblakłe and the pagesstrony have turnedobrócony yellowżółty,
94
212000
3000
gdzie tusz wyblakł, a strony pożółkły.
03:50
OCROCR cannotnie może recognizerozpoznać a lot of the wordssłowa.
95
215000
2000
OCR nie rozpoznaje wielu słów,
03:52
For exampleprzykład, for things that were writtenpisemny more than 50 yearslat agotemu,
96
217000
2000
np. z tekstu napisanego 50 lat temu,
03:54
the computerkomputer cannotnie może recognizerozpoznać about 30 percentprocent of the wordssłowa.
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 takingnabierający all of the wordssłowa that the computerkomputer cannotnie może recognizerozpoznać
99
224000
2000
których komputer nie może rozpoznać
04:01
and we're gettinguzyskiwanie people to readczytać them for us
100
226000
2000
i prosimy ludzi, by je dla nas odczytali
04:03
while they're typingpisanie na maszynie a CAPTCHACAPTCHA on the InternetInternet.
101
228000
2000
podczas wpisywania CAPTCHA w internecie.
04:05
So the nextNastępny time you typerodzaj a CAPTCHACAPTCHA, these wordssłowa that you're typingpisanie na maszynie
102
230000
3000
Następnym razem wpisując kod CAPTCHA, pamiętajcie,
04:08
are actuallytak właściwie wordssłowa that are comingprzyjście from booksksiążki that are beingistota digitizedzdigitalizowane
103
233000
3000
że te słowa pochodzą z digitalizowanych właśnie książek,
04:11
that the computerkomputer could not recognizerozpoznać.
104
236000
2000
których nie mógł odczytać komputer.
04:13
And now the reasonpowód we have two wordssłowa nowadaysdzisiaj insteadzamiast of one
105
238000
2000
Obecnie pojawiają się dwa słowa,
04:15
is because, you see, one of the wordssłowa
106
240000
2000
ponieważ jedno ze słów
04:17
is a wordsłowo that the systemsystem just got out of a bookksiążka,
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 presentteraźniejszość it to you.
108
244000
3000
który go nie rozpoznaje, a zamierza wam je pokazać.
04:22
But sinceod it doesn't know the answerodpowiedź for it, it cannotnie może gradestopień 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 anotherinne wordsłowo,
110
250000
2000
Dodaliśmy więc drugie słowo,
04:27
one for whichktóry the systemsystem does know the answerodpowiedź.
111
252000
2000
które jest rozpoznawane przez system.
04:29
We don't tell you whichktóry one'sswoje whichktóry, and we say, please typerodzaj bothobie.
112
254000
2000
Nie mówimy wam które jest które, tylko prosimy o wpisani obu.
04:31
And if you typerodzaj the correctpoprawny wordsłowo
113
256000
2000
Jeśli wpiszecie poprawne słowo
04:33
for the one for whichktóry the systemsystem alreadyjuż knowswie the answerodpowiedź,
114
258000
2000
dla słowa rozpoznawanego przez system,
04:35
it assumeszakłada you are humanczłowiek,
115
260000
2000
system uzna, że jesteście ludźmi,
04:37
and it alsorównież getsdostaje some confidencepewność siebie that you typedwpisane the other wordsłowo correctlyprawidłowo.
116
262000
2000
będzie również pewniejszy, że drugie słowo wpisano poprawnie.
04:39
And if we repeatpowtarzać this processproces to like 10 differentróżne people
117
264000
3000
Jeśli powtórzymy proces w przypadku 10 osób
04:42
and all of them agreeZgodzić się on what the newNowy wordsłowo is,
118
267000
2000
i wszyscy zgodnie przepiszą dane słowo,
04:44
then we get one more wordsłowo digitizedzdigitalizowane accuratelydokładnie.
119
269000
2000
zyskujemy kolejne poprawnie zdigitalizowane słowo.
04:46
So this is how the systemsystem worksPrace.
120
271000
2000
Tak działa ten system.
04:48
And basicallygruntownie, sinceod we releasedwydany it about threetrzy or fourcztery yearslat agotemu,
121
273000
3000
Odkąd go wypuściliśmy 3-4 lata temu,
04:51
a lot of websitesstrony internetowe have startedRozpoczęty switchingprzełączanie
122
276000
2000
wiele witryn przestawiło się ze starego CAPTCHA,
04:53
from the oldstary CAPTCHACAPTCHA where people wastedzmarnowane theirich time
123
278000
2000
gdzie ludzie marnowali swój czas,
04:55
to the newNowy CAPTCHACAPTCHA where people are helpingporcja jedzenia to digitizedigitalizacji booksksiążki.
124
280000
2000
na nowe CAPTCHA, gdzie ludzie pomagają digitalizować książki.
04:57
So for exampleprzykład, TicketmasterTicketmaster.
125
282000
2000
Np. Ticketmaster.
04:59
So everykażdy time you buykupować ticketsbilety on TicketmasterTicketmaster, you help to digitizedigitalizacji a bookksiążka.
126
284000
3000
Za każdym razem, gdy kupujemy bilety na Ticketmaster, pomagamy digitalizować książkę.
05:02
FacebookFacebook: EveryKażdy time you addDodaj a friendprzyjaciel or pokePoke somebodyktoś,
127
287000
2000
Facebook: dodając nowych znajomych lub zaczepiając kogoś,
05:04
you help to digitizedigitalizacji a bookksiążka.
128
289000
2000
pomagamy digitalizować książkę.
05:06
TwitterTwitter and about 350,000 other siteswitryny are all usingza pomocą reCAPTCHAreCAPTCHA.
129
291000
3000
Twitter i ok. 350 000 innych stron korzysta z reCAPTCHA.
05:09
And in factfakt, the numbernumer of siteswitryny that are usingza pomocą reCAPTCHAreCAPTCHA is so highwysoki
130
294000
2000
Liczba stron korzystających z reCAPTCHA jest tak duża,
05:11
that the numbernumer of wordssłowa that we're digitizingdigitalizacja perza day is really, really largeduży.
131
296000
3000
że liczba słów sczytywanych dziennie jest naprawdę ogromna.
05:14
It's about 100 millionmilion a day,
132
299000
2000
Około 100 milionów słów dziennie,
05:16
whichktóry is the equivalentrównowartość of about two and a halfpół millionmilion booksksiążki a yearrok.
133
301000
4000
co odpowiada 2,5 milionom książek rocznie.
05:20
And this is all beingistota doneGotowe one wordsłowo at a time
134
305000
2000
Wszystko to robi się po jednym słówku,
05:22
by just people typingpisanie na maszynie CAPTCHAsCAPTCHA on the InternetInternet.
135
307000
2000
dzięki ludziom wpisującym CAPTCHA w Internecie.
05:24
(ApplauseAplauz)
136
309000
8000
(Oklaski)
05:32
Now of coursekurs,
137
317000
2000
Z uwagi na dużą
05:34
sinceod we're doing so manywiele wordssłowa perza day,
138
319000
2000
liczbę słów wpisywany codziennie,
05:36
funnyzabawny things can happenzdarzyć.
139
321000
2000
mają miejsce zabawne sytuacje.
05:38
And this is especiallyszczególnie trueprawdziwe because now we're givingdający people
140
323000
2000
Głównie przez to, że wyświetlamy ludziom
05:40
two randomlylosowo chosenwybrany EnglishAngielski wordssłowa nextNastępny to eachkażdy other.
141
325000
2000
dwa zupełnie przypadkowe słowa obok siebie.
05:42
So funnyzabawny things can happenzdarzyć.
142
327000
2000
Dzieją się śmieszne rzeczy,
05:44
For exampleprzykład, we presentedprzedstawione this wordsłowo.
143
329000
2000
np. wyświetliliśmy ten wyraz.
05:46
It's the wordsłowo "ChristiansChrześcijanie"; there's nothing wrongźle with it.
144
331000
2000
"Christians" (Chrześcijanie); nie ma w nim nic złego.
05:48
But if you presentteraźniejszość it alongwzdłuż with anotherinne randomlylosowo chosenwybrany wordsłowo,
145
333000
3000
Ale coś może pójść nie tak, jeśli wyświetlmy go
05:51
badzły things can happenzdarzyć.
146
336000
2000
z przypadkowo dobranym słowem.
05:53
So we get this. (TextTekst: badzły christianschrześcijanie)
147
338000
2000
"Bad Christians" (Źli Chrześcijanie).
05:55
But it's even worsegorzej, because the particularszczególny websitestronie internetowej where we showedpokazał this
148
340000
3000
Było jeszcze gorzej, ponieważ stroną, na której to się wyświetliło
05:58
actuallytak właściwie happenedstało się to be callednazywa The EmbassyAmbasada of the KingdomBrytania of God.
149
343000
3000
była witryna Ambasady Królestwa Bożego.
06:01
(LaughterŚmiech)
150
346000
2000
(Śmiech)
06:03
OopsOops.
151
348000
2000
Ups.
06:05
(LaughterŚmiech)
152
350000
3000
(Śmiech)
06:08
Here'sTutaj jest anotherinne really badzły one.
153
353000
2000
Jeszcze jeden zły przykład.
06:10
JohnEdwardsJohnEdwards.comcom
154
355000
2000
JohnEdwards.com
06:12
(TextTekst: DamnKurde liberalliberalne)
155
357000
3000
"Damn liberal" (Cholerny liberał)
06:15
(LaughterŚmiech)
156
360000
2000
(Śmiech)
06:17
So we keep on insultingobrażanie people left and right everydaycodziennie.
157
362000
3000
Codziennie znieważamy ludzi na lewo i prawo.
06:20
Now, of coursekurs, we're not just insultingobrażanie people.
158
365000
2000
Oczywiście nie tylko obrażamy ludzi.
06:22
See here'soto jest the thing, sinceod we're presentingprzedstawianie two randomlylosowo chosenwybrany wordssłowa,
159
367000
3000
Rzecz w tym, że prezentując dwa przypadkowo dobrane słowa,
06:25
interestingciekawy things can happenzdarzyć.
160
370000
2000
mogą zdarzyć się interesujące rzeczy.
06:27
So this actuallytak właściwie has givendany risewzrost
161
372000
2000
Dało to początek
06:29
to a really bigduży InternetInternet memeja ja
162
374000
3000
dużemu internetowemu przedsięwzięciu,
06:32
that tenskilkadziesiąt of thousandstysiące of people have participateduczestniczył in,
163
377000
2000
w którym uczestniczyły dziesiątki tysięcy ludzi,
06:34
whichktóry is callednazywa CAPTCHACAPTCHA artsztuka.
164
379000
2000
zwanym CAPTCHA art.
06:36
I'm sure some of you have heardsłyszał about it.
165
381000
2000
Jestem pewny, że niektórzy z was o tym słyszeli.
06:38
Here'sTutaj jest how it worksPrace.
166
383000
2000
Oto jak to działa.
06:40
ImagineWyobraź sobie you're usingza pomocą the InternetInternet and you see a CAPTCHACAPTCHA
167
385000
2000
Weźmy na to, że korzystacie z internetu i trafiacie na kod CAPTCHA,
06:42
that you think is somewhatnieco peculiarPeculiar,
168
387000
2000
który jest według was osobliwy,
06:44
like this CAPTCHACAPTCHA. (TextTekst: invisibleniewidzialny toastertoster)
169
389000
2000
jak np. ten: niewidzialny toster.
06:46
Then what you're supposeddomniemany to do is you take a screenekran shotstrzał of it.
170
391000
2000
Następnie robimy screenshota
06:48
Then of coursekurs, you fillwypełniać out the CAPTCHACAPTCHA
171
393000
2000
i oczywiście wypełniamy pole CAPTCHA,
06:50
because you help us digitizedigitalizacji a bookksiążka.
172
395000
2000
ponieważ pomagamy zdigitalizować książkę.
06:52
But then, first you take a screenekran shotstrzał,
173
397000
2000
Najpierw robimy screenshot
06:54
and then you drawrysować something that is relatedzwiązane z to it.
174
399000
2000
i rysujemy coś z tym związanego.
06:56
(LaughterŚmiech)
175
401000
2000
(Śmiech)
06:58
That's how it worksPrace.
176
403000
3000
Tak to działa.
07:01
There are tenskilkadziesiąt of thousandstysiące of these.
177
406000
3000
Są ich dziesiątki tysięcy.
07:04
Some of them are very cuteładny. (TextTekst: clenchedzaciśnięte it)
178
409000
2000
Niektóre są słodkie (Tekst: zacisnąłem piąstkę).
07:06
(LaughterŚmiech)
179
411000
2000
(Śmiech)
07:08
Some of them are funnierzabawniej.
180
413000
2000
Niektóre śmieszne.
07:10
(TextTekst: stonednaćpany foundersZałożyciele)
181
415000
3000
(Tekst: upaleni Założyciele)
07:13
(LaughterŚmiech)
182
418000
3000
(Śmiech)
07:16
And some of them,
183
421000
2000
Niektóre z nich,
07:18
like paleontologicalpaleontologiczne shvisleshvisle,
184
423000
3000
np. paleontological shvisle,
07:21
they containzawierać SnoopSnoop DoggDogg.
185
426000
2000
zawierają slang Snoop Dogga.
07:23
(LaughterŚmiech)
186
428000
3000
(Śmiech)
07:26
Okay, so this is my favoriteulubiony numbernumer of reCAPTCHAreCAPTCHA.
187
431000
2000
To moja ulubiona liczba w reCAPTCHA.
07:28
So this is the favoriteulubiony thing that I like about this wholecały projectprojekt.
188
433000
3000
To najlepsza rzecz w tym projekcie.
07:31
This is the numbernumer of distinctodrębny people
189
436000
2000
To liczba odrębnych ludzi, którzy pomogli nam
07:33
that have helpedpomógł us digitizedigitalizacji at leastnajmniej one wordsłowo out of a bookksiążka throughprzez reCAPTCHAreCAPTCHA:
190
438000
3000
zdigitalizować przynajmniej jedno słowo z książki przez reCAPTCHA:
07:36
750 millionmilion,
191
441000
2000
750 milionów,
07:38
whichktóry is a little over 10 percentprocent of the world'srecyrodycyjstwo diecystwo recyrodycyjstwo diecystwo recy sektorcy populationpopulacja,
192
443000
2000
co stanowi nieco ponad 10% liczby ludności na świecie,
07:40
has helpedpomógł us digitizedigitalizacji humanczłowiek knowledgewiedza, umiejętności.
193
445000
2000
która pomogła zdigitalizować ludzką wiedzę.
07:42
And it is numbersliczby like these that motivatemotywować my researchBadania agendaprogram.
194
447000
3000
Takie liczby motywują mnie do dalszych badań.
07:45
So the questionpytanie that motivatesmotywuje my researchBadania is the followingnastępujący:
195
450000
3000
Kwestią, która motywuje mnie do badań,
07:48
If you look at humanity'sludzkość large-scalena dużą skalę achievementsosiągnięcia,
196
453000
2000
jeśli pomyślicie o wielkich osiągnięciach ludzkości,
07:50
these really bigduży things
197
455000
2000
tych naprawdę ważnych,
07:52
that humanityludzkość has gottenzdobyć togetherRazem and doneGotowe historicallyhistorycznie --
198
457000
3000
kiedy ludzie wspólnie zrobili coś historycznego,
07:55
like for exampleprzykład, buildingbudynek the pyramidspiramidy of EgyptEgipt
199
460000
2000
jak np. budowa piramid w Egipcie,
07:57
or the PanamaPanama CanalKanał
200
462000
2000
czy Kanału Panamskiego
07:59
or puttingwprowadzenie a man on the MoonKsiężyc --
201
464000
2000
lub wysłanie człowieka na Księżyc,
08:01
there is a curiousciekawy factfakt about them,
202
466000
2000
jest w nich coś ciekawego,
08:03
and it is that they were all doneGotowe with about the samepodobnie numbernumer off people.
203
468000
2000
wszystkich tych osiągnieć dokonano z mniej więcej tą samą liczbą ludzi.
08:05
It's weirddziwne; they were all doneGotowe with about 100,000 people.
204
470000
3000
To dziwne, ale wszystkie zostały dokonane z ok. 100 tys. ludzi.
08:08
And the reasonpowód for that is because, before the InternetInternet,
205
473000
3000
Dziwne, ponieważ przed powstaniem internetu,
08:11
coordinatingkoordynowanie more than 100,000 people,
206
476000
2000
zarządzanie 100 tys. ludzi,
08:13
let alonesam payingintratny them, was essentiallygłównie impossibleniemożliwy.
207
478000
3000
płacenie im, było w zasadzie niemożliwe.
08:16
But now with the InternetInternet, I've just shownpokazane you a projectprojekt
208
481000
2000
Jednak w dobie internetu, pokazałem wam właśnie projekt,
08:18
where we'vemamy gottenzdobyć 750 millionmilion people
209
483000
2000
w który zaangażowanych było 750 milionów ludzi,
08:20
to help us digitizedigitalizacji humanczłowiek knowledgewiedza, umiejętności.
210
485000
2000
pomagających zdigitalizować ludzką wiedzę.
08:22
So the questionpytanie that motivatesmotywuje my researchBadania is,
211
487000
2000
Kwestią motywującą moje badania jest to,
08:24
if we can put a man on the MoonKsiężyc with 100,000,
212
489000
3000
co można by zrobić ze 100 milionami ludzi,
08:27
what can we do with 100 millionmilion?
213
492000
2000
jeśli ze 100 tys. mogliśmy wysłać człowieka na Księżyc.
08:29
So basedna podstawie on this questionpytanie,
214
494000
2000
Opierając się na tym pytaniu,
08:31
we'vemamy had a lot of differentróżne projectsprojektowanie that we'vemamy been workingpracujący on.
215
496000
2000
przeprowadziliśmy wiele projektów.
08:33
Let me tell you about one that I'm mostwiększość excitedpodekscytowany about.
216
498000
3000
Opowiem o jednym, który mnie najbardziej ekscytuje.
08:36
This is something that we'vemamy been semi-quietlypół-spokojnie workingpracujący on
217
501000
2000
Pracowaliśmy nad nim
08:38
for the last yearrok and a halfpół or so.
218
503000
2000
od mniej więcej półtora roku.
08:40
It hasn'tnie ma yetjeszcze been launcheduruchomiona. It's callednazywa DuolingoDuolingo.
219
505000
2000
Jeszcze nie funkcjonuje. Nazywa się Duolingo.
08:42
SinceOd it hasn'tnie ma been launcheduruchomiona, shhhhhShhhhh!
220
507000
2000
Ale cicho, jeszcze nie działa.
08:44
(LaughterŚmiech)
221
509000
2000
(Śmiech)
08:46
Yeah, I can trustzaufanie you'llTy będziesz do that.
222
511000
2000
OK, ufam wam.
08:48
So this is the projectprojekt. Here'sTutaj jest how it startedRozpoczęty.
223
513000
2000
Oto ten projekt. Tak się rozpoczął.
08:50
It startedRozpoczęty with me posingpozowanie a questionpytanie to my graduateukończyć studentstudent,
224
515000
2000
Zaczęło się od tego, że zadałem pytanie swojemu studentowi,
08:52
SeverinSeverin HackerHaker.
225
517000
2000
Severinowi Hackerowi.
08:54
Okay, that's SeverinSeverin HackerHaker.
226
519000
2000
OK, to jest Severin Hacker.
08:56
So I posedJakie the questionpytanie to my graduateukończyć studentstudent.
227
521000
2000
Zadałem mu pytanie.
08:58
By the way, you did hearsłyszeć me correctlyprawidłowo;
228
523000
2000
Tak poza tym, dobrze usłyszeliście;
09:00
his last nameNazwa is HackerHaker.
229
525000
2000
nazywa się Hacker (z ang. haker).
09:02
So I posedJakie this questionpytanie to him:
230
527000
2000
Zadałem mu następujące pytanie:
09:04
How can we get 100 millionmilion people
231
529000
2000
Co zrobić, by 100 milionów ludzi
09:06
translatingtłumaczenia the WebSieci Web into everykażdy majorpoważny languagejęzyk for freewolny?
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 questionpytanie.
233
534000
2000
Wiele można powiedzieć o tym pytaniu.
09:11
First of all, translatingtłumaczenia the WebSieci Web.
234
536000
2000
Po pierwsze, tłumaczenie zasobów internetu,
09:13
So right now the WebSieci Web is partitionedpodzielonym na partycje into multiplewielokrotność languagesJęzyki.
235
538000
3000
które obecnie podzielony jest na wiele języków.
09:16
A largeduży fractionfrakcja of it is in EnglishAngielski.
236
541000
2000
Ogromną jego częścią jest język angielski.
09:18
If you don't know any EnglishAngielski, you can't accessdostęp it.
237
543000
2000
Nie znając angielskiego, nie będziecie mieć do niej dostępu.
09:20
But there's largeduży fractionsfrakcje in other differentróżne languagesJęzyki,
238
545000
2000
Są również duże części w innych językach,
09:22
and if you don't know those languagesJęzyki, you can't accessdostęp it.
239
547000
3000
nie znając ich, nie będziecie mieć do nich dostępu.
09:25
So I would like to translateTłumaczyć all of the WebSieci Web, or at leastnajmniej mostwiększość of the WebSieci Web,
240
550000
3000
Chciałbym przetłumaczyć cały internet albo chociaż większą jego część,
09:28
into everykażdy majorpoważny languagejęzyk.
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 maymoże say, why can't we use computerskomputery to translateTłumaczyć?
243
557000
3000
Niektórzy spytają: dlaczego nie możemy użyć komputerów do tłumaczenia?
09:35
Why can't we use machinemaszyna translationtłumaczenie?
244
560000
2000
Czemu nie zastosujemy tłumaczenia maszynowego?
09:37
MachineMaszyny translationtłumaczenie nowadaysdzisiaj is startingstartowy to translateTłumaczyć some sentenceszdań 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 translateTłumaczyć the wholecały WebSieci Web?
246
564000
2000
Dlaczego przy jego pomocy nie przetłumaczyć całego internetu?
09:41
Well the problemproblem with that is that it's not yetjeszcze good enoughdość
247
566000
2000
Problem w tym, że tłumaczenie maszynowe nie jest jeszcze dość rozwinięte
09:43
and it probablyprawdopodobnie won'tprzyzwyczajenie be for the nextNastępny 15 to 20 yearslat.
248
568000
2000
i prawdopodobnie nie będzie przez najbliższe 15-20 lat.
09:45
It makesczyni a lot of mistakesbłędy.
249
570000
2000
Popełnia wiele błędów.
09:47
Even when it doesn't make a mistakebłąd,
250
572000
2000
Nawet jeśli gdzieś nie zrobi błędu, to ponieważ popełnia ich
09:49
sinceod it makesczyni so manywiele mistakesbłędy, you don't know whetherczy to trustzaufanie it or not.
251
574000
3000
tak wiele, nie wiemy czy tamu zaufać, czy nie.
09:52
So let me showpokazać you an exampleprzykład
252
577000
2000
Pokażę wam przykład tekstu
09:54
of something that was translatedprzetłumaczony with a machinemaszyna.
253
579000
2000
tłumaczonego maszynowo.
09:56
ActuallyFaktycznie it was a forumForum poststanowisko.
254
581000
2000
To był wpis na forum zamieszczony
09:58
It was somebodyktoś who was tryingpróbować to askzapytać a questionpytanie about JavaScriptJavaScript.
255
583000
3000
przez kogoś, kto zapytał o JavaScript.
10:01
It was translatedprzetłumaczony from JapaneseJapoński into EnglishAngielski.
256
586000
3000
Wpis przetłumaczono z języka japońskiego na angielski.
10:04
So I'll just let you readczytać.
257
589000
2000
Dam wam przeczytać.
10:06
This personosoba startszaczyna się apologizingprzeprosin
258
591000
2000
Na początku, ten ktoś przeprasza,
10:08
for the factfakt that it's translatedprzetłumaczony with a computerkomputer.
259
593000
2000
że przetłumaczył pytanie maszynowo.
10:10
So the nextNastępny sentencezdanie is is going to be the preamblepreambuła to the questionpytanie.
260
595000
3000
Kolejne zdanie jest wstępem do pytania.
10:13
So he's just explainingwyjaśniając something.
261
598000
2000
Coś wyjaśnia.
10:15
RememberNależy pamiętać, it's a questionpytanie about JavaScriptJavaScript.
262
600000
3000
Pamiętajcie, to pytanie o dotyczące JavaScript.
10:19
(TextTekst: At oftenczęsto, the goat-timeKoza czas installzainstalować a errorbłąd is vomitwymiotować.)
263
604000
4000
(Tekst: Często, długi czas instalowaći błąd zwymiotować.)
10:23
(LaughterŚmiech)
264
608000
4000
(Śmiech)
10:27
Then comespochodzi the first partczęść of the questionpytanie.
265
612000
3000
Następnie, pierwsza część pytania.
10:30
(TextTekst: How manywiele timesczasy like the windwiatr, a polePolak, and the dragonsmok?)
266
615000
4000
(Tekst: Ile razy lubić wiatr, biegun i smoka?)
10:34
(LaughterŚmiech)
267
619000
2000
(Śmiech)
10:36
Then comespochodzi my favoriteulubiony partczęść of the questionpytanie.
268
621000
3000
Wreszcie moja ulubiona część pytania.
10:39
(TextTekst: This insultZniewaga to father'sojca stoneskamienie?)
269
624000
3000
(Tekst: To obrażać ojca kamienie?)
10:42
(LaughterŚmiech)
270
627000
2000
(Śmiech)
10:44
And then comespochodzi the endingkończący się, whichktóry is my favoriteulubiony partczęść of the wholecały thing.
271
629000
3000
Następnie końcówka, czyli moja ulubiona część całego postu.
10:47
(TextTekst: Please apologizeprzepraszać for your stupiditygłupota. There are a manywiele thank you.)
272
632000
4000
(Tekst: Proszę przeprosić za swoją głupotę. Bardzo ci dziękować.)
10:51
(LaughterŚmiech)
273
636000
2000
(Śmiech)
10:53
Okay, so computerkomputer translationtłumaczenie, not yetjeszcze good enoughdość.
274
638000
2000
Więc tłumaczenie maszynowe nie jest na razie dostatecznie dobre.
10:55
So back to the questionpytanie.
275
640000
2000
Wracając do naszego pytania.
10:57
So we need people to translateTłumaczyć the wholecały WebSieci Web.
276
642000
3000
Potrzebujemy ludzi do przetłumaczenia całego internetu.
11:00
So now the nextNastępny questionpytanie you maymoże have is,
277
645000
2000
Kolejne pytanie, jakie możecie zadać, to:
11:02
well why can't we just payzapłacić people to do this?
278
647000
2000
dlaczego nie możemy ludziom za to zapłacić?
11:04
We could payzapłacić professionalprofesjonalny languagejęzyk translatorsTłumacze to translateTłumaczyć the wholecały WebSieci 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
UnfortunatelyNiestety, it would be extremelyniezwykle expensivedrogi.
281
654000
2000
Niestety byłoby to niezwykle kosztowne,
11:11
For exampleprzykład, translatingtłumaczenia a tinymalutki, tinymalutki fractionfrakcja of the wholecały WebSieci Web, WikipediaWikipedia,
282
656000
3000
np. tłumaczenie małej części internetu, Wikipedii,
11:14
into one other languagejęzyk, SpanishHiszpański.
283
659000
3000
na język hiszpański.
11:17
WikipediaWikipedia existsistnieje in SpanishHiszpański,
284
662000
2000
Istnieje wersja hiszpańska Wikipedii,
11:19
but it's very smallmały comparedporównywane to the sizerozmiar of EnglishAngielski.
285
664000
2000
ale jest bardzo mała, w porównaniu z wersją angielską.
11:21
It's about 20 percentprocent of the sizerozmiar of EnglishAngielski.
286
666000
2000
Stanowi ok. 20% angielskiej Wikipedii.
11:23
If we wanted to translateTłumaczyć the other 80 percentprocent into SpanishHiszpański,
287
668000
3000
Jeśli chcielibyśmy przetłumaczyć pozostałe 80% na język hiszpański,
11:26
it would costkoszt at leastnajmniej 50 millionmilion dollarsdolarów --
288
671000
2000
kosztowałoby to nas przynajmniej 50 milionów dolarów,
11:28
and this is at even the mostwiększość exploitedwykorzystana, outsourcingOutsourcing countrykraj out there.
289
673000
3000
i to w w najbardziej wyzyskiwanym kraju.
11:31
So it would be very expensivedrogi.
290
676000
2000
Byłoby to bardzo drogie.
11:33
So what we want to do is we want to get 100 millionmilion people
291
678000
2000
Chcemy zebrać 100 milionów ludzi,
11:35
translatingtłumaczenia the WebSieci Web into everykażdy majorpoważny languagejęzyk
292
680000
2000
by tłumaczyli internet na każdy z liczących się języków
11:37
for freewolny.
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 prettyładny quicklyszybko realizerealizować you're going to runbiegać into two prettyładny bigduży hurdlespłotki,
295
686000
2000
bardzo szybko można trafić
11:43
two bigduży obstaclesprzeszkody.
296
688000
2000
na dwie duże przeszkody.
11:45
The first one is a lackbrak of bilingualsdwujęzyczne.
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 existsistnieje 100 millionmilion people out there usingza pomocą the WebSieci Web
299
695000
3000
czy jest 100 milionów ludzi korzystających z internetu,
11:53
who are bilingualdwujęzyczny enoughdość to help us translateTłumaczyć.
300
698000
2000
którzy znają dwa języki na tyle, by pomóc nam tłumaczyć.
11:55
That's a bigduży problemproblem.
301
700000
2000
To duży problem.
11:57
The other problemproblem you're going to runbiegać into is a lackbrak of motivationmotywacja.
302
702000
2000
Po drugie, odczujemy brak motywacji.
11:59
How are we going to motivatemotywować people
303
704000
2000
Jak zmotywować ludzi
12:01
to actuallytak właściwie translateTłumaczyć the WebSieci Web for freewolny?
304
706000
2000
do tłumaczenia internetu za darmo?
12:03
NormallyNormalnie, you have to payzapłacić people to do this.
305
708000
3000
Normalnie trzeba ludziom za to płacić.
12:06
So how are we going to motivatemotywować them to do it for freewolny?
306
711000
2000
Jak ich zmotywować do robienia tego za darmo?
12:08
Now when we were startingstartowy to think about this, we were blockedzablokowany by these two things.
307
713000
3000
Na początku projektu, powstrzymywały nas właśnie te dwie rzeczy.
12:11
But then we realizedrealizowany, there's actuallytak właściwie a way
308
716000
2000
Uświadomiliśmy sobie jednak, że jest sposób
12:13
to solverozwiązać bothobie these problemsproblemy with the samepodobnie solutionrozwiązanie.
309
718000
2000
na rozwiązanie obu tych problemów.
12:15
There's a way to killzabić two birdsptaki with one stonekamień.
310
720000
2000
Można upiec dwie pieczenie na jednym ogniu.
12:17
And that is to transformprzekształcać languagejęzyk translationtłumaczenie
311
722000
3000
Przekształcić tłumaczenie
12:20
into something that millionsmiliony of people want to do,
312
725000
3000
w coś, co miliony ludzi chciałoby robić,
12:23
and that alsorównież helpspomaga with the problemproblem of lackbrak of bilingualsdwujęzyczne,
313
728000
3000
co pomogłoby rozwiązać problem braku osób dwujęzycznych,
12:26
and that is languagejęzyk educationEdukacja.
314
731000
3000
a rozwiązaniem tym jest edukacja językowa.
12:29
So it turnsskręca out that todaydzisiaj,
315
734000
2000
Okazuje się, że obecnie
12:31
there are over 1.2 billionmiliard people learninguczenie się a foreignobcy languagejęzyk.
316
736000
3000
1,2 miliarda ludzi uczy się języka obcego.
12:34
People really, really want to learnuczyć się a foreignobcy languagejęzyk.
317
739000
2000
Ludzie bardzo chcą uczyć się języków obcych.
12:36
And it's not just because they're beingistota forcedwymuszony to do so in schoolszkoła.
318
741000
3000
Nie tylko dlatego, że zmuszano ich do tego w szkole,
12:39
For exampleprzykład, in the UnitedStany Zjednoczone StatesPaństwa alonesam,
319
744000
2000
np. w samych Stanach Zjednoczonych ,
12:41
there are over fivepięć millionmilion people who have paidpłatny over $500
320
746000
2000
jest ponad 5 mln ludzi, którzy wydali ponad 500 dolarów
12:43
for softwareoprogramowanie to learnuczyć się a newNowy languagejęzyk.
321
748000
2000
na oprogramowanie do nauki języków.
12:45
So people really, really want to learnuczyć się a newNowy languagejęzyk.
322
750000
2000
Ludzie bardzo, bardzo chcą uczyć się języków.
12:47
So what we'vemamy been workingpracujący on for the last yearrok and a halfpół is a newNowy websitestronie internetowej --
323
752000
3000
Przez ostatnie półtora roku pracowaliśmy nad nową stroną,
12:50
it's callednazywa DuolingoDuolingo --
324
755000
2000
Duolingo,
12:52
where the basicpodstawowy ideapomysł is people learnuczyć się a newNowy languagejęzyk for freewolny
325
757000
3000
której podstawowym założeniem jest to, że ludzie mogą uczyć się nowego języka za darmo,
12:55
while simultaneouslyrównocześnie translatingtłumaczenia the WebSieci Web.
326
760000
2000
jednocześnie tłumacząc internet.
12:57
And so basicallygruntownie they're learninguczenie się by doing.
327
762000
2000
Uczą się poprzez praktykę.
12:59
So the way this worksPrace
328
764000
2000
Działa to w ten sposób,
13:01
is wheneverkiedy tylko you're a just a beginnerdla początkujących, we give you very, very simpleprosty sentenceszdań.
329
766000
3000
że jeśli jesteś początkujący, dajemy ci bardzo proste zdania.
13:04
There's, of coursekurs, a lot of very simpleprosty sentenceszdań on the WebSieci Web.
330
769000
2000
W internecie jest masa prostych zdań.
13:06
We give you very, very simpleprosty sentenceszdań
331
771000
2000
Dajemy wam proste zdania
13:08
alongwzdłuż with what eachkażdy wordsłowo meansznaczy.
332
773000
2000
ze znaczeniem poszczególnych słów.
13:10
And as you translateTłumaczyć them, and as you see how other people translateTłumaczyć them,
333
775000
3000
Tłumacząc je i widząc jak inni je tłumaczą,
13:13
you startpoczątek learninguczenie się the languagejęzyk.
334
778000
2000
zaczynacie uczyć się języka.
13:15
And as you get more and more advancedzaawansowane,
335
780000
2000
Wraz ze wzrostem zaawansowania
13:17
we give you more and more complexzłożony sentenceszdań to translateTłumaczyć.
336
782000
2000
dajemy wam do tłumaczenia coraz bardziej skomplikowane zdania.
13:19
But at all timesczasy, you're learninguczenie się by doing.
337
784000
2000
Cały czas uczycie się poprzez praktykę.
13:21
Now the crazyzwariowany thing about this methodmetoda
338
786000
2000
Może to zwariowane, ale ta metoda
13:23
is that it actuallytak właściwie really worksPrace.
339
788000
2000
naprawdę działa.
13:25
First of all, people are really, really learninguczenie się a languagejęzyk.
340
790000
2000
Po pierwsze, ludzie rzeczywiście uczą się języka.
13:27
We're mostlyprzeważnie doneGotowe buildingbudynek it, and now we're testingtestowanie it.
341
792000
2000
Strona jest prawie skończona i teraz ją testujemy.
13:29
People really can learnuczyć się a languagejęzyk with it.
342
794000
2000
Ludzie przy jej pomocy naprawdę mogą nauczyć się języka.
13:31
And they learnuczyć się it about as well as the leadingprowadzący languagejęzyk learninguczenie się softwareoprogramowanie.
343
796000
3000
Uczą się równie dobrze, jak przy użyciu wiodących programów do nauki języków.
13:34
So people really do learnuczyć się a languagejęzyk.
344
799000
2000
Ludzie naprawdę uczą się języka.
13:36
And not only do they learnuczyć się it as well,
345
801000
2000
Nie tylko dobrze się go uczą,
13:38
but actuallytak właściwie it's way more interestingciekawy.
346
803000
2000
ale również uczą się w interesujący sposób.
13:40
Because you see with DuolingoDuolingo, people are actuallytak właściwie learninguczenie się with realreal contentzadowolony.
347
805000
3000
Na Duolingo ludzie uczą się na autentycznych materiałach.
13:43
As opposedprzeciwny to learninguczenie się with made-upkonfekcjonowane sentenceszdań,
348
808000
2000
W przeciwieństwie do nauki na wymyślonych zdaniach,
13:45
people are learninguczenie się with realreal contentzadowolony, whichktóry is inherentlywłaściwie interestingciekawy.
349
810000
3000
ludzie uczą się na autentycznych materiałach, co jest bardzo interesujące.
13:48
So people really do learnuczyć się a languagejęzyk.
350
813000
2000
Ludzie więc naprawdę uczą się języka.
13:50
But perhapsmoże more surprisinglyzaskakująco,
351
815000
2000
Co bardziej zaskakujące,
13:52
the translationsTłumaczenia that we get from people usingza pomocą the siteteren,
352
817000
3000
to że tłumaczenia naszych użytkowników,
13:55
even thoughchociaż they're just beginnersdla początkujących,
353
820000
2000
pomimo tego że są początkującymi,
13:57
the translationsTłumaczenia that we get are as accuratedokładny as those of professionalprofesjonalny languagejęzyk translatorsTłumacze,
354
822000
3000
są precyzyjne jak te,
14:00
whichktóry is very surprisingzaskakujący.
355
825000
2000
wykonane przez profesjonalnych tłumaczy,
14:02
So let me showpokazać you one exampleprzykład.
356
827000
2000
np. to zdanie zostało
14:04
This is a sentencezdanie that was translatedprzetłumaczony from GermanNiemiecki into EnglishAngielski.
357
829000
2000
przetłumaczone z języka niemieckiego na angielski.
14:06
The topTop is the GermanNiemiecki.
358
831000
2000
Na samej górze jest zdanie po niemiecku.
14:08
The middleśrodkowy is an EnglishAngielski translationtłumaczenie
359
833000
2000
W środku jest tłumaczenie angielskie,
14:10
that was doneGotowe by somebodyktoś who was a professionalprofesjonalny EnglishAngielski translatortłumacz
360
835000
2000
wykonane przez profesjonalnego tłumacza języka angielskiego,
14:12
who we paidpłatny 20 centscentów a wordsłowo for this translationtłumaczenie.
361
837000
2000
któremu płaciliśmy 20 centów za słowo tłumaczenia.
14:14
And the bottomDolny is a translationtłumaczenie by usersużytkowników of DuolingoDuolingo,
362
839000
3000
Na dole znajduje się tłumaczenie użytkownika Duolingo.
14:17
noneŻaden of whomkogo knewwiedziałem any GermanNiemiecki
363
842000
2000
Żaden z nich nie znał niemieckiego
14:19
before they startedRozpoczęty usingza pomocą the siteteren.
364
844000
2000
przed skorzystaniem z naszej strony.
14:21
You can see, it's prettyładny much perfectidealny.
365
846000
2000
Sami widzicie, że jest całkiem dobre.
14:23
Now of coursekurs, we playgrać a tricksztuczka here
366
848000
2000
Oczywiście robimy pewną sztuczkę,
14:25
to make the translationsTłumaczenia as good as professionalprofesjonalny languagejęzyk translatorsTłumacze.
367
850000
2000
by tłumaczenia by wyglądały profesjonalnie.
14:27
We combinepołączyć the translationsTłumaczenia of multiplewielokrotność beginnersdla początkujących
368
852000
3000
Łączymy tłumaczenia wielu początkujących użytkowników,
14:30
to get the qualityjakość of a singlepojedynczy professionalprofesjonalny translatortłumacz.
369
855000
3000
by osiągnąć jakość jednego profesjonalnego tłumacza.
14:33
Now even thoughchociaż we're combiningłącząc the translationsTłumaczenia,
370
858000
5000
Pomimo łączenia tłumaczeń,
14:38
the siteteren actuallytak właściwie can translateTłumaczyć prettyładny fastszybki.
371
863000
2000
strona działa nadzwyczaj szybko.
14:40
So let me showpokazać you,
372
865000
2000
Pozwólcie, że wam pokażę,
14:42
this is our estimatesszacunki of how fastszybki we could translateTłumaczyć WikipediaWikipedia
373
867000
2000
to nasze dane szacunkowe, jak szybko moglibyśmy przetłumaczyć Wikipedię
14:44
from EnglishAngielski into SpanishHiszpański.
374
869000
2000
z angielskiego na hiszpański.
14:46
RememberNależy pamiętać, this is 50 millionmilion dollars-worthdolarów warto of valuewartość.
375
871000
3000
Pamiętajcie, jest to warte 50 mln dolarów.
14:49
So if we wanted to translateTłumaczyć WikipediaWikipedia into SpanishHiszpański,
376
874000
2000
Jeśli chcielibyśmy przetłumaczyć Wikipedię
14:51
we could do it in fivepięć weekstygodnie with 100,000 activeaktywny usersużytkowników.
377
876000
3000
na język hiszpański, mając 100 tys. aktywnych użytkowników,
14:54
And we could do it in about 80 hoursgodziny with a millionmilion activeaktywny usersużytkowników.
378
879000
3000
moglibyśmy zrobić to w 5 tygodni, a mając milion - w 80 godzin.
14:57
SinceOd all the projectsprojektowanie that my groupGrupa has workedpracował on so fardaleko have gottenzdobyć millionsmiliony of usersużytkowników,
379
882000
3000
Ponieważ wszystkie projekty opracowane z moją grupą zyskały miliony użytkowników,
15:00
we're hopefulpełen nadziei that we'lldobrze be ablezdolny to translateTłumaczyć
380
885000
2000
mamy nadzieję, że ten projekt
15:02
extremelyniezwykle fastszybki with this projectprojekt.
381
887000
2000
pozwoli nam tłumaczyć w bardzo szybki sposób.
15:04
Now the thing that I'm mostwiększość excitedpodekscytowany about with DuolingoDuolingo
382
889000
3000
Tym, co mnie w Duolingo najbardziej cieszy
15:07
is I think this provideszapewnia a fairtargi businessbiznes modelModel for languagejęzyk educationEdukacja.
383
892000
3000
jest to, że stwarza uczciwy model biznesowy dla edukacji językowej.
15:10
So here'soto jest the thing:
384
895000
2000
Wygląda to tak.
15:12
The currentobecny businessbiznes modelModel for languagejęzyk educationEdukacja
385
897000
2000
Obecny model edukacji językowej
15:14
is the studentstudent payspłaci,
386
899000
2000
wygląda tak: student płaci za naukę.
15:16
and in particularszczególny, the studentstudent payspłaci RosettaRosetta StoneKamień 500 dollarsdolarów.
387
901000
2000
Co więcej, płaci 500 dolarów za program Rosetta Stone.
15:18
(LaughterŚmiech)
388
903000
2000
(Śmiech)
15:20
That's the currentobecny businessbiznes modelModel.
389
905000
2000
To obecny model.
15:22
The problemproblem with this businessbiznes modelModel
390
907000
2000
Problem z tym modelem polega na tym,
15:24
is that 95 percentprocent of the world'srecyrodycyjstwo diecystwo recyrodycyjstwo diecystwo recy sektorcy populationpopulacja doesn't have 500 dollarsdolarów.
391
909000
3000
że 95% ludzi na świecie nie ma 500 dolarów.
15:27
So it's extremelyniezwykle unfairnieuczciwe towardsw kierunku the poorubogi.
392
912000
3000
To strasznie niesprawiedliwe wobec biednych.
15:30
This is totallycałkowicie biasedstronniczy towardsw kierunku the richbogaty.
393
915000
2000
To całkowity ukłon w stronę bogatych.
15:32
Now see, in DuolingoDuolingo,
394
917000
2000
W przypadku Duolingo
15:34
because while you learnuczyć się
395
919000
2000
ucząc się,
15:36
you're actuallytak właściwie creatingtworzenie valuewartość, you're translatingtłumaczenia stuffrzeczy --
396
921000
3000
tworzy się wartość, tłumaczy prawdziwe rzeczy,
15:39
whichktóry for exampleprzykład, we could chargeopłata somebodyktoś for translationsTłumaczenia.
397
924000
3000
za które to tłumaczenia moglibyśmy pobierać opłaty.
15:42
So this is how we could monetizezarabiać na this.
398
927000
2000
Tak moglibyśmy to spieniężyć.
15:44
SinceOd people are creatingtworzenie valuewartość while they're learninguczenie się,
399
929000
2000
Ponieważ ludzie tworzą podczas nauki,
15:46
they don't have to payzapłacić theirich moneypieniądze, they payzapłacić with theirich time.
400
931000
3000
nie muszą płacić pieniędzmi, bo płacą swoim czasem.
15:49
But the magicalmagiczny thing here is that they're payingintratny with theirich time,
401
934000
3000
Najlepsze jest to, że płacą własnym czasem,
15:52
but that is time that would have had to have been spentwydany anywaystak czy owak
402
937000
2000
który i tak spędziliby
15:54
learninguczenie się the languagejęzyk.
403
939000
2000
na nauce języka obcego.
15:56
So the nicemiły thing about DuolingoDuolingo is I think it provideszapewnia a fairtargi businessbiznes modelModel --
404
941000
3000
Fajne w Duolingo jest to, że opiera się na uczciwym modelu biznesowym,
15:59
one that doesn't discriminatedyskryminacji againstprzeciwko poorubogi people.
405
944000
2000
który nie dyskryminuje ludzi biednych.
16:01
So here'soto jest the siteteren. Thank you.
406
946000
2000
Oto adres strony. Dziękuję.
16:03
(ApplauseAplauz)
407
948000
8000
(Oklaski)
16:11
So here'soto jest the siteteren.
408
956000
2000
Ta strona nie została jeszcze uruchomiona,
16:13
We haven'tnie mam yetjeszcze launcheduruchomiona,
409
958000
2000
Ta strona nie została jeszcze uruchomiona,
16:15
but if you go there, you can signznak up to be partczęść of our privateprywatny betabeta,
410
960000
3000
ale jeśli na nią wejdziecie, możecie się zapisać na testy wersji beta,
16:18
whichktóry is probablyprawdopodobnie going to startpoczątek in about threetrzy or fourcztery weekstygodnie.
411
963000
2000
które najpewniej zaczną się za 3 - 4 tygodnie.
16:20
We haven'tnie mam yetjeszcze launcheduruchomiona this DuolingoDuolingo.
412
965000
2000
Duolingo nie zostało jeszcze uruchomione.
16:22
By the way, I'm the one talkingmówić here,
413
967000
2000
Tak poza tym, jestem tu sam,
16:24
but actuallytak właściwie DuolingoDuolingo is the work of a really awesomeniesamowite teamzespół, some of whomkogo 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
(ApplauseAplauz)
416
974000
4000
(Oklaski)
Translated by Bartłomiej Szóstak
Reviewed by Agata Lesnicka

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Luis von Ahn | Speaker | TED.com