TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Луис фон Ан: Массовое онлайн-сотрудничество
Filmed:
Readability: 3.8
1,740,008 views
После изменения модели CAPTCHA таким образом, что ввод каждого человека стал помогать оцифровывать книги, Луис фон Ан думал, как ещё использовать маленький вклад каждого из огромного числа людей в интернете на благо. На TEDxCMU, он рассказывает, как его новый амбициозный проект Duolingo поможет миллионам людей выучить новый язык, быстро и точно переводя интернет — и всё это бесплатно.
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
Скольким из вас приходилось заполнять какую-нибудь веб-форму,
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
где требовалось прочитать искаженный ряд символов, такой как этот?
00:19
How many of you found it really, really annoying?
2
4000
2000
Скольким из вас это показалось очень, очень раздражающим?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Хорошо, многим. Я это придумал.
00:24
(Laughter)
4
9000
2000
(Смех)
00:26
Or I was one of the people who did it.
5
11000
2000
Ну или я один из тех, кто это сделал.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Эта штука называется капча (CAPTCHA).
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Она нужна, чтобы убедиться, что форма
00:32
are actually a human and not some sort of computer program
8
17000
3000
заполняется человеком, а не программой,
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
предназначенной для отправки формы миллионы раз.
00:37
The reason it works is because humans,
10
22000
2000
Она работает, потому что люди,
00:39
at least non-visually-impaired humans,
11
24000
2000
как минимум люди с нормальным зрением,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
легко могут прочитать эти искажённые символы,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
а программы пока не справляются с этим так же хорошо.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Например, в случае сайта Ticketmaster,
00:48
the reason you have to type these distorted characters
15
33000
2000
вам нужно печатать эти искажённые символы,
00:50
is to prevent scalpers from writing a program
16
35000
2000
чтобы спекулянты не могли написать программу,
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
покупающую миллионы билетов, по паре за раз.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
Капча используются повсюду в интернете.
00:56
And since they're used so often,
19
41000
2000
И поскольку она так часто используются,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
нередко конкретная последовательность случайных символов,
01:00
is not so fortunate.
21
45000
2000
показываемая пользователю, оказывается не очень удачной.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Это пример со страницы регистрации Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Случайные символы, которые видел пользователь,
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
оказались W, A, I, T [подожди], и сложились в слово.
01:10
But the best part is the message
25
55000
3000
Однако самое интересное — сообщение
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
в службу поддержки Yahoo 20 минут спустя.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Текст: «Помогите! Я ждал больше 20 минут, но ничего не происходит».
01:19
(Laughter)
28
64000
4000
(Смех)
01:23
This person thought they needed to wait.
29
68000
2000
Этот человек подумал, надо подождать.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Конечно, это не так плохо, как у этого бедняги.
01:28
(Laughter)
31
73000
2000
(Смех) [текст: перезагрузитесь]
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Мы сделали проект CAPTCHA здесь, в университете Карнеги-Меллон больше 10 лет назад,
01:33
and it's been used everywhere.
33
78000
2000
и он используется повсеместно.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Сейчас я расскажу о проекте, который мы сделали несколько лет спустя,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
он является следующим этапом эволюции CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Этот проект мы назвали reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
и начали его здесь в университете Карнеги-Меллон,
01:44
then we turned it into a startup company.
38
89000
2000
а затем превратили в молодую компанию.
01:46
And then about a year and a half ago,
39
91000
2000
Примерно полтора года спустя,
01:48
Google actually acquired this company.
40
93000
2000
Google купил эту компанию.
01:50
So let me tell you what this project started.
41
95000
2000
Позвольте рассказать о начале проекта.
01:52
So this project started from the following realization:
42
97000
3000
Этот проект начался со следующего озарения.
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
Оказывается, примерно 200 миллионов капчей
01:57
are typed everyday by people around the world.
44
102000
3000
вводится каждый день людьми в мире.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
Когда я первый раз это услышал, я был очень горд собой.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Я подумал о влиянии своих исследований.
02:04
But then I started feeling bad.
47
109000
2000
Но затем начались угрызения совести.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
Каждый раз при вводе капчи,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
вы теряете 10 секунд вашего времени.
02:11
And if you multiply that by 200 million,
50
116000
2000
Если умножить это на 200 миллионов,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
оказывается, человечество теряет 500 000 часов каждый день,
02:16
typing these annoying CAPTCHAs.
52
121000
2000
вводя надоедливые капчи.
02:18
So then I started feeling bad.
53
123000
2000
После этого совесть меня загрызла.
02:20
(Laughter)
54
125000
2000
(Смех)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
И я начал думать, ладно, мы не можем избавиться от капчей,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
потому что от них зависит безопасность интернета.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Я начал думать, можно ли использовать
02:30
for something that is good for humanity?
58
135000
2000
эти усилия с пользой для человечества?
02:32
So see, here's the thing.
59
137000
2000
Итак, вот в чём дело.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Пока вы вводите капчу, в эти 10 секунд,
02:36
your brain is doing something amazing.
61
141000
2000
ваш мозг делает удивительные вещи.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Ваш мозг делает то, что компьютеры пока не умеют.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Можем ли мы использовать эти 10 секунд для полезной работы?
02:43
Another way of putting it is,
64
148000
2000
Другими словами, есть ли некая гигантская проблема,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
которую компьютеры решить не могут,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
но которую можно поделить на мелкие 10-секундные кусочки так,
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
что каждый раз, когда кто-то решает капчу,
02:52
they solve a little bit of this problem?
68
157000
2000
он решает маленький кусочек этой проблемы?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Ответ — «да», и именно это мы сейчас делаем.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Вы можете не знать, но сегодня при вводе капчи,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
вы не только подтверждаете, что вы человек,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
но вдобавок вы помогаете нам оцифровывать книги.
03:03
So let me explain how this works.
73
168000
2000
Позвольте объяснить, как это работает.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Есть много проектов по оцифровке книг.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
У Google, у The Internet Archive.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, теперь с Kindle, пытается оцифровывать книги.
03:12
Basically the way this works
77
177000
2000
Это выглядит примерно так:
03:14
is you start with an old book.
78
179000
2000
сначала есть старая книга.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Видели эти штуки, верно? Ну... книги...
03:18
(Laughter)
80
183000
2000
(Смех)
03:20
So you start with a book, and then you scan it.
81
185000
2000
У нас есть книга, и мы её сканируем.
03:22
Now scanning a book
82
187000
2000
Сканирование книги, это как
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
фотографирование каждой страницы.
03:26
It gives you an image for every page of the book.
84
191000
2000
Мы получаем изображение каждой страницы книги.
03:28
This is an image with text for every page of the book.
85
193000
2000
Это изображение с текстом каждой страницы книги.
03:30
The next step in the process
86
195000
2000
Следующий шаг в этом процессе —
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
компьютеру нужно расшифровать все слова в этом изображении.
03:35
That's using a technology called OCR,
88
200000
2000
При этом используется технология OCR,
03:37
for optical character recognition,
89
202000
2000
оптическое распознавание символов,
03:39
which takes a picture of text
90
204000
2000
которая берёт изображение текста
03:41
and tries to figure out what text is in there.
91
206000
2000
и пытается понять, что там за текст.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Проблема в том, что OCR не идеальна.
03:45
Especially for older books
93
210000
2000
Особенно в старых книгах,
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
где чернила выцвели и страницы пожелтели,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
OCR не может распознать многие слова.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Например, в книгах, написанных более 50 лет назад,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
компьютер не может распознать примерно 30% слов.
03:57
So what we're doing now
98
222000
2000
Поэтому сейчас мы выбираем
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
все нераспознанные слова,
04:01
and we're getting people to read them for us
100
226000
2000
и даём их на чтение людям,
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
когда они вводят капчу в интернете.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
При следующем вводе капчи, знайте, что вы
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
вводите слова, взятые из оцифровываемых книг,
04:11
that the computer could not recognize.
104
236000
2000
которые компьютер не смог распознать.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Мы используем два слова вместо одного,
04:15
is because, you see, one of the words
106
240000
2000
потому что одно из слов
04:17
is a word that the system just got out of a book,
107
242000
2000
система взяла из книги,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
оно неизвестно и показывается вам.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Однако поскольку ответ неизвестен, то оценить точность невозможно.
04:25
So what we do is we give you another word,
110
250000
2000
Поэтому мы даём другое слово,
04:27
one for which the system does know the answer.
111
252000
2000
ответ для которого известен.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Мы не говорим, какое из них какое, и просим ввести оба.
04:31
And if you type the correct word
113
256000
2000
При вводе правильного слова, того,
04:33
for the one for which the system already knows the answer,
114
258000
2000
для которого ответ известен,
04:35
it assumes you are human,
115
260000
2000
система считает вас человеком,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
а также получает уверенность в правильности ввода другого слова.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Повторив это с 10-ю разными людьми,
04:42
and all of them agree on what the new word is,
118
267000
2000
все из которых согласны с вводом нового слова,
04:44
then we get one more word digitized accurately.
119
269000
2000
мы получим ещё одно точно оцифрованное слово.
04:46
So this is how the system works.
120
271000
2000
Вот так работает система.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
После выпуска системы три или четыре года назад,
04:51
a lot of websites have started switching
122
276000
2000
многие сайты стали переключаться
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
со старых капч, тративших время впустую,
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
на новые капчи, где люди помогают оцифровывать книги.
04:57
So for example, Ticketmaster.
125
282000
2000
Например, Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Каждый раз при покупке билетов на Ticketmaster, вы помогаете оцифровать книгу.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook: При каждом добавлении друга,
05:04
you help to digitize a book.
128
289000
2000
вы помогаете оцифровывать книгу.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter и примерно 350 000 других сайтов используют reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
На самом деле, сайтов, использующих reCAPTCHA, так много,
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
что мы оцифровываем очень, очень много слов в день.
05:14
It's about 100 million a day,
132
299000
2000
Примерно 100 миллионов в день,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
эквивалент примерно 2,5 миллиона книг в год.
05:20
And this is all being done one word at a time
134
305000
2000
И всё это делается по слову за раз,
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
просто людьми, вводящими капчи в интернете.
05:24
(Applause)
136
309000
8000
(Аплодисменты)
05:32
Now of course,
137
317000
2000
Конечно, при таком количестве
05:34
since we're doing so many words per day,
138
319000
2000
слов в день
05:36
funny things can happen.
139
321000
2000
случаются смешные истории.
05:38
And this is especially true because now we're giving people
140
323000
2000
Особенно потому что теперь мы даём людям
05:40
two randomly chosen English words next to each other.
141
325000
2000
два случайных английских слова рядом.
05:42
So funny things can happen.
142
327000
2000
Итак, случаются любопытные истории.
05:44
For example, we presented this word.
143
329000
2000
Например, мы показываем это слово.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Это слово «Христиане», вполне нормальное слово.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Но если показать его с другим случайным словом,
05:51
bad things can happen.
146
336000
2000
страшные вещи могут случиться.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Получаем вот это (Текст: Плохие христиане)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Хуже того, сайт, на котором мы это показали,
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
назывался «Посольство Царства Божия».
06:01
(Laughter)
150
346000
2000
(Смех)
06:03
Oops.
151
348000
2000
Оп-па.
06:05
(Laughter)
152
350000
3000
(Смех)
06:08
Here's another really bad one.
153
353000
2000
А вот ещё один прокол.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Текст: Чёртов либерал)
06:15
(Laughter)
156
360000
2000
(Смех)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Мы продолжаем оскорблять людей направо и налево каждый день.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Конечно, мы не просто оскорбляем людей.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Мы показываем два случайных слова,
06:25
interesting things can happen.
160
370000
2000
поэтому могут случиться интересные вещи.
06:27
So this actually has given rise
161
372000
2000
Это породило
06:29
to a really big Internet meme
162
374000
3000
очень большой интернет-мем,
06:32
that tens of thousands of people have participated in,
163
377000
2000
в котором приняли участие тысячи людей,
06:34
which is called CAPTCHA art.
164
379000
2000
называемый искусство капчей.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Я уверен, кто-то из вас о нём слышал.
06:38
Here's how it works.
166
383000
2000
Вот как это работает.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Представьте, вы в интернете и видите капчу,
06:42
that you think is somewhat peculiar,
168
387000
2000
которая вам кажется необычной,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
например, как эта. (Текст: невидимый тостер)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Вы делаете снимок экрана.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Конечно, затем вы вводите капчу,
06:50
because you help us digitize a book.
172
395000
2000
чтобы помочь нам оцифровать книгу.
06:52
But then, first you take a screen shot,
173
397000
2000
Но сначала вы снимаете экран,
06:54
and then you draw something that is related to it.
174
399000
2000
а потом рисуете что-то связанное с этим.
06:56
(Laughter)
175
401000
2000
(Смех)
06:58
That's how it works.
176
403000
3000
Вот как это выглядит.
07:01
There are tens of thousands of these.
177
406000
3000
Таких рисунков десятки тысяч.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Некоторые очень прикольные. (Текст: схватил)
07:06
(Laughter)
179
411000
2000
(Смех)
07:08
Some of them are funnier.
180
413000
2000
Некоторые ещё смешнее.
07:10
(Text: stoned founders)
181
415000
3000
(Текст: обкуренные основатели)
07:13
(Laughter)
182
418000
3000
(Смех)
07:16
And some of them,
183
421000
2000
И некоторые из них,
07:18
like paleontological shvisle,
184
423000
3000
например, палеонтологическая фигня,
07:21
they contain Snoop Dogg.
185
426000
2000
содержат рэпера Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(Смех)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Это моё любимое число в reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Это та самая вещь, которая мне нравится в проекте.
07:31
This is the number of distinct people
189
436000
2000
Это количество отдельных людей, которые помогли нам
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
оцифровать как минимум одно слово из книги в reCAPTCHA:
07:36
750 million,
191
441000
2000
750 миллионов,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
чуть более 10% населения Земли,
07:40
has helped us digitize human knowledge.
193
445000
2000
помогли нам оцифровать знания человечества.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Вот такие цифры движут планом моих исследований.
07:45
So the question that motivates my research is the following:
195
450000
3000
Вот вопрос, мотивирующий мои исследования:
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
если посмотреть на историю крупных достижений человечества,
07:50
these really big things
197
455000
2000
те значительные вещи,
07:52
that humanity has gotten together and done historically --
198
457000
3000
которые люди собрались и сделали,
07:55
like for example, building the pyramids of Egypt
199
460000
2000
например, постройка пирамид в Египте,
07:57
or the Panama Canal
200
462000
2000
или Панамский канал,
07:59
or putting a man on the Moon --
201
464000
2000
или отправка человека на Луну,
08:01
there is a curious fact about them,
202
466000
2000
интересная особенность их в том,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
что все они были сделаны примерно одинаковым количеством людей.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
Странно. Все они сделаны примерно со 100 000 участников.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Причина этого в том, что до интернета,
08:11
coordinating more than 100,000 people,
206
476000
2000
координировать более 100 000 человек,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
не говоря об оплате, было практически невозможно.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Но сейчас, с интернетом, я только что показал вам проект,
08:18
where we've gotten 750 million people
209
483000
2000
где мы с помощью 750 миллионов людей
08:20
to help us digitize human knowledge.
210
485000
2000
оцифровываем человеческие знания.
08:22
So the question that motivates my research is,
211
487000
2000
Вопрос, двигающий план моих исследований:
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
если мы смогли запустить человека на Луну со 100 000 участников,
08:27
what can we do with 100 million?
213
492000
2000
что мы сможем сделать со 100 миллионами?
08:29
So based on this question,
214
494000
2000
Пытаясь ответить на этот вопрос,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
мы работали над множеством проектов.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Позвольте рассказать об одном, который мне больше всего нравится.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Мы негласно работали над ним
08:38
for the last year and a half or so.
218
503000
2000
последние полтора года.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
Он ещё не запущен. Он называется Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Поскольку он ещё не запущен, ш-ш-ш!
08:44
(Laughter)
221
509000
2000
(Смех)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Да, вам можно в этом доверять.
08:48
So this is the project. Here's how it started.
223
513000
2000
Вот и проект. Вот как он начался.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Он начался, когда я задал вопрос своему студенту,
08:52
Severin Hacker.
225
517000
2000
Северину Хакеру.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Ладно, вот Северин Хакер.
08:56
So I posed the question to my graduate student.
227
521000
2000
Я задал вопрос своему студенту.
08:58
By the way, you did hear me correctly;
228
523000
2000
Между прочим, вы правильно услышали,
09:00
his last name is Hacker.
229
525000
2000
его фамилия Хакер.
09:02
So I posed this question to him:
230
527000
2000
Итак, я задал ему вопрос:
09:04
How can we get 100 million people
231
529000
2000
«Как можно заставить 100 миллионов людей
09:06
translating the Web into every major language for free?
232
531000
3000
переводить интернет на все основные языки бесплатно?»
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Ладно, по этому вопросу можно многое сказать.
09:11
First of all, translating the Web.
234
536000
2000
Во-первых, перевод интернета.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Сейчас интернет разбит на множество языков.
09:16
A large fraction of it is in English.
236
541000
2000
Большая часть его на английском.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Если вы не знаете английского, она вам недоступна.
09:20
But there's large fractions in other different languages,
238
545000
2000
Но есть большие части на других языках,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
и если вы не знаете этих языков, вам они недоступны.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Я хотел бы перевести весь интернет, или хотя бы большую его часть,
09:28
into every major language.
241
553000
2000
на каждый из крупных языков.
09:30
So that's what I would like to do.
242
555000
2000
Я хочу это сделать.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Кто-то спросит, а почему не перевести с помощью компьютера?
09:35
Why can't we use machine translation?
244
560000
2000
Почему бы не использовать машинный перевод?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
Машинный перевод начинает использоваться для перевода предложений тут и там.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Почему бы не использовать его для перевода всего интернета?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Проблема в том, что он ещё не так хорош,
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
и, вероятно, не улучшится в ближайшие 15-20 лет.
09:45
It makes a lot of mistakes.
249
570000
2000
Он делает много ошибок.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Поскольку он делает много ошибок,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
то даже когда он точен, доверия к нему нет.
09:52
So let me show you an example
252
577000
2000
Позвольте показать вам пример
09:54
of something that was translated with a machine.
253
579000
2000
машинного перевода.
09:56
Actually it was a forum post.
254
581000
2000
Это была запись в форуме.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
Кто-то пытался задать вопрос о JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Он был переведён с японского на английский.
10:04
So I'll just let you read.
257
589000
2000
Читайте.
10:06
This person starts apologizing
258
591000
2000
Этот человек начинает с извинений
10:08
for the fact that it's translated with a computer.
259
593000
2000
за машинный перевод.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
Следующее предложение — преамбула вопроса.
10:13
So he's just explaining something.
261
598000
2000
Он просто что-то объясняет.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Помните, вопрос о JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Текст: В часто, козло-время ставит ошибкой рвоту.)
10:23
(Laughter)
264
608000
4000
(Смех)
10:27
Then comes the first part of the question.
265
612000
3000
Затем идёт первая часть вопроса.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Текст: Как часто любят ветер, шест и дракона?)
10:34
(Laughter)
267
619000
2000
(Смех)
10:36
Then comes my favorite part of the question.
268
621000
3000
Затем — моя любимая часть вопроса.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Текст: Это оскорбляет камни предков?)
10:42
(Laughter)
270
627000
2000
(Смех)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Затем это завершается моей самой любимой частью.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Текст: Извинитесь за свою глупость. Есть много спасибо.)
10:51
(Laughter)
273
636000
2000
(Смех)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Итак, машинный перевод не очень хорош.
10:55
So back to the question.
275
640000
2000
Назад к вопросу.
10:57
So we need people to translate the whole Web.
276
642000
3000
Нам нужно, чтобы люди перевели весь интернет.
11:00
So now the next question you may have is,
277
645000
2000
Следующим вопросом может быть,
11:02
well why can't we just pay people to do this?
278
647000
2000
а почему бы не заплатить людям за это?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Можно заплатить профессиональным переводчикам за перевод интернета.
11:07
We could do that.
280
652000
2000
Это можно сделать.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
К сожалению, это будет очень дорого.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Например, перевести очень, очень малую часть интернета, Википедию,
11:14
into one other language, Spanish.
283
659000
3000
на один язык, испанский.
11:17
Wikipedia exists in Spanish,
284
662000
2000
Википедия есть на испанском,
11:19
but it's very small compared to the size of English.
285
664000
2000
но она очень мала по сравнению с английской.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Примерно 20% от размера английской.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Если мы захотим перевести остальные 80% на испанский,
11:26
it would cost at least 50 million dollars --
288
671000
2000
это обойдётся в 50 миллионов долларов,
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
даже по ценам самой эксплуатируемой страны в мире.
11:31
So it would be very expensive.
290
676000
2000
Это будет очень дорого.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Поэтому мы хотим найти 100 миллионов человек,
11:35
translating the Web into every major language
292
680000
2000
которые будут переводить интернет
11:37
for free.
293
682000
2000
на все крупные языки бесплатно.
11:39
Now if this is what you want to do,
294
684000
2000
Если хочешь это сделать, довольно быстро понимаешь,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
что впереди два больших препятствия,
11:43
two big obstacles.
296
688000
2000
две большие препоны.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Первая — недостаток двуязычных людей.
11:48
So I don't even know
298
693000
2000
Я даже не знаю, есть ли в интернете
11:50
if there exists 100 million people out there using the Web
299
695000
3000
100 миллионов людей, которые достаточно владеют двумя языками,
11:53
who are bilingual enough to help us translate.
300
698000
2000
чтобы помочь нам с переводом.
11:55
That's a big problem.
301
700000
2000
Это большая проблема. Другая проблема,
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
с которой сталкиваешься, это отсутствие мотивации.
11:59
How are we going to motivate people
303
704000
2000
Как мотивировать людей
12:01
to actually translate the Web for free?
304
706000
2000
бесплатно переводить интернет?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Обычно за это платят.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Как мотивировать делать это бесплатно?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Когда мы начинали об это думать, нас тормозили эти две вещи.
12:11
But then we realized, there's actually a way
308
716000
2000
Но затем мы поняли,
12:13
to solve both these problems with the same solution.
309
718000
2000
что есть способ решить их обе сразу.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Есть способ поймать двух зайцев сразу.
12:17
And that is to transform language translation
311
722000
3000
Т.е. превратить перевод в нечто,
12:20
into something that millions of people want to do,
312
725000
3000
что миллионы людей захотят делать,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
и что поможет решить проблему недостатка двуязычных людей —
12:26
and that is language education.
314
731000
3000
и это изучение языков.
12:29
So it turns out that today,
315
734000
2000
Сейчас более 1,2 миллиарда человек
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
учат иностранные языки.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Люди очень сильно хотят выучить иностранный язык.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
И не потому что их заставляют в школе.
12:39
For example, in the United States alone,
319
744000
2000
Например, только в США,
12:41
there are over five million people who have paid over $500
320
746000
2000
свыше 5 миллионов людей заплатили свыше 500 долларов
12:43
for software to learn a new language.
321
748000
2000
за программу для изучения нового языка.
12:45
So people really, really want to learn a new language.
322
750000
2000
Люди действительно хотят изучить новый язык.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Последние полтора года мы работали
12:50
it's called Duolingo --
324
755000
2000
над новым вебсайтом: Duolingo.
12:52
where the basic idea is people learn a new language for free
325
757000
3000
Главная идея: люди учат новый язык бесплатно,
12:55
while simultaneously translating the Web.
326
760000
2000
параллельно переводя интернет.
12:57
And so basically they're learning by doing.
327
762000
2000
В принципе, они учатся на практике.
12:59
So the way this works
328
764000
2000
Это работает так: когда вы новичок,
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
мы даём очень, очень простые предложения.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Конечно, в интернете много простых предложений.
13:06
We give you very, very simple sentences
331
771000
2000
Мы даёт вам очень, очень простые предложения
13:08
along with what each word means.
332
773000
2000
вместе со значением каждого слова.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
По мере перевода и наблюдения за переводами других,
13:13
you start learning the language.
334
778000
2000
вы начинаете изучать язык.
13:15
And as you get more and more advanced,
335
780000
2000
По мере продвижения, мы даём
13:17
we give you more and more complex sentences to translate.
336
782000
2000
всё более сложные предложения на перевод.
13:19
But at all times, you're learning by doing.
337
784000
2000
Однако вы всегда учитесь на практике.
13:21
Now the crazy thing about this method
338
786000
2000
Самое невообразимое в этом методе —
13:23
is that it actually really works.
339
788000
2000
то, что он действительно работает.
13:25
First of all, people are really, really learning a language.
340
790000
2000
Главное, люди действительно учат язык.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Мы практически закончили с разработкой и теперь тестируем.
13:29
People really can learn a language with it.
342
794000
2000
Люди действительно могут изучить язык с его помощью.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Практически так же хорошо, как с помощью ведущих компьютерных программ.
13:34
So people really do learn a language.
344
799000
2000
Итак, люди действительно изучают язык.
13:36
And not only do they learn it as well,
345
801000
2000
И не только они его хорошо учат,
13:38
but actually it's way more interesting.
346
803000
2000
но это намного более интересно.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Потому что с Duolingo люди учатся на настоящих текстах.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
В противовес обучению на придуманных предложениях,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
люди учатся на настоящих текстах, которые сами по себе интересны.
13:48
So people really do learn a language.
350
813000
2000
Люди действительно изучают язык.
13:50
But perhaps more surprisingly,
351
815000
2000
Ещё более неожиданно,
13:52
the translations that we get from people using the site,
352
817000
3000
переводы пользователей сайта,
13:55
even though they're just beginners,
353
820000
2000
даже новичков,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
также точны, как и профессиональные,
14:00
which is very surprising.
355
825000
2000
что очень неожиданно.
14:02
So let me show you one example.
356
827000
2000
Позвольте показать один пример.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Это предложение было переведено с немецкого на английский.
14:06
The top is the German.
358
831000
2000
Сверху немецкий.
14:08
The middle is an English translation
359
833000
2000
В середине английский
14:10
that was done by somebody who was a professional English translator
360
835000
2000
профессиональный перевод,
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
за который заплачено по 20 центов за слово.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Снизу перевод пользователями Duolingo,
14:17
none of whom knew any German
363
842000
2000
ни один из которых не знал немецкого
14:19
before they started using the site.
364
844000
2000
перед использованием сайта.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Обратите внимание, он практически безупречен.
14:23
Now of course, we play a trick here
366
848000
2000
Конечно, мы схитрили, чтобы сделать перевод
14:25
to make the translations as good as professional language translators.
367
850000
2000
столь же хорошим, как и профессиональный.
14:27
We combine the translations of multiple beginners
368
852000
3000
Мы соединили переводы многих новичков,
14:30
to get the quality of a single professional translator.
369
855000
3000
чтобы получить качество одного профессионального переводчика.
14:33
Now even though we're combining the translations,
370
858000
5000
Но даже с комбинацией переводов,
14:38
the site actually can translate pretty fast.
371
863000
2000
сайт может переводить очень быстро.
14:40
So let me show you,
372
865000
2000
Позвольте показать,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
это наши оценки скорости перевода Википедии
14:44
from English into Spanish.
374
869000
2000
с английского на испанский.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Помните, это стоит около 50 миллионов долларов.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Если мы хотим перевести Википедию на испанский,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
мы сможем это сделать за 5 недель со 100 000 активных пользователей.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Или за 80 часов с миллионом активных пользователей.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Все проекты, над которыми работала моя группа, обладали миллионными аудиториями,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
мы надеемся, что мы сможем переводить
15:02
extremely fast with this project.
381
887000
2000
очень быстро с помощью этого проекта.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Меня больше всего потрясает в Duolingo то, что я считаю,
15:07
is I think this provides a fair business model for language education.
383
892000
3000
он предоставляет честную бизнес-модель для языкового образования.
15:10
So here's the thing:
384
895000
2000
Вот в чём дело:
15:12
The current business model for language education
385
897000
2000
Текущая бизнес-модель для языкового образования в том,
15:14
is the student pays,
386
899000
2000
что студент платит, и в частности,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
студент платит Rosetta Stone 500 долларов.
15:18
(Laughter)
388
903000
2000
(Смех)
15:20
That's the current business model.
389
905000
2000
Это текущая бизнес-модель.
15:22
The problem with this business model
390
907000
2000
Проблема с ней в том,
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
что у 95% населения мира нет 500 долларов.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
Поэтому это крайне ущемляет бедных.
15:30
This is totally biased towards the rich.
393
915000
2000
Это однозначно ориентировано на богатых.
15:32
Now see, in Duolingo,
394
917000
2000
Теперь смотрите, с Duolingo,
15:34
because while you learn
395
919000
2000
потому что в то время, когда вы учитесь,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
вы создаёте нечто ценное, вы что-то переводите,
15:39
which for example, we could charge somebody for translations.
397
924000
3000
а мы можем брать плату с кого-то за эти переводы.
15:42
So this is how we could monetize this.
398
927000
2000
Вот так мы можем на этом зарабатывать.
15:44
Since people are creating value while they're learning,
399
929000
2000
Поскольку люди создают нечто ценное, пока они учатся,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
они могут платить не деньгами, а временем.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Волшебство в том, что они платят временем,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
тем временем, которое все равно
15:54
learning the language.
403
939000
2000
было бы потрачено на изучение языка.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Замечательный факт о Duolingo — честная бизнес-модель,
15:59
one that doesn't discriminate against poor people.
405
944000
2000
которая не ущемляет бедных людей.
16:01
So here's the site. Thank you.
406
946000
2000
Вот сайт. Спасибо.
16:03
(Applause)
407
948000
8000
(Аплодисменты)
16:11
So here's the site.
408
956000
2000
Вот сайт.
16:13
We haven't yet launched,
409
958000
2000
Мы ещё не запустились, но если вы туда зайдёте,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
то сможете подписаться на закрытое тестирование,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
начинающееся примерно через три или четыре недели.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Этот Duolingo ещё не запущен.
16:22
By the way, I'm the one talking here,
413
967000
2000
Кстати, я выступаю в одиночку, но Duolingo — результат работы
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
потрясающей команды, некоторых членов можно видеть тут.
16:27
So thank you.
415
972000
2000
Спасибо.
16:29
(Applause)
416
974000
4000
(Аплодисменты)
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