TEDxCMU
Luis von Ahn: Massive-scale online collaboration
Luis von Ahn : Collaboration en ligne à très grande échelle.
Filmed:
Readability: 3.8
1,740,008 views
Après avoir réorienté les CAPTCHA pour que les saisies sur un clavier contribuent à numériser des livres, Luis von Ahn s'est demandé comment on pouvait aussi utiliser de petites contributions de la part de nombreuses personnes sur Internet pour le bien de tous. A TEDxCMU, il nous fait part de la manière dont son projet ambitieux, Duolingo, aidera des millions de gens à apprendre une nouvelle langue tout en traduisant le web avec vitesse et précision, le tout gratuitement.
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
Combien d'entre vous ont déjà eu à remplir un formulaire en ligne
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
dans lequel on vous demande de lire une séquence déformée de caractères telle que ceux-là ?
00:19
How many of you found it really, really annoying?
2
4000
2000
Combien d'entre vous ont trouvé ça vraiment, vraiment enquiquinant ?
00:21
Okay, outstanding. So I invented that.
3
6000
3000
Ok, c'est clair. Et c'est moi qui l'ai inventé.
00:24
(Laughter)
4
9000
2000
(rires)
00:26
Or I was one of the people who did it.
5
11000
2000
Enfin, j'ai participé à son invention.
00:28
That thing is called a CAPTCHA.
6
13000
2000
Cette chose s'appelle un CAPTCHA.
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
Et sa raison d'être est de vérifier que vous, l'entité qui remplit le formulaire,
00:32
are actually a human and not some sort of computer program
8
17000
3000
êtes bien un humain et pas un quelconque programme informatique,
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
créé pour soumettre le formulaire des millions et des millions de fois.
00:37
The reason it works is because humans,
10
22000
2000
La raison pour laquelle ça marche est que les humains
00:39
at least non-visually-impaired humans,
11
24000
2000
en tous cas les humains qui ne sont pas mal voyants,
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
n'ont pas de problème pour lire des caractères ondulés et déformés,
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
alors que les programmes informatiques ne peuvent pas encore le faire aussi bien.
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
Par exemple, dans le cas de "Ticketmaster",
00:48
the reason you have to type these distorted characters
15
33000
2000
la raison pour laquelle vous devez taper ces caractères
00:50
is to prevent scalpers from writing a program
16
35000
2000
est d'empêcher des revendeurs au marché noir d'écrire un programme
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
qui pourrait acheter des millions de tickets, deux par deux.
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
Les CAPTCHA sont utilisés partout sur Internet.
00:56
And since they're used so often,
19
41000
2000
Et comme on les utilise aussi souvent,
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
de nombreuses fois, la séquence de caractères aléatoires qui est montrée à l'utilisateur
01:00
is not so fortunate.
21
45000
2000
n'est pas très heureuse.
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
Voici un exemple tiré de la page d'inscription de Yahoo.
01:05
The random characters that happened to be shown to the user
23
50000
2000
Les caractères aléatoires montrés à l'utilisateur
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
étaient A,T,T,E,N,D,R,E (ndlt: WAIT en anglais), qui, bien sûr, forment un mot.
01:10
But the best part is the message
25
55000
3000
Mais le plus drôle c'est le message
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
que l'aide en ligne de Yahoo a reçu environ 20 min plus tard.
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
Texte : "Aidez-moi ! J'attends depuis plus de 20 min, et il ne se passe rien."
01:19
(Laughter)
28
64000
4000
(rires)
01:23
This person thought they needed to wait.
29
68000
2000
La personne pensait devoir attendre.
01:25
This of course, is not as bad as this poor person.
30
70000
3000
Bien sûr, ce n'est pas aussi terrible que ce qui est arrivé à cette pauvre personne (texte : redémarrez).
01:28
(Laughter)
31
73000
2000
(rires)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
Nous avons lancé le projet CAPTCHA il y a plus de 10 ans, ici, à Carnegie Mellon,
01:33
and it's been used everywhere.
33
78000
2000
et il est maintenant utilisé partout.
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
Laissez-moi maintenant vous parler d'un projet que nous avons lancé quelques années plus tard,
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
qui est, en quelque sorte, l'étape suivante du CAPTCHA.
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
Il s'agit du projet que nous avons appelé reCAPTCHA,
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
que nous avons commencé ici à Carnegie Mellon,
01:44
then we turned it into a startup company.
38
89000
2000
puis que nous avons transformé en start-up.
01:46
And then about a year and a half ago,
39
91000
2000
Et il y environ un an et demi,
01:48
Google actually acquired this company.
40
93000
2000
Google l'a en fait rachetée.
01:50
So let me tell you what this project started.
41
95000
2000
Laissez-moi vous raconter les débuts de ce projet.
01:52
So this project started from the following realization:
42
97000
3000
Ce projet est né du constat suivant :
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
il s'avère qu'approximativement 200 millions de CAPTCHA
01:57
are typed everyday by people around the world.
44
102000
3000
sont tapés par des gens tous les jours dans le monde.
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
La première fois que j'ai entendu ça, j'étais assez fier de moi.
02:02
I thought, look at the impact that my research has had.
46
107000
2000
Je me suis dit "regarde l'influence que ma recherche a eue".
02:04
But then I started feeling bad.
47
109000
2000
Mais ensuite, j'ai commencé à me sentir mal.
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
En effet, à chaque fois que vous tapez un CAPTCHA,
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
vous perdez en gros 10 secondes de votre temps.
02:11
And if you multiply that by 200 million,
50
116000
2000
Et si vous multipliez ça par 200 millions,
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
vous vous rendez compte que l'humanité perd environ 500 000 heures chaque jours
02:16
typing these annoying CAPTCHAs.
52
121000
2000
en tapant ces ennuyeux CAPTCHA.
02:18
So then I started feeling bad.
53
123000
2000
Alors, j'ai commencé à me sentir mal.
02:20
(Laughter)
54
125000
2000
(rires)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
Et puis j'ai commencé à me demander, bon, bien sûr, on ne peut pas simplement se débarrasser des CAPTCHA,
02:25
because the security of the Web sort of depends on them.
56
130000
2000
car la sécurité du Web en dépend un peu.
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
Mais alors j'ai commencé à me demander s'il y avait moyen d'utiliser cet effort
02:30
for something that is good for humanity?
58
135000
2000
pour quelque chose de bénéfique pour l'humanité ?
02:32
So see, here's the thing.
59
137000
2000
Alors, voilà.
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
Pendant que vous tapez un CAPTCHA, pendant ces 10 secondes,
02:36
your brain is doing something amazing.
61
141000
2000
votre cerveau fait quelque chose d'incroyable.
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
Votre cerveau fait quelque chose que les ordinateurs ne savent pas encore faire.
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
Pouvons-nous alors vous amener à faire un travail utile pendant ces 10 secondes?
02:43
Another way of putting it is,
64
148000
2000
Autrement dit,
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
y a-t-il un énorme problème que nous ne sachions pas encore résoudre à l'aide d'ordinateurs,
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
mais que nous puissions découper en petits bouts de 10 secondes
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
de façon à ce que chaque fois que quelqu'un résout un CAPTCHA,
02:52
they solve a little bit of this problem?
68
157000
2000
il résout un petit bout de ce problème ?
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
Et la réponse est "oui", et c'est ce que nous faisons maintenant.
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
Ce que vous ne savez peut-être pas, c'est que maintenant, quand vous tapez un CAPTCHA,
02:59
not only are you authenticating yourself as a human,
71
164000
2000
non seulement vous vous authentifiez en tant qu'humain,
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
mais en plus vous contribuez à la numérisation de livres.
03:03
So let me explain how this works.
73
168000
2000
Laissez-moi vous expliquer comment ça marche.
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
Il y a plein de projets dont le but est de numériser des livres.
03:07
Google has one. The Internet Archive has one.
75
172000
3000
Google en a un. Internet Archive en a un.
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
Amazon, maintenant avec Kindle, essaye de numériser des livres.
03:12
Basically the way this works
77
177000
2000
Voilà en gros comment ça marche :
03:14
is you start with an old book.
78
179000
2000
vous prenez un vieux livre.
03:16
You've seen those things, right? Like a book?
79
181000
2000
Vous voyez de quoi je parle, n'est-ce pas ? Genre, un livre ?
03:18
(Laughter)
80
183000
2000
(rires)
03:20
So you start with a book, and then you scan it.
81
185000
2000
Donc, vous prenez un livre et vous le scannez.
03:22
Now scanning a book
82
187000
2000
Scanner un livre,
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
c'est comme prendre une photo numérique de chaque page du livre.
03:26
It gives you an image for every page of the book.
84
191000
2000
Vous avez alors une image de chaque page du livre.
03:28
This is an image with text for every page of the book.
85
193000
2000
Une image avec du texte pour chaque page du livre.
03:30
The next step in the process
86
195000
2000
L’étape suivante du processus
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
implique que l'ordinateur sache décrypter tous les mots de l'image.
03:35
That's using a technology called OCR,
88
200000
2000
On utilise une technologie appelée ROC,
03:37
for optical character recognition,
89
202000
2000
pour Reconnaissance Optique de Caractères,
03:39
which takes a picture of text
90
204000
2000
qui prend une image du texte
03:41
and tries to figure out what text is in there.
91
206000
2000
et essaie d'identifier le texte qui s'y trouve.
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
Le problème est que la ROC n'est pas parfaite.
03:45
Especially for older books
93
210000
2000
Surtout avec les vieux livres,
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
dont l'encre est passée, et les pages jaunies,
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
La ROC ne reconnait pas beaucoup mots.
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
Par exemple, pour des trucs écrits il y a plus de 50 ans,
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
l'ordinateur ne reconnait pas environ 30% des mots.
03:57
So what we're doing now
98
222000
2000
Donc maintenant
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
nous prenons tous les mots que l'ordinateur ne reconnait pas
04:01
and we're getting people to read them for us
100
226000
2000
et des gens les lisent pour nous
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
quand ils tapent un CAPTCHA sur Internet.
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
Alors, la prochaine fois que vous tapez un CAPTCHA, ces mots que vous taperez
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
seront en fait des mots venant de livres en cours de numérisation
04:11
that the computer could not recognize.
104
236000
2000
que l'ordinateur n'a pas su reconnaitre.
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
Et la raison pour laquelle nous avons deux mots, et non pas un seul,
04:15
is because, you see, one of the words
106
240000
2000
est qu'un de ces mots
04:17
is a word that the system just got out of a book,
107
242000
2000
est un mot que le système a tiré d'un livre,
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
sans savoir ce que c'est, et il va vous le montrer.
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
Mais comme il ne connait pas la bonne réponse, il ne peut pas évaluer la vôtre.
04:25
So what we do is we give you another word,
110
250000
2000
Donc nous vous en donnons un autre,
04:27
one for which the system does know the answer.
111
252000
2000
un pour lequel le système connait la réponse.
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
Nous ne vous disons pas lequel est lequel, et nous vous demandons de taper les deux.
04:31
And if you type the correct word
113
256000
2000
Et si vous tapez le bon mot
04:33
for the one for which the system already knows the answer,
114
258000
2000
pour celui pour lequel le système connait déjà la réponse,
04:35
it assumes you are human,
115
260000
2000
il suppose que vous êtes humain,
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
et il vous fait confiante pour taper l'autre mot correctement.
04:39
And if we repeat this process to like 10 different people
117
264000
3000
Et si nous répétons ce processus avec environ 10 personnes différentes,
04:42
and all of them agree on what the new word is,
118
267000
2000
et que toutes tombent d'accord sur le nouveau mot,
04:44
then we get one more word digitized accurately.
119
269000
2000
alors nous obtenons un mot de plus numérisé correctement.
04:46
So this is how the system works.
120
271000
2000
Voila comment fonctionne le système.
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
Et en gros, depuis que nous l'avons lancé, il y a 3 ou 4 ans,
04:51
a lot of websites have started switching
122
276000
2000
beaucoup de sites web ont commencé à passer
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
du vieux CAPTCHA avec lequel les gens perdaient leur temps
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
au nouveau CAPTCHA avec lequel les gens contribuent à numériser des livres.
04:57
So for example, Ticketmaster.
125
282000
2000
Par exemple, Ticketmaster.
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
Alors chaque fois que vous achetez un billet sur Ticketmaster, vous contribuez à numériser un livre.
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
Facebook : Chaque fois que vous ajoutez quelqu'un, ou lui envoyez un poke
05:04
you help to digitize a book.
128
289000
2000
vous contribuez à numériser un livre.
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
Twitter et environ 350 000 autres sites utilisent reCAPTCHA.
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
Et en fait, le nombre de sites utilisant reCAPTCHA est si grand
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
que le nombre de mots que nous numérisons par jour est très très grand.
05:14
It's about 100 million a day,
132
299000
2000
C'est environ 100 millions par jour,
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
soit l’équivalent d’à peu près 2,5 millions de livres par an.
05:20
And this is all being done one word at a time
134
305000
2000
Et tout est fait un mot après l'autre,
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
uniquement par des gens qui tapent des CAPTCHA sur Internet.
05:24
(Applause)
136
309000
8000
(applaudissements)
05:32
Now of course,
137
317000
2000
Bien sûr,
05:34
since we're doing so many words per day,
138
319000
2000
puisque nous faisons tellement de mots par jour,
05:36
funny things can happen.
139
321000
2000
il peut se produire de drôles de choses.
05:38
And this is especially true because now we're giving people
140
323000
2000
Et c'est particulièrement vrai car nous proposons aux gens
05:40
two randomly chosen English words next to each other.
141
325000
2000
deux mots pris au hasard dans la langue anglaise, l'un à côté de l'autre.
05:42
So funny things can happen.
142
327000
2000
Et donc de drôles de choses se produisent.
05:44
For example, we presented this word.
143
329000
2000
Par exemple, nous avons proposé ce mot.
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
Il s'agit du mot "Chrétiens"; il n'y a rien de mal à ça.
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
Mais si vous le présentez à côté d'un autre mot pris au hasard,
05:51
bad things can happen.
146
336000
2000
de mauvaises choses peuvent se produire.
05:53
So we get this. (Text: bad christians)
147
338000
2000
Ainsi, nous avons obtenu ça. (Texte : mauvais chrétiens)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
Et c'est bien pire, car il se trouve que le site web où cela s'est affiché
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
était en fait appelé Ambassade du Royaume de Dieu.
06:01
(Laughter)
150
346000
2000
(rires)
06:03
Oops.
151
348000
2000
Oh la gaffe !
06:05
(Laughter)
152
350000
3000
(rires)
06:08
Here's another really bad one.
153
353000
2000
Voici encore un vraiment mauvais coup.
06:10
JohnEdwards.com
154
355000
2000
JohnEdwards.com
06:12
(Text: Damn liberal)
155
357000
3000
(Texte : Maudit libéral)
06:15
(Laughter)
156
360000
2000
(rires)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
Ainsi, nous insultons sans cesse des gens ici et là, tous les jours.
06:20
Now, of course, we're not just insulting people.
158
365000
2000
Bien sûr, nous ne nous contentons pas de les insulter.
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
Vous voyez, le truc c'est que, puisque nous présentons deux mots pris au hasard,
06:25
interesting things can happen.
160
370000
2000
il peut se passer des choses intéressantes.
06:27
So this actually has given rise
161
372000
2000
Et ça a donné lieu
06:29
to a really big Internet meme
162
374000
3000
à un immense mème sur Internet,
06:32
that tens of thousands of people have participated in,
163
377000
2000
auquel des dizaines de milliers de personnes ont participé,
06:34
which is called CAPTCHA art.
164
379000
2000
et qui s'appelle le CAPTCHA art.
06:36
I'm sure some of you have heard about it.
165
381000
2000
Je suis sûr que certains d'entre en ont déjà entendu parler.
06:38
Here's how it works.
166
383000
2000
Voici comment ça marche.
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
Imaginez que vous soyez en train d'utiliser Internet et que vous voyiez un CAPTCHA,
06:42
that you think is somewhat peculiar,
168
387000
2000
que vous trouvez quelque peu bizarre,
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
comme ce CAPTCHA (Texte : grille-pain invisible).
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
Ce que vous êtes alors censé faire, c'est une capture d'écran.
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
Bien sûr, ensuite, vous remplissez le CAPTCHA
06:50
because you help us digitize a book.
172
395000
2000
car vous nous aidez à numériser un livre.
06:52
But then, first you take a screen shot,
173
397000
2000
Mais ensuite, d'abord vous faites une capture d'écran,
06:54
and then you draw something that is related to it.
174
399000
2000
et ensuite vous dessinez quelque chose qui ait un rapport.
06:56
(Laughter)
175
401000
2000
(rires)
06:58
That's how it works.
176
403000
3000
Voilà comment ça marche.
07:01
There are tens of thousands of these.
177
406000
3000
Il y en a des dizaines de milliers comme ça.
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
Certains sont vraiment mignons. (Texte : je l'ai serré)
07:06
(Laughter)
179
411000
2000
(rires)
07:08
Some of them are funnier.
180
413000
2000
D'autres sont plus drôles.
07:10
(Text: stoned founders)
181
415000
3000
(Texte : fondateurs défoncés)
07:13
(Laughter)
182
418000
3000
(rires)
07:16
And some of them,
183
421000
2000
Et certains,
07:18
like paleontological shvisle,
184
423000
3000
comme bidule paléontologique,
07:21
they contain Snoop Dogg.
185
426000
2000
font figurer Snoop Dogg.
07:23
(Laughter)
186
428000
3000
(rires)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
Bon, voilà mon nombre préféré de reCAPTCHA.
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
Et c'est le truc que je préfère dans tout ce projet.
07:31
This is the number of distinct people
189
436000
2000
C'est le nombre de personnes distinctes
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
qui ont contribué à numériser au moins un mot avec reCAPTCHA :
07:36
750 million,
191
441000
2000
750 millions de personnes,
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
soit un peu plus de 10% de la population mondiale,
07:40
has helped us digitize human knowledge.
193
445000
2000
nous ont aidés à numériser le savoir humain.
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
Et c'est ce genre de nombre qui me motive à continuer mes recherches.
07:45
So the question that motivates my research is the following:
195
450000
3000
Et la question qui motive mes recherches est la suivante :
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
Si vous observez ce que l'humanité a fait à grande échelle,
07:50
these really big things
197
455000
2000
ces choses vraiment grandes,
07:52
that humanity has gotten together and done historically --
198
457000
3000
que l'humanité a faites dans l'histoire,
07:55
like for example, building the pyramids of Egypt
199
460000
2000
comme par exemple construire les pyramides d’Égypte,
07:57
or the Panama Canal
200
462000
2000
ou le Canal de Panama,
07:59
or putting a man on the Moon --
201
464000
2000
ou envoyer un homme sur la lune,
08:01
there is a curious fact about them,
202
466000
2000
elles présentent un fait curieux,
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
c'est qu'elles ont toute été réalisées par le même nombre de gens.
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
C'est étrange : elles ont toutes été réalisées par environ 100 000 personnes.
08:08
And the reason for that is because, before the Internet,
205
473000
3000
Et la raison en est que, avant Internet,
08:11
coordinating more than 100,000 people,
206
476000
2000
coordonner plus de 100 000 personnes,
08:13
let alone paying them, was essentially impossible.
207
478000
3000
sans parler de les payer, était impossible.
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
Mais maintenant, avec Internet, je viens de vous montrer un projet
08:18
where we've gotten 750 million people
209
483000
2000
dans lequel j'ai obtenu que 750 millions de personnes
08:20
to help us digitize human knowledge.
210
485000
2000
nous aident à numériser le savoir humain.
08:22
So the question that motivates my research is,
211
487000
2000
Donc, la question qui motive mes recherches est,
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
si nous pouvons envoyer un homme sur la lune avec 100 000 personnes,
08:27
what can we do with 100 million?
213
492000
2000
que pouvons-nous faire avec 100 millions de personnes?
08:29
So based on this question,
214
494000
2000
En partant de cette question,
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
nous avons travaillé sur de nombreux projets différents.
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
Laissez-moi vous parler de celui qui m'enthousiasme le plus.
08:36
This is something that we've been semi-quietly working on
217
501000
2000
Nous travaillons là-dessus sans en parler trop
08:38
for the last year and a half or so.
218
503000
2000
depuis environ un an et demi.
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
On ne l'a pas encore lancé. Ça s'appelle Duolingo.
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
Comme on ne l'a pas encore lancé, chut!
08:44
(Laughter)
221
509000
2000
(rires)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
Oui, je peux vous faire confiance pour ça.
08:48
So this is the project. Here's how it started.
223
513000
2000
Voici donc ce projet. Voilà comment il a commencé.
08:50
It started with me posing a question to my graduate student,
224
515000
2000
Il a commencé quand j'ai posé une question à mon étudiant en doctorat,
08:52
Severin Hacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's Severin Hacker.
226
519000
2000
Voici Severin Hacker.
08:56
So I posed the question to my graduate student.
227
521000
2000
Je lui ai donc posé la question.
08:58
By the way, you did hear me correctly;
228
523000
2000
Au fait, vous m'avez bien entendu ;
09:00
his last name is Hacker.
229
525000
2000
son nom de famille est Hacker.
09:02
So I posed this question to him:
230
527000
2000
je lui ai donc posé cette question :
09:04
How can we get 100 million people
231
529000
2000
Comment faire pour que 100 millions de personnes
09:06
translating the Web into every major language for free?
232
531000
3000
traduisent gratuitement le Web dans toutes les langues principales ?
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
Bon, il y a beaucoup à dire là dessus.
09:11
First of all, translating the Web.
234
536000
2000
D'abord, traduire le Web.
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
Pour le moment, le Web est fractionné en de multiples langues.
09:16
A large fraction of it is in English.
236
541000
2000
Une grande partie est en anglais.
09:18
If you don't know any English, you can't access it.
237
543000
2000
Si vous ne connaissez pas du tout l'anglais, vous ne pouvez pas y accéder.
09:20
But there's large fractions in other different languages,
238
545000
2000
Mais il y en a de grandes parties dans d'autres langues différentes,
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
et si vous ne connaissez pas ces langues, vous ne pouvez pas y accéder.
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
Alors j'aimerais traduire tout l'Internet, ou tout du moins la plus grande partie du Web,
09:28
into every major language.
241
553000
2000
dans toutes les langues principales.
09:30
So that's what I would like to do.
242
555000
2000
C'est ce que j'aimerais faire.
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
Certains d'entre vous me diront, pourquoi ne pouvons-nous pas utiliser les ordinateurs pour faire cette traduction ?
09:35
Why can't we use machine translation?
244
560000
2000
Pourquoi ne pouvons-nous pas utiliser la traduction informatisée ?
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
De nos jours, on a commencé à traduire des phrases ici et là avec la traduction informatisée.
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
Pourquoi ne pouvons-nous pas l'utiliser pour traduire tout le Web ?
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
Et bien, le problème est que ce n'est pas encore assez bon
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
et que ça ne le sera pas avant les 15 à 20 prochaines années.
09:45
It makes a lot of mistakes.
249
570000
2000
Il y a beaucoup d'erreurs.
09:47
Even when it doesn't make a mistake,
250
572000
2000
Même quand il n'y a pas d'erreur,
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
elles sont tellement fréquentes que vous ne savez pas si vous pouvez vous y fier ou pas.
09:52
So let me show you an example
252
577000
2000
Permettez-moi de vous montrer un exemple
09:54
of something that was translated with a machine.
253
579000
2000
de traduction faite par ordinateur.
09:56
Actually it was a forum post.
254
581000
2000
En fait, c'est un billet sur un forum.
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
C'est quelqu'un qui essayait de poser une question à propos de JavaScript.
10:01
It was translated from Japanese into English.
256
586000
3000
Ça a été traduit du japonais à l'anglais.
10:04
So I'll just let you read.
257
589000
2000
Je vais vous le laisser lire.
10:06
This person starts apologizing
258
591000
2000
Cette personne commence par s'excuser
10:08
for the fact that it's translated with a computer.
259
593000
2000
pour le fait que c'est une traduction faite par ordinateur.
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
La phrase suivante sera le préambule à la question.
10:13
So he's just explaining something.
261
598000
2000
Il ne fait donc qu'expliquer quelque chose.
10:15
Remember, it's a question about JavaScript.
262
600000
3000
Souvenez-vous, c'est une question à propos de JavaScript.
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(Texte : A souvent, le temps de chèvre installe une erreur est vomi.)
10:23
(Laughter)
264
608000
4000
(rires)
10:27
Then comes the first part of the question.
265
612000
3000
Ensuite vient la première partie de la question.
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(Texte : Combien de fois comme le vent, un poteau, et le dragon ? )
10:34
(Laughter)
267
619000
2000
(rires)
10:36
Then comes my favorite part of the question.
268
621000
3000
Ensuite vient la partie de la question que je préfère.
10:39
(Text: This insult to father's stones?)
269
624000
3000
(Texte : Ceci insulte aux pierres du père ? )
10:42
(Laughter)
270
627000
2000
(rires)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
Et puis vient la fin, qui est ce que je préfère dans tout ça.
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(Texte : S'il vous plait excusez-vous pour votre stupidité. Il y a un beaucoup merci.)
10:51
(Laughter)
273
636000
2000
(rires)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
Bon, donc, la traduction par ordinateur, pas encore assez bonne .
10:55
So back to the question.
275
640000
2000
Revenons à la question de départ.
10:57
So we need people to translate the whole Web.
276
642000
3000
Nous avons donc besoin de gens pour traduire tout le Web.
11:00
So now the next question you may have is,
277
645000
2000
Maintenant, la question suivante que vous vous posez peut-être,
11:02
well why can't we just pay people to do this?
278
647000
2000
c'est pourquoi ne pouvons-nous pas simplement payer des gens pour le faire ?
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
Nous pourrions payer des traducteurs professionnels pour traduire tout le Web.
11:07
We could do that.
280
652000
2000
Nous pourrions le faire.
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
Malheureusement, ce serait extrêmement cher.
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
Par exemple, traduire une minuscule fraction de tout le Web, Wikipedia,
11:14
into one other language, Spanish.
283
659000
3000
dans une seule autre langue, l'espagnol,
11:17
Wikipedia exists in Spanish,
284
662000
2000
Wikipedia existe en espagnol,
11:19
but it's very small compared to the size of English.
285
664000
2000
mais c'est très petit comparé à la taille de l'anglais.
11:21
It's about 20 percent of the size of English.
286
666000
2000
Ça représente environ 20% de la taille de l'anglais.
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
Si nous voulions traduire les 80 autres pour cent en espagnol,
11:26
it would cost at least 50 million dollars --
288
671000
2000
ça coûterait au moins 50 millions de dollars,
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
même en délocalisant dans le pays le plus exploité qui soit.
11:31
So it would be very expensive.
290
676000
2000
Ce serait donc très cher.
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
Alors ce que nous voulons faire, c'est trouver 100 millions de personnes
11:35
translating the Web into every major language
292
680000
2000
pour traduire le Web dans toutes les langues principales
11:37
for free.
293
682000
2000
gratuitement.
11:39
Now if this is what you want to do,
294
684000
2000
Et si c'est ce que vous voulez faire,
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
vous vous rendez très vite compte que vous allez tomber sur deux gros os,
11:43
two big obstacles.
296
688000
2000
deux gros obstacles.
11:45
The first one is a lack of bilinguals.
297
690000
3000
Le premier c'est le manque de personnes bilingues.
11:48
So I don't even know
298
693000
2000
Je ne sais même pas
11:50
if there exists 100 million people out there using the Web
299
695000
3000
s'il existe 100 millions de gens qui utilisent le Web
11:53
who are bilingual enough to help us translate.
300
698000
2000
et qui sont suffisamment bilingues pour nous aider à traduire.
11:55
That's a big problem.
301
700000
2000
C'est un gros problème.
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
L'autre problème que vous allez rencontrer, c'est le manque de motivation.
11:59
How are we going to motivate people
303
704000
2000
Comment allons-nous motiver les gens
12:01
to actually translate the Web for free?
304
706000
2000
à traduire le Web gratuitement ?
12:03
Normally, you have to pay people to do this.
305
708000
3000
Normalement, on doit payer les gens pour ça.
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
Alors, comment allons-nous les motiver à le faire gratuitement ?
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
Quand nous avons commencé à y réfléchir, nous étions bloqués par ces deux choses.
12:11
But then we realized, there's actually a way
308
716000
2000
Mais ensuite nous nous sommes rendus compte qu'en fait il y a un moyen
12:13
to solve both these problems with the same solution.
309
718000
2000
de résoudre ces deux problèmes avec une solution unique.
12:15
There's a way to kill two birds with one stone.
310
720000
2000
Une manière de faire d'une pierre deux coups.
12:17
And that is to transform language translation
311
722000
3000
Il s'agit de transformer la traduction
12:20
into something that millions of people want to do,
312
725000
3000
en quelque chose que des millions de gens veulent faire,
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
tout en contribuant à résoudre le problème du manque de personnes bilingues :
12:26
and that is language education.
314
731000
3000
c'est l'apprentissage des langues.
12:29
So it turns out that today,
315
734000
2000
Il s'avère qu'aujourd'hui,
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
il y a plus de 1,2 milliard de gens qui apprennent une langue étrangère.
12:34
People really, really want to learn a foreign language.
317
739000
2000
Les gens veulent vraiment apprendre une langue étrangère.
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
Et ce n'est pas seulement parce qu'on les y oblige à l'école.
12:39
For example, in the United States alone,
319
744000
2000
Par exemple, rien qu'aux États-Unis,
12:41
there are over five million people who have paid over $500
320
746000
2000
il y a plus de 5 millions de gens qui ont payé au moins 500 $
12:43
for software to learn a new language.
321
748000
2000
des logiciels pour apprendre une nouvelle langue.
12:45
So people really, really want to learn a new language.
322
750000
2000
Les gens veulent donc vraiment apprendre une nouvelle langue.
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
Ce sur quoi nous travaillons depuis un an et demi, c'est un nouveau site web,
12:50
it's called Duolingo --
324
755000
2000
qui s'appelle Duolingo,
12:52
where the basic idea is people learn a new language for free
325
757000
3000
où l'idée de départ est que les gens apprennent une nouvelle langue gratuitement
12:55
while simultaneously translating the Web.
326
760000
2000
tout en traduisant le Web.
12:57
And so basically they're learning by doing.
327
762000
2000
Et donc en gros ils apprennent en faisant.
12:59
So the way this works
328
764000
2000
Voilà comment ça marche :
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
quand vous n'êtes que débutant, nous vous donnons des phrases très, très simples.
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
Il y a, bien sûr, beaucoup de phrases très simples sur le web.
13:06
We give you very, very simple sentences
331
771000
2000
Nous vous donnons des phrases très, très simples
13:08
along with what each word means.
332
773000
2000
en même temps que la signification de chaque mot.
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
Et en les traduisant, et en voyant comment d'autres les traduisent,
13:13
you start learning the language.
334
778000
2000
vous commencez à apprendre la langue.
13:15
And as you get more and more advanced,
335
780000
2000
Et au fur et à mesure de votre progression,
13:17
we give you more and more complex sentences to translate.
336
782000
2000
nous vous donnons des phrases de plus en plus complexes à traduire.
13:19
But at all times, you're learning by doing.
337
784000
2000
Mais à tout moment, vous apprenez en faisant.
13:21
Now the crazy thing about this method
338
786000
2000
Ce qui est dingue, avec cette méthode,
13:23
is that it actually really works.
339
788000
2000
c'est que ça marche vraiment.
13:25
First of all, people are really, really learning a language.
340
790000
2000
D'abord, les gens apprennent vraiment une langue.
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
Nous avons presque fini de le construire, et nous sommes en train de le tester.
13:29
People really can learn a language with it.
342
794000
2000
Les gens peuvent vraiment apprendre une langue avec ça.
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
Et ils apprennent aussi bien qu'avec le meilleur logiciel d'apprentissage de langue.
13:34
So people really do learn a language.
344
799000
2000
Les gens apprennent vraiment une langue.
13:36
And not only do they learn it as well,
345
801000
2000
Et non seulement ils l'apprennent,
13:38
but actually it's way more interesting.
346
803000
2000
mais en fait c'est bien plus intéressant.
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
Parce que vous voyez, avec Duolingo, les gens apprennent avec du contenu authentique.
13:43
As opposed to learning with made-up sentences,
348
808000
2000
Contrairement à l'apprentissage avec les phrases préfabriquées,
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
les gens apprennent avec du contenu authentique, qui est intéressant par essence.
13:48
So people really do learn a language.
350
813000
2000
Les gens apprennent donc vraiment une langue.
13:50
But perhaps more surprisingly,
351
815000
2000
Mais ce qui est peut-être plus surprenant,
13:52
the translations that we get from people using the site,
352
817000
3000
c'est que les traductions que nous obtenons des gens qui utilisent ce site,
13:55
even though they're just beginners,
353
820000
2000
même si ce ne sont que des débutants,
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
les traductions que nous obtenons sont aussi exactes que celles des traducteurs professionnels,
14:00
which is very surprising.
355
825000
2000
ce qui est très surprenant.
14:02
So let me show you one example.
356
827000
2000
Permettez-moi de vous montrer un exemple.
14:04
This is a sentence that was translated from German into English.
357
829000
2000
Voici une phrase qui a été traduite de l'allemand à l'anglais.
14:06
The top is the German.
358
831000
2000
L'allemand est en haut.
14:08
The middle is an English translation
359
833000
2000
Au milieu, c'est la traduction anglaise
14:10
that was done by somebody who was a professional English translator
360
835000
2000
faite par un traducteur professionnel
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
que nous avons payé 20 cents le mot pour sa traduction.
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
Et en bas, la traduction des utilisateurs de Duolingo,
14:17
none of whom knew any German
363
842000
2000
alors qu'aucun d'eux ne connaissait un mot d'allemand
14:19
before they started using the site.
364
844000
2000
avant de commencer à utiliser le site.
14:21
You can see, it's pretty much perfect.
365
846000
2000
Vous voyez, c'est parfait.
14:23
Now of course, we play a trick here
366
848000
2000
Bien sûr, nous avons triché ici
14:25
to make the translations as good as professional language translators.
367
850000
2000
pour que les traductions soient aussi bonnes que celles des professionnels.
14:27
We combine the translations of multiple beginners
368
852000
3000
Nous avons combiné les traductions de nombreux débutants
14:30
to get the quality of a single professional translator.
369
855000
3000
pour obtenir la qualité d'un seul traducteur professionnel.
14:33
Now even though we're combining the translations,
370
858000
5000
Même si nous combinons les traductions,
14:38
the site actually can translate pretty fast.
371
863000
2000
le site peut en fait traduire assez vite.
14:40
So let me show you,
372
865000
2000
Laissez-moi vous montrer,
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
voici nos estimations quant à la vitesse à laquelle nous pourrions traduire Wikipedia
14:44
from English into Spanish.
374
869000
2000
d'anglais en espagnol.
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
Rappelez-vous, ça représente une valeur de 50 millions de dollars.
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
Alors si vous voulez traduire Wikipedia en espagnol,
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
cela peut être fait en 5 semaines, avec 100 000 utilisateurs actifs.
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
Et nous pourrions le faire en 80 heures avec un million d'utilisateurs actifs.
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
Puisque tous les projets sur lesquels mon groupe a travaillé jusqu'à présent ont eu des millions d'utilisateurs,
15:00
we're hopeful that we'll be able to translate
380
885000
2000
nous espérons que nous serons en mesure de traduire
15:02
extremely fast with this project.
381
887000
2000
très vite avec ce projet-ci.
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
Ce qui m'enthousiasme le plus avec Duolingo
15:07
is I think this provides a fair business model for language education.
383
892000
3000
c'est que je pense qu'il apporte un modèle économique équitable pour l'apprentissage des langues.
15:10
So here's the thing:
384
895000
2000
Voilà ce qu'il en est :
15:12
The current business model for language education
385
897000
2000
le modèle économique actuel pour l'apprentissage des langues,
15:14
is the student pays,
386
899000
2000
c'est que l'élève paie,
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
et en particulier, l'élève paie à Rosetta Stone 500 dollars.
15:18
(Laughter)
388
903000
2000
(rires)
15:20
That's the current business model.
389
905000
2000
C'est le modèle économique actuel.
15:22
The problem with this business model
390
907000
2000
Le problème avec ce modèle économique,
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
c'est que 95% de la population mondiale n'a pas 500 dollars.
15:27
So it's extremely unfair towards the poor.
392
912000
3000
C'est donc extrêmement injuste envers les pauvres.
15:30
This is totally biased towards the rich.
393
915000
2000
C'est totalement en faveur des riches.
15:32
Now see, in Duolingo,
394
917000
2000
Vous voyez, dans Duolingo,
15:34
because while you learn
395
919000
2000
lorsque vous apprenez,
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
en fait vous créez de la valeur, vous traduisez des trucs,
15:39
which for example, we could charge somebody for translations.
397
924000
3000
que par exemple nous pourrions facturer à quelqu'un.
15:42
So this is how we could monetize this.
398
927000
2000
C'est ainsi que nous pourrions le rentabiliser.
15:44
Since people are creating value while they're learning,
399
929000
2000
Puisque les gens créent de la valeur en apprenant,
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
ils n'ont pas à payer avec leur argent, ils paient avec leur temps.
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
Mais ce qui est magique ici, c'est qu'ils paient avec leur temps,
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
mais que c'est du temps qu'ils auraient passé de toute façon
15:54
learning the language.
403
939000
2000
à apprendre la langue.
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
Ce qui est bien avec Duolingo c'est que je crois que ça apporte un modèle économique équitable,
15:59
one that doesn't discriminate against poor people.
405
944000
2000
qui ne défavorise pas les pauvres.
16:01
So here's the site. Thank you.
406
946000
2000
Voici donc le site. Merci
16:03
(Applause)
407
948000
8000
(applaudissements)
16:11
So here's the site.
408
956000
2000
Donc voici le site.
16:13
We haven't yet launched,
409
958000
2000
Nous n'avons pas encore fait le lancement,
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
mais si vous allez voir, vous pouvez vous inscrire pour participer à la version bêta privée,
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
qui devrait normalement commencer dans 3 ou 4 semaines.
16:20
We haven't yet launched this Duolingo.
412
965000
2000
Nous n'avons pas encore lancé Duolingo.
16:22
By the way, I'm the one talking here,
413
967000
2000
Au fait, c'est moi qui parle ici,
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
mais Duolingo est le travail d'une équipe géniale, dont voici certains.
16:27
So thank you.
415
972000
2000
Merci.
16:29
(Applause)
416
974000
4000
(applaudissements)
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