ABOUT THE SPEAKER
Luis von Ahn - Computer scientist
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone.

Why you should listen

Louis von Ahn is an associate professor of Computer Science at Carnegie Mellon University, and he's at the forefront of the crowdsourcing craze. His work takes advantage of the evergrowing Web-connected population to acheive collaboration in unprecedented numbers. His projects aim to leverage the crowd for human good. His company reCAPTCHA, sold to Google in 2009, digitizes human knowledge (books), one word at a time. His new project is Duolingo, which aims to get 100 million people translating the Web in every major language.

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

Luis von Ahn: Massive-scale online collaboration

Luis von Ahn: Colaboração online em massa

Filmed:
1,740,008 views

Após dar um novo objetivo ao CAPTCHA de forma a que todas as respostas humanas escritas ajudem a digitalizar livros, Luis von Ahn debruçou-se sobre outras formas de utilizar pequenas contribuições feitas por muitos na Internet, para um bem maior. Na TEDxCMU, ele partilha o modo como o seu novo e ambicioso projeto, Duolingo, irá ajudar milhões a aprender uma nova língua enquanto traduzem a Web rapidamente e com precisão — tudo isto de forma grátis.
- Computer scientist
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone. Full bio

Double-click the English transcript below to play the video.

00:15
How manymuitos of you had to fillencher out some sortordenar of webrede formFormato
0
0
2000
Já tiveram de preencher
um formulário na web
00:17
where you've been askedperguntei to readler a distorteddistorcido sequenceseqüência of characterspersonagens like this?
1
2000
2000
onde pedem para lerem caracteres
distorcidos como estes?
00:19
How manymuitos of you foundencontrado it really, really annoyingirritante?
2
4000
2000
Não acharam isso muito irritante?
00:21
Okay, outstandingexcelente. So I inventedinventado that.
3
6000
3000
(Risos)
Espetacular. Fui eu que inventei isso.
00:24
(LaughterRiso)
4
9000
2000
(Risos)
00:26
Or I was one of the people who did it.
5
11000
2000
Fui um dos que inventou isso.
00:28
That thing is calledchamado a CAPTCHACAPTCHA.
6
13000
2000
Esta coisa chama-se um CAPTCHA.
00:30
And the reasonrazão it is there is to make sure you, the entityentidade fillingo preenchimento out the formFormato,
7
15000
2000
Serve para certificar que
quem preenche o formulário,
00:32
are actuallyna realidade a humanhumano and not some sortordenar of computercomputador programprograma
8
17000
3000
é uma pessoa e não
um programa informático
00:35
that was writtenescrito to submitenviar the formFormato millionsmilhões and millionsmilhões of timesvezes.
9
20000
2000
desenvolvido para submeter
o formulário milhões de vezes.
00:37
The reasonrazão it workstrabalho is because humanshumanos,
10
22000
2000
Funciona porque as pessoas,
que não tenham limitações visuais
00:39
at leastpelo menos non-visually-impairedNão-visuais humanshumanos,
11
24000
2000
00:41
have no troubleproblema readingleitura these distorteddistorcido squigglyondulada characterspersonagens,
12
26000
2000
não têm problema em ler
estes caracteres distorcidos,
00:43
whereasenquanto que computercomputador programsprogramas simplysimplesmente can't do it as well yetainda.
13
28000
3000
mas os programas informáticos
ainda não o conseguem fazer
00:46
So for exampleexemplo, in the casecaso of TicketmasterTicketmaster,
14
31000
2000
Por exemplo, no caso do Ticketmaster,
00:48
the reasonrazão you have to typetipo these distorteddistorcido characterspersonagens
15
33000
2000
temos de escrever
estes caracteres distorcidos
00:50
is to preventevita scalperscambistas from writingescrevendo a programprograma
16
35000
2000
para impedir que os burlões comprem
00:52
that can buyComprar millionsmilhões of ticketsingressos, two at a time.
17
37000
2000
milhões de bilhetes, dois de cada vez.
00:54
CAPTCHAsCAPTCHAs are used all over the InternetInternet.
18
39000
2000
Usam-se CAPTCHAs em toda a Internet.
00:56
And sinceDesde a they're used so oftenfrequentemente,
19
41000
2000
Como são usados com muita frequência,
00:58
a lot of timesvezes the precisepreciso sequenceseqüência of randomaleatória characterspersonagens that is shownmostrando to the userdo utilizador
20
43000
2000
nem sempre é feliz a sequência
de caracteres aleatórios
01:00
is not so fortunateafortunado.
21
45000
2000
que é mostrada ao utilizador
01:02
So this is an exampleexemplo from the YahooYahoo registrationregisto pagepágina.
22
47000
3000
Este exemplo é da página
de registo do Yahoo.
01:05
The randomaleatória characterspersonagens that happenedaconteceu to be shownmostrando to the userdo utilizador
23
50000
2000
Os caracteres aleatórios que aparecem
01:07
were W, A, I, T, whichqual, of coursecurso, spellfeitiço a wordpalavra.
24
52000
3000
são W, A, I, T [esperem],
que formam uma palavra.
01:10
But the bestmelhor partparte is the messagemensagem
25
55000
3000
Mas a melhor parte é a mensagem
01:13
that the YahooYahoo help deskescrivaninha got about 20 minutesminutos latermais tarde.
26
58000
3000
que os serviços do Yahoo receberam
uns 20 minutos depois.
01:16
TextTexto: "Help! I've been waitingesperando for over 20 minutesminutos, and nothing happensacontece."
27
61000
3000
[Socorro! Estou à espera há mais
de 20 minutos e não acontece nada]
01:19
(LaughterRiso)
28
64000
4000
(Risos)
01:23
This personpessoa thought they needednecessário to wait.
29
68000
2000
Esta pessoa achava que tinha de esperar.
01:25
This of coursecurso, is not as badmau as this poorpobre personpessoa.
30
70000
3000
Mas é muito melhor do que este, coitado.
[Reiniciar]
01:28
(LaughterRiso)
31
73000
2000
(Risos)
01:30
CAPTCHACAPTCHA ProjectProjeto is something that we did here at CarnegieCarnegie MelllonMelllon over 10 yearsanos agoatrás,
32
75000
3000
Desenvolvemos o projeto CAPTCHA
aqui na Carnegie Mellon há 10 anos
01:33
and it's been used everywhereem toda parte.
33
78000
2000
e está a ser usado por toda a parte.
01:35
Let me now tell you about a projectprojeto that we did a fewpoucos yearsanos latermais tarde,
34
80000
2000
Vou falar-vos de um projeto
que desenvolvemos anos depois,
01:37
whichqual is sortordenar of the nextPróximo evolutionevolução of CAPTCHACAPTCHA.
35
82000
3000
que é uma espécie de evolução do CAPTCHA.
01:40
This is a projectprojeto that we call reCAPTCHAreCAPTCHA,
36
85000
2000
É um projeto a que chamamos reCAPTCHA,
01:42
whichqual is something that we startedcomeçado here at CarnegieCarnegie MellonMellon,
37
87000
2000
que começámos aqui na Carnegie Mellon,
01:44
then we turnedvirou it into a startupcomece companyempresa.
38
89000
2000
e que transformámos depois numa empresa.
01:46
And then about a yearano and a halfmetade agoatrás,
39
91000
2000
Há cerca de um ano e meio,
01:48
GoogleGoogle actuallyna realidade acquiredadquiriu this companyempresa.
40
93000
2000
a Google comprou esta empresa.
01:50
So let me tell you what this projectprojeto startedcomeçado.
41
95000
2000
Vou dizer-vos o que este projeto começou.
01:52
So this projectprojeto startedcomeçado from the followingSegue realizationrealização:
42
97000
3000
Este projeto começou
através da seguinte perceção:
01:55
It turnsgira out that approximatelyaproximadamente 200 millionmilhão CAPTCHAsCAPTCHAs
43
100000
2000
Escrevem-se cerca
de 200 milhões de CAPTCHAs
01:57
are typeddigitado everydaytodo dia by people around the worldmundo.
44
102000
3000
todos os dias, por pessoas
em todo o mundo.
Quando soube disto, senti-me
muito orgulhoso e pensei:
02:00
When I first heardouviu this, I was quitebastante proudorgulhoso of myselfEu mesmo.
45
105000
2000
02:02
I thought, look at the impactimpacto that my researchpesquisa has had.
46
107000
2000
"Que impacto
que a minha investigação tem tido!".
02:04
But then I startedcomeçado feelingsentindo-me badmau.
47
109000
2000
Mas depois comecei a sentir-me mal.
02:06
See here'saqui está the thing, eachcada time you typetipo a CAPTCHACAPTCHA,
48
111000
2000
Porque, sempre que escrevemos um CAPTCHA,
02:08
essentiallyessencialmente you wastedesperdício 10 secondssegundos of your time.
49
113000
3000
desperdiçamos 10 segundos do nosso tempo.
02:11
And if you multiplymultiplicar that by 200 millionmilhão,
50
116000
2000
Se multiplicarmos isso por 200 milhões,
02:13
you get that humanityhumanidade as a wholetodo is wastingdesperdiçando about 500,000 hourshoras everycada day
51
118000
3000
a humanidade está a gastar
cerca de 500 000 horas por dia
02:16
typingdigitando these annoyingirritante CAPTCHAsCAPTCHAs.
52
121000
2000
a escrever estes irritantes CAPTCHAs.
02:18
So then I startedcomeçado feelingsentindo-me badmau.
53
123000
2000
Por isso, comecei a sentir-me mal.
02:20
(LaughterRiso)
54
125000
2000
(Risos)
02:22
And then I startedcomeçado thinkingpensando, well, of coursecurso, we can't just get ridlivrar of CAPTCHAsCAPTCHAs,
55
127000
3000
Depois comecei a pensar:
"Não nos podemos livrar dos CAPTCHAs,
02:25
because the securitysegurança of the WebWeb sortordenar of dependsdepende on them.
56
130000
2000
"porque a segurança da web depende deles."
02:27
But then I startedcomeçado thinkingpensando, is there any way we can use this effortesforço
57
132000
3000
"Existirá alguma forma
de utilizar este esforço
02:30
for something that is good for humanityhumanidade?
58
135000
2000
"para qualquer coisa boa
para a humanidade?"
02:32
So see, here'saqui está the thing.
59
137000
2000
Então vejam isto.
02:34
While you're typingdigitando a CAPTCHACAPTCHA, duringdurante those 10 secondssegundos,
60
139000
2000
Nos 10 segundos,
em que escrevem o CAPTCHA,
02:36
your braincérebro is doing something amazingsurpreendente.
61
141000
2000
o cérebro está a fazer algo fascinante.
02:38
Your braincérebro is doing something that computerscomputadores cannotnão podes yetainda do.
62
143000
2000
Faz uma coisa que os computadores
não conseguem fazer.
02:40
So can we get you to do usefulútil work for those 10 secondssegundos?
63
145000
3000
Como conseguir fazer algo útil
durante esses 10 segundos?
02:43
AnotherOutro way of puttingcolocando it is,
64
148000
2000
Ou seja, há um enorme problema
02:45
is there some humongousuma floresta problemproblema that we cannotnão podes yetainda get computerscomputadores to solveresolver,
65
150000
2000
que os computadores não resolvem.
02:47
yetainda we can splitDividido into tinyminúsculo 10-second chunkspedaços
66
152000
3000
Será que podemos dividi-lo
em períodos de 10 segundos
02:50
suchtal that eachcada time somebodyalguém solvesresolve a CAPTCHACAPTCHA
67
155000
2000
e que, quando alguém escreve um CAPTCHA,
02:52
they solveresolver a little bitpouco of this problemproblema?
68
157000
2000
se resolva uma parte desse problema?
02:54
And the answerresponda to that is "yes," and this is what we're doing now.
69
159000
2000
A resposta é "sim",
e é oque estamos a fazer agora.
02:56
So what you maypode not know is that nowadayshoje em dia while you're typingdigitando a CAPTCHACAPTCHA,
70
161000
3000
Por isso, hoje em dia,
quando escrevem um CAPTCHA,
02:59
not only are you authenticatingautenticar yourselfvocê mesmo as a humanhumano,
71
164000
2000
estão a autenticar-se como pessoas,
03:01
but in additionAdição you're actuallyna realidade helpingajudando us to digitizedigitalizar bookslivros.
72
166000
2000
e estão a ajudar-nos a digitalizar livros.
03:03
So let me explainexplicar how this workstrabalho.
73
168000
2000
Vou explicar como é que isso funciona.
03:05
So there's a lot of projectsprojetos out there tryingtentando to digitizedigitalizar bookslivros.
74
170000
2000
Há imensos projetos
a tentar digitalizar livros.
03:07
GoogleGoogle has one. The InternetInternet ArchiveArquivo has one.
75
172000
3000
A Google tem um.
O Internet Archive tem um.
03:10
AmazonAmazônia, now with the KindleKindle, is tryingtentando to digitizedigitalizar bookslivros.
76
175000
2000
A Amazon, com o Kindle,
está a tentar digitalizar livros.
03:12
BasicallyBasicamente the way this workstrabalho
77
177000
2000
Isto funciona assim:
03:14
is you startcomeçar with an oldvelho booklivro.
78
179000
2000
Começa-se por pegar
num livro antigo, físico.
03:16
You've seenvisto those things, right? Like a booklivro?
79
181000
2000
Já viram uma coisa destas? Um livro?
03:18
(LaughterRiso)
80
183000
2000
(Risos)
03:20
So you startcomeçar with a booklivro, and then you scanvarredura it.
81
185000
2000
Começam com um livro e digitalizam-no.
03:22
Now scanningdigitalização a booklivro
82
187000
2000
Digitalizar um livro
é como tirar uma fotografia digital
de cada página do livro.
03:24
is like takinglevando a digitaldigital photographfotografia of everycada pagepágina of the booklivro.
83
189000
2000
03:26
It gives you an imageimagem for everycada pagepágina of the booklivro.
84
191000
2000
Uma imagem para cada página do livro.
03:28
This is an imageimagem with texttexto for everycada pagepágina of the booklivro.
85
193000
2000
Uma imagem com texto
para cada página do livro.
03:30
The nextPróximo stepdegrau in the processprocesso
86
195000
2000
O passo seguinte é o computador
conseguir decifrar
03:32
is that the computercomputador needsprecisa to be ablecapaz to decipherdecifrar all of the wordspalavras in this imageimagem.
87
197000
3000
todas as palavras nessa imagem.
03:35
That's usingusando a technologytecnologia calledchamado OCROCR,
88
200000
2000
Usa-se uma tecnologia chamada OCR,
03:37
for opticalóptico characterpersonagem recognitionreconhecimento,
89
202000
2000
Reconhecimento Ótico de Caracteres,
03:39
whichqual takes a picturecenário of texttexto
90
204000
2000
que tira uma fotografia do texto
03:41
and triestentativas to figurefigura out what texttexto is in there.
91
206000
2000
e tenta descobrir que texto está lá.
03:43
Now the problemproblema is that OCROCR is not perfectperfeito.
92
208000
2000
O problema é que o OCR não é perfeito.
03:45
EspeciallyEspecialmente for olderMais velho bookslivros
93
210000
2000
Especialmente para livros mais antigos
03:47
where the inktinta has fadeddesvaneceu-se and the pagesPáginas have turnedvirou yellowamarelo,
94
212000
3000
com tinta a falhar
e páginas amareladas,
OCR não consegue reconhecer
muitas das palavras.
03:50
OCROCR cannotnão podes recognizereconhecer a lot of the wordspalavras.
95
215000
2000
03:52
For exampleexemplo, for things that were writtenescrito more than 50 yearsanos agoatrás,
96
217000
2000
Nas coisas que foram escritas
há mais de 50 anos,
03:54
the computercomputador cannotnão podes recognizereconhecer about 30 percentpor cento of the wordspalavras.
97
219000
3000
o computador não reconhece
cerca de 30% das palavras.
03:57
So what we're doing now
98
222000
2000
Portanto, extraímos todas as palavras
03:59
is we're takinglevando all of the wordspalavras that the computercomputador cannotnão podes recognizereconhecer
99
224000
2000
que o computador não consegue reconhecer
04:01
and we're gettingobtendo people to readler them for us
100
226000
2000
e pomos pessoas a lê-las para nós
04:03
while they're typingdigitando a CAPTCHACAPTCHA on the InternetInternet.
101
228000
2000
enquanto escrevem um CAPTCHA na Internet.
04:05
So the nextPróximo time you typetipo a CAPTCHACAPTCHA, these wordspalavras that you're typingdigitando
102
230000
3000
Quando escreverem um CAPTCHA,
a palavra que escreverem
04:08
are actuallyna realidade wordspalavras that are comingchegando from bookslivros that are beingser digitizeddigitalizados
103
233000
3000
é uma palavra que sai de livros
que estão a ser digitalizados
04:11
that the computercomputador could not recognizereconhecer.
104
236000
2000
e que o computador
não conseguiu reconhecer.
04:13
And now the reasonrazão we have two wordspalavras nowadayshoje em dia insteadem vez de of one
105
238000
2000
Agora temos duas palavras, em vez de uma,
04:15
is because, you see, one of the wordspalavras
106
240000
2000
porque uma das palavras
foi retirada de um livro
04:17
is a wordpalavra that the systemsistema just got out of a booklivro,
107
242000
2000
que o sistema não conseguia ler.
04:19
it didn't know what it was, and it's going to presentpresente it to you.
108
244000
3000
Mas como não sabe a resposta,
não consegue dizer-vos que palavra é.
04:22
But sinceDesde a it doesn't know the answerresponda for it, it cannotnão podes gradegrau it for you.
109
247000
3000
04:25
So what we do is we give you anotheroutro wordpalavra,
110
250000
2000
Por isso, dá-vos outra palavra,
04:27
one for whichqual the systemsistema does know the answerresponda.
111
252000
2000
para a qual o sistema conhece a resposta.
04:29
We don't tell you whichqual one'suns whichqual, and we say, please typetipo bothambos.
112
254000
2000
Não dizemos qual é qual.
Pedimos para escrever as duas.
04:31
And if you typetipo the correctum lugar para outro wordpalavra
113
256000
2000
Se escreverem a palavra correta
04:33
for the one for whichqual the systemsistema already knowssabe the answerresponda,
114
258000
2000
que o sistema já conhece,
04:35
it assumesassume you are humanhumano,
115
260000
2000
ele assume que vocês são humanos,
04:37
and it alsoAlém disso getsobtém some confidenceconfiança that you typeddigitado the other wordpalavra correctlycorretamente.
116
262000
2000
e acha que escreveram bem a outra palavra.
04:39
And if we repeatrepetir this processprocesso to like 10 differentdiferente people
117
264000
3000
Se repetirmos este processo
com 10 pessoas diferentes
e todas elas concordarem
qual é a nova palavra,
04:42
and all of them agreeaceita on what the newNovo wordpalavra is,
118
267000
2000
04:44
then we get one more wordpalavra digitizeddigitalizados accuratelycom precisão.
119
269000
2000
então temos mais uma palavra
digitalizada corretamente.
04:46
So this is how the systemsistema workstrabalho.
120
271000
2000
É assim que o sistema funciona.
04:48
And basicallybasicamente, sinceDesde a we releasedliberado it about threetrês or fourquatro yearsanos agoatrás,
121
273000
3000
Desde que o lançámos
há três ou quatro anos,
muitos websites já começaram a mudar
04:51
a lot of websitessites have startedcomeçado switchingcomutando
122
276000
2000
04:53
from the oldvelho CAPTCHACAPTCHA where people wasteddesperdiçado theirdeles time
123
278000
2000
do CAPTCHA onde as pessoas perdiam tempo
04:55
to the newNovo CAPTCHACAPTCHA where people are helpingajudando to digitizedigitalizar bookslivros.
124
280000
2000
para o novo CAPTCHA,
ajudando a digitalizar livros.
04:57
So for exampleexemplo, TicketmasterTicketmaster.
125
282000
2000
Por exemplo, o Ticketmaster.
04:59
So everycada time you buyComprar ticketsingressos on TicketmasterTicketmaster, you help to digitizedigitalizar a booklivro.
126
284000
3000
Quando compram bilhetes no Ticketmaster,
ajudam a digitalizar um livro.
05:02
FacebookFacebook: EveryCada time you addadicionar a friendamigos or pokegato por lebre somebodyalguém,
127
287000
2000
Facebook: Quando adicionam um amigo
05:04
you help to digitizedigitalizar a booklivro.
128
289000
2000
estão a ajudar a digitalizar um livro.
05:06
TwitterTwitter and about 350,000 other sitessites are all usingusando reCAPTCHAreCAPTCHA.
129
291000
3000
O Twitter e cerca de 350 000 websites
estão a usar o reCAPTCHA.
05:09
And in factfacto, the numbernúmero of sitessites that are usingusando reCAPTCHAreCAPTCHA is so highAlto
130
294000
2000
O número de sites a usar
o reCAPTCHA é tão grande
05:11
that the numbernúmero of wordspalavras that we're digitizingdigitalizando perpor day is really, really largeampla.
131
296000
3000
que o número de palavras que
digitalizamos por dia é muito grande.
05:14
It's about 100 millionmilhão a day,
132
299000
2000
É cerca de 100 milhões por dia,
05:16
whichqual is the equivalentequivalente of about two and a halfmetade millionmilhão bookslivros a yearano.
133
301000
4000
o que equivale
a dois milhões e meio de livros por ano.
05:20
And this is all beingser donefeito one wordpalavra at a time
134
305000
2000
Tudo isto é feito, palavra-a-palavra
05:22
by just people typingdigitando CAPTCHAsCAPTCHAs on the InternetInternet.
135
307000
2000
apenas com a escrita
de CAPTCHAs na Internet.
05:24
(ApplauseAplausos)
136
309000
8000
(Aplausos)
05:32
Now of coursecurso,
137
317000
2000
Agora, claro,
já que estamos a conseguir
tantas palavras por dia,
05:34
sinceDesde a we're doing so manymuitos wordspalavras perpor day,
138
319000
2000
05:36
funnyengraçado things can happenacontecer.
139
321000
2000
podem acontecer situações engraçadas.
05:38
And this is especiallyespecialmente trueverdade because now we're givingdando people
140
323000
2000
Estamos a dar às pessoas
05:40
two randomlyaleatoriamente chosenescolhido EnglishInglês wordspalavras nextPróximo to eachcada other.
141
325000
2000
duas palavras escolhidas
ao acaso, em conjunto.
05:42
So funnyengraçado things can happenacontecer.
142
327000
2000
Podem acontecer coisas engraçadas.
05:44
For exampleexemplo, we presentedapresentado this wordpalavra.
143
329000
2000
Por exemplo, demos a palavra "cristãos".
05:46
It's the wordpalavra "ChristiansCristãos"; there's nothing wrongerrado with it.
144
331000
2000
Nada de especial.
05:48
But if you presentpresente it alongao longo with anotheroutro randomlyaleatoriamente chosenescolhido wordpalavra,
145
333000
3000
Mas se a apresentarmos
com outra escolhida ao acaso,
05:51
badmau things can happenacontecer.
146
336000
2000
podem acontecer coisas más.
05:53
So we get this. (TextTexto: badmau christianscristãos)
147
338000
2000
Por exemplo. [Maus cristãos]
05:55
But it's even worsepior, because the particularespecial websitelocal na rede Internet where we showedmostrou this
148
340000
3000
Mas pior ainda, porque o site
em que mostrámos isto
05:58
actuallyna realidade happenedaconteceu to be calledchamado The EmbassyEmbaixada of the KingdomReino of God.
149
343000
3000
calhou chamar-se
"A Embaixada do Reino de Deus".
06:01
(LaughterRiso)
150
346000
2000
(Risos)
06:03
OopsOpa.
151
348000
2000
06:05
(LaughterRiso)
152
350000
3000
06:08
Here'sAqui é anotheroutro really badmau one.
153
353000
2000
Aqui está outra bem má.
06:10
JohnEdwardsJohnEdwards.comcom
154
355000
2000
JohnEdwards.com
06:12
(TextTexto: DamnMaldito liberalliberal)
155
357000
3000
[Maldito liberal]
(Risos)
06:15
(LaughterRiso)
156
360000
2000
06:17
So we keep on insultinginsultando people left and right everydaytodo dia.
157
362000
3000
Estamos sempre a insultar
pessoas por todo o lado.
06:20
Now, of coursecurso, we're not just insultinginsultando people.
158
365000
2000
Mas não estamos só a insultar pessoas.
06:22
See here'saqui está the thing, sinceDesde a we're presentingapresentando two randomlyaleatoriamente chosenescolhido wordspalavras,
159
367000
3000
Como apresentamos duas palavras
escolhidas ao acaso,
06:25
interestinginteressante things can happenacontecer.
160
370000
2000
podem acontecer coisas interessantes.
06:27
So this actuallyna realidade has givendado risesubir
161
372000
2000
Isto gerou um burburinho famoso na Internet
06:29
to a really biggrande InternetInternet memememe
162
374000
3000
em que já participaram
dezenas de milhares de pessoas
06:32
that tensdezenas of thousandsmilhares of people have participatedparticipou in,
163
377000
2000
06:34
whichqual is calledchamado CAPTCHACAPTCHA artarte.
164
379000
2000
que se chama: "CAPTCHA art".
06:36
I'm sure some of you have heardouviu about it.
165
381000
2000
Já devem ter ouvido falar nele.
06:38
Here'sAqui é how it workstrabalho.
166
383000
2000
Funciona assim:
06:40
ImagineImagine you're usingusando the InternetInternet and you see a CAPTCHACAPTCHA
167
385000
2000
Imaginem que veem um CAPTCHA
que acham que é,
de certa forma, esquisito,
06:42
that you think is somewhatum pouco peculiarpeculiar,
168
387000
2000
06:44
like this CAPTCHACAPTCHA. (TextTexto: invisibleinvisível toastertorradeira)
169
389000
2000
como este CAPTCHA
[Torradeira invisível]
06:46
Then what you're supposedsuposto to do is you take a screentela shottiro of it.
170
391000
2000
Depois, supostamente,
faz-se um printscreen.
06:48
Then of coursecurso, you fillencher out the CAPTCHACAPTCHA
171
393000
2000
e preenchem o CAPTCHA,
06:50
because you help us digitizedigitalizar a booklivro.
172
395000
2000
porque estão a ajudar
a digitalizar um livro.
06:52
But then, first you take a screentela shottiro,
173
397000
2000
Mas depois, fazem o printscreen
06:54
and then you drawdesenhar something that is relatedrelacionado to it.
174
399000
2000
e desenham algo relacionado com ele.
06:56
(LaughterRiso)
175
401000
2000
(Risos)
06:58
That's how it workstrabalho.
176
403000
3000
É assim que funciona.
07:01
There are tensdezenas of thousandsmilhares of these.
177
406000
3000
Há dezenas de milhares destes.
07:04
Some of them are very cutebonito. (TextTexto: clenchedcerrados it)
178
409000
2000
Alguns são adoráveis.
[consegui-o]
07:06
(LaughterRiso)
179
411000
2000
(Risos)
07:08
Some of them are funniermais engraçado.
180
413000
2000
Outros são mais divertidos.
07:10
(TextTexto: stonedchapado foundersfundadores)
181
415000
3000
[Fundadores pedrados]
07:13
(LaughterRiso)
182
418000
3000
(Risos)
07:16
And some of them,
183
421000
2000
E alguns deles,
como "paleontological shvisle"
07:18
like paleontologicalpaleontológica shvisleshvisle,
184
423000
3000
07:21
they containconter SnoopSnoop DoggDogg.
185
426000
2000
contêm o Snoop Dogg.
07:23
(LaughterRiso)
186
428000
3000
(Risos)
07:26
Okay, so this is my favoritefavorito numbernúmero of reCAPTCHAreCAPTCHA.
187
431000
2000
Ok, este é o meu número
preferido do reCAPTCHA.
07:28
So this is the favoritefavorito thing that I like about this wholetodo projectprojeto.
188
433000
3000
É a minha coisa preferida
em todo este projeto.
07:31
This is the numbernúmero of distinctdistinto people
189
436000
2000
É o número de pessoas
que nos ajudaram a digitalizar
07:33
that have helpedajudou us digitizedigitalizar at leastpelo menos one wordpalavra out of a booklivro throughatravés reCAPTCHAreCAPTCHA:
190
438000
3000
pelo menos uma palavra de um livro
através do reCAPTCHA:
07:36
750 millionmilhão,
191
441000
2000
750 mil milhões,
07:38
whichqual is a little over 10 percentpor cento of the world'sos mundos populationpopulação,
192
443000
2000
um pouco mais de 10%
da população mundial,
07:40
has helpedajudou us digitizedigitalizar humanhumano knowledgeconhecimento.
193
445000
2000
que nos ajudou a digitalizar
o conhecimento humano.
07:42
And it is numbersnúmeros like these that motivatemotivar my researchpesquisa agendaagenda.
194
447000
3000
São números como estes
que motivam a minha investigação.
07:45
So the questionquestão that motivatesmotiva my researchpesquisa is the followingSegue:
195
450000
3000
A questão que motiva
a minha investigação é esta:
07:48
If you look at humanity'shumanidade large-scaleem larga escala achievementsconquistas,
196
453000
2000
Se virmos as grandes
conquistas da humanidade,
07:50
these really biggrande things
197
455000
2000
as coisas realmente grandiosas
07:52
that humanityhumanidade has gottenobtido togetherjuntos and donefeito historicallyhistoricamente --
198
457000
3000
em que a humanidade
se juntou e fez história
— como a construção
das pirâmides do Egipto
07:55
like for exampleexemplo, buildingconstrução the pyramidspirâmides of EgyptEgito
199
460000
2000
07:57
or the PanamaPanamá CanalCanal
200
462000
2000
ou do canal do Panamá
07:59
or puttingcolocando a man on the MoonLua --
201
464000
2000
ou pôr um homem na Lua —
08:01
there is a curiouscurioso factfacto about them,
202
466000
2000
há um facto curioso relacionado com elas:
08:03
and it is that they were all donefeito with about the samemesmo numbernúmero off people.
203
468000
2000
todas foram feitas com quase
o mesmo número de pessoas.
08:05
It's weirdesquisito; they were all donefeito with about 100,000 people.
204
470000
3000
É estranho; todas foram feitas
com cerca de 100 000 pessoas.
08:08
And the reasonrazão for that is because, before the InternetInternet,
205
473000
3000
E a razão para isso é que,
antes da Internet,
08:11
coordinatingcoordenação more than 100,000 people,
206
476000
2000
coordenar mais do que 100 000 pessoas,
08:13
let alonesozinho payingpagando them, was essentiallyessencialmente impossibleimpossível.
207
478000
3000
quanto mais, pagar-lhes,
era quase impossível.
08:16
But now with the InternetInternet, I've just shownmostrando you a projectprojeto
208
481000
2000
Mas agora, com a Internet,
mostrei um projeto
08:18
where we'venós temos gottenobtido 750 millionmilhão people
209
483000
2000
em que temos 750 milhões de pessoas
08:20
to help us digitizedigitalizar humanhumano knowledgeconhecimento.
210
485000
2000
que nos ajudam a digitalizar
o conhecimento humano.
08:22
So the questionquestão that motivatesmotiva my researchpesquisa is,
211
487000
2000
Assim, o motive da minha investigação é:
08:24
if we can put a man on the MoonLua with 100,000,
212
489000
3000
se conseguimos pôr um homem
na Lua com 100 000 pessoas,
08:27
what can we do with 100 millionmilhão?
213
492000
2000
o que conseguiremos fazer com 100 milhões?
08:29
So basedSediada on this questionquestão,
214
494000
2000
Com base nesta questão,
08:31
we'venós temos had a lot of differentdiferente projectsprojetos that we'venós temos been workingtrabalhando on.
215
496000
2000
estamos a trabalhar
em muitos projetos diferentes
08:33
Let me tell you about one that I'm mosta maioria excitedanimado about.
216
498000
3000
Vou falar-vos sobre aquele
que mais me entusiasma.
08:36
This is something that we'venós temos been semi-quietlymeias em silêncio workingtrabalhando on
217
501000
2000
É uma coisa em que temos estado
a trabalhar discretamente
08:38
for the last yearano and a halfmetade or so.
218
503000
2000
no último ano e meio.
08:40
It hasn'tnão tem yetainda been launchedlançado. It's calledchamado DuolingoDuolingo.
219
505000
2000
Ainda não foi lançado. Chama-se Duolingo.
08:42
SinceDesde it hasn'tnão tem been launchedlançado, shhhhhShhhhh!
220
507000
2000
Como ainda não foi lançado, shhhhh!
08:44
(LaughterRiso)
221
509000
2000
(Risos)
08:46
Yeah, I can trustConfiar em you'llvocê vai do that.
222
511000
2000
Sim, confio que vão fazer isso.
08:48
So this is the projectprojeto. Here'sAqui é how it startedcomeçado.
223
513000
2000
O projeto é este. Começou assim.
08:50
It startedcomeçado with me posingposando a questionquestão to my graduategraduado studentaluna,
224
515000
2000
Fiz uma pergunta
a um estudante já licenciado,
08:52
SeverinSeverin HackerHacker.
225
517000
2000
Severin Hacker.
08:54
Okay, that's SeverinSeverin HackerHacker.
226
519000
2000
Este é o Severin Hacker.
(Risos)
08:56
So I posedposou the questionquestão to my graduategraduado studentaluna.
227
521000
2000
Fiz uma pergunta ao meu aluno.
08:58
By the way, you did hearouvir me correctlycorretamente;
228
523000
2000
Já agora, vocês ouviram bem,
09:00
his last namenome is HackerHacker.
229
525000
2000
o apelido dele é Hacker.
09:02
So I posedposou this questionquestão to him:
230
527000
2000
Fiz-lhe esta pergunta:
09:04
How can we get 100 millionmilhão people
231
529000
2000
"Como conseguir que 100 milhões de pessoas
09:06
translatingtraduzindo the WebWeb into everycada majorprincipal languagelíngua for freelivre?
232
531000
3000
"traduzam a web, de graça,
para as principais línguas?"
09:09
Okay, so there's a lot of things to say about this questionquestão.
233
534000
2000
Há muitas coisas a dizer acerca disto.
09:11
First of all, translatingtraduzindo the WebWeb.
234
536000
2000
Em primeiro lugar: traduzir a Web.
09:13
So right now the WebWeb is partitionedparticionado into multiplemúltiplo languageslínguas.
235
538000
3000
A web está dividida em várias línguas.
09:16
A largeampla fractionfração of it is in EnglishInglês.
236
541000
2000
Uma grande parte dela está em inglês.
09:18
If you don't know any EnglishInglês, you can't accessAcesso it.
237
543000
2000
Se não soubermos inglês,
não conseguimos percebê-la.
09:20
But there's largeampla fractionsfracções in other differentdiferente languageslínguas,
238
545000
2000
Mas há grandes frações noutras línguas.
09:22
and if you don't know those languageslínguas, you can't accessAcesso it.
239
547000
3000
Se não soubermos essas línguas,
não as percebemos.
09:25
So I would like to translatetraduzir all of the WebWeb, or at leastpelo menos mosta maioria of the WebWeb,
240
550000
3000
Por isso, gostaria de traduzir toda a web,
ou a maior parte dela,
09:28
into everycada majorprincipal languagelíngua.
241
553000
2000
em todas as línguas principais.
09:30
So that's what I would like to do.
242
555000
2000
É o que eu gostaria fazer.
09:32
Now some of you maypode say, why can't we use computerscomputadores to translatetraduzir?
243
557000
3000
Poderão dizer:
"Porque é que não usamos
computadores para traduzir?
09:35
Why can't we use machinemáquina translationtradução?
244
560000
2000
"ou tradução automática?
09:37
MachineMáquina translationtradução nowadayshoje em dia is startinginiciando to translatetraduzir some sentencesfrases here and there.
245
562000
2000
"A tradução automática já começa
a traduzir algumas frases.
09:39
Why can't we use it to translatetraduzir the wholetodo WebWeb?
246
564000
2000
"Porque não usá-la para toda a web?"
09:41
Well the problemproblema with that is that it's not yetainda good enoughsuficiente
247
566000
2000
O problema é que ela
ainda não é grande coisa
09:43
and it probablyprovavelmente won'tnão vai be for the nextPróximo 15 to 20 yearsanos.
248
568000
2000
nem o será, nos próximos 15 ou 20 anos.
09:45
It makesfaz com que a lot of mistakeserros.
249
570000
2000
Faz imensos erros.
09:47
Even when it doesn't make a mistakeerro,
250
572000
2000
Por causa disso, não sabemos
se podemos confiar nela ou não
09:49
sinceDesde a it makesfaz com que so manymuitos mistakeserros, you don't know whetherse to trustConfiar em it or not.
251
574000
3000
09:52
So let me showexposição you an exampleexemplo
252
577000
2000
Vou mostrar-vos um exemplo
duma coisa que foi traduzida
automaticamente.
09:54
of something that was translatedtraduzido with a machinemáquina.
253
579000
2000
09:56
ActuallyNa verdade it was a forumFórum postpostar.
254
581000
2000
Tratava-se de um post de um fórum.
09:58
It was somebodyalguém who was tryingtentando to askpergunte a questionquestão about JavaScriptJavaScript.
255
583000
3000
Alguém queria fazer uma pergunta
sobre JavaScript.
10:01
It was translatedtraduzido from JapaneseJaponês into EnglishInglês.
256
586000
3000
Foi traduzida de japonês para inglês.
10:04
So I'll just let you readler.
257
589000
2000
[...Agradeço computador traduzir ajudar.
Desculpem!]
10:06
This personpessoa startscomeça apologizingse desculpando
258
591000
2000
Esta pessoa começa por pedir desculpa
10:08
for the factfacto that it's translatedtraduzido with a computercomputador.
259
593000
2000
por estar a traduzir com um computador.
10:10
So the nextPróximo sentencesentença is is going to be the preamblepreâmbulo to the questionquestão.
260
595000
3000
A próxima frase é o preâmbulo da questão.
10:13
So he's just explainingexplicando something.
261
598000
2000
Está apenas a explicar.
10:15
RememberLembre-se, it's a questionquestão about JavaScriptJavaScript.
262
600000
3000
Lembrem-se, é uma questão
sobre o JavaScript.
[Frequentemente, o tempo de cabra
instalar um erro é vómito".)
10:19
(TextTexto: At oftenfrequentemente, the goat-timecabra-tempo installinstalar a errorerro is vomitVoMiT.)
263
604000
4000
(Risos)
10:23
(LaughterRiso)
264
608000
4000
10:27
Then comesvem the first partparte of the questionquestão.
265
612000
3000
Depois vem a primeira parte da pergunta.
[Quantas vezes como o vento,
um polo, e o dragão?)
10:30
(TextTexto: How manymuitos timesvezes like the windvento, a polepólo, and the dragonDragão?)
266
615000
4000
(Risos)
10:34
(LaughterRiso)
267
619000
2000
10:36
Then comesvem my favoritefavorito partparte of the questionquestão.
268
621000
3000
Depois vem a minha parte
preferida da pergunta
[Este insulto às pedras do pai?]
10:39
(TextTexto: This insultinsulto to father'spai stonespedras?)
269
624000
3000
10:42
(LaughterRiso)
270
627000
2000
(Risos)
10:44
And then comesvem the endingfinal, whichqual is my favoritefavorito partparte of the wholetodo thing.
271
629000
3000
E por fim, a minha parte favorita
disto tudo.
10:47
(TextTexto: Please apologizepedir desculpas for your stupidityestupidez. There are a manymuitos thank you.)
272
632000
4000
[Por favor peçam desculpa
pela vossa estupidez. Há imensos obrigado]
10:51
(LaughterRiso)
273
636000
2000
(Risos)
10:53
Okay, so computercomputador translationtradução, not yetainda good enoughsuficiente.
274
638000
2000
A tradução por computadores,
ainda não é grande coisa.
10:55
So back to the questionquestão.
275
640000
2000
Voltando à nossa questão:
10:57
So we need people to translatetraduzir the wholetodo WebWeb.
276
642000
3000
Precisamos de pessoas
que traduzam toda a web.
11:00
So now the nextPróximo questionquestão you maypode have is,
277
645000
2000
A próxima pergunta que podem ter é,
11:02
well why can't we just paypagamento people to do this?
278
647000
2000
"Porque é que não pagamos a pessoas
para fazer isto?
11:04
We could paypagamento professionalprofissional languagelíngua translatorstradutores to translatetraduzir the wholetodo WebWeb.
279
649000
3000
Podíamos pagar a tradutores profissionais
para traduzir toda a web.
11:07
We could do that.
280
652000
2000
Podíamos fazer isso
mas seria extremamente caro.
11:09
UnfortunatelyInfelizmente, it would be extremelyextremamente expensivecaro.
281
654000
2000
11:11
For exampleexemplo, translatingtraduzindo a tinyminúsculo, tinyminúsculo fractionfração of the wholetodo WebWeb, WikipediaWikipédia,
282
656000
3000
Por exemplo: traduzir uma fração
minúscula de toda a web, a Wikipédia,
11:14
into one other languagelíngua, SpanishEspanhol.
283
659000
3000
para uma outra língua, o espanhol.
11:17
WikipediaWikipédia existsexiste in SpanishEspanhol,
284
662000
2000
A Wikipédia existe em espanhol,
11:19
but it's very smallpequeno comparedcomparado to the sizeTamanho of EnglishInglês.
285
664000
2000
mas é muito pequena
quando comparada com o inglês.
11:21
It's about 20 percentpor cento of the sizeTamanho of EnglishInglês.
286
666000
2000
É cerca de 20% do tamanho em inglês.
11:23
If we wanted to translatetraduzir the other 80 percentpor cento into SpanishEspanhol,
287
668000
3000
Se quiséssemos traduzir
os outros 80% para espanhol,
11:26
it would costcusto at leastpelo menos 50 millionmilhão dollarsdólares --
288
671000
2000
custar-nos-ia, pelo menos,
50 milhões de dólares,
11:28
and this is at even the mosta maioria exploitedexploradas, outsourcingterceirização countrypaís out there.
289
673000
3000
mesmo no país fornecedor
mais explorado que existe.
11:31
So it would be very expensivecaro.
290
676000
2000
Seria extremamente caro.
11:33
So what we want to do is we want to get 100 millionmilhão people
291
678000
2000
Queremos que haja 100 milhões de pessoas
11:35
translatingtraduzindo the WebWeb into everycada majorprincipal languagelíngua
292
680000
2000
a traduzir a web, de graça,
em todas as línguas principais,
11:37
for freelivre.
293
682000
2000
11:39
Now if this is what you want to do,
294
684000
2000
Se queremos fazer isto,
percebemos logo que há
duas barreiras bem grandes,
11:41
you prettybonita quicklyrapidamente realizeperceber you're going to runcorre into two prettybonita biggrande hurdlescom barreiras,
295
686000
2000
11:43
two biggrande obstaclesobstáculos.
296
688000
2000
dois grandes obstáculos.
11:45
The first one is a lackfalta of bilingualsfalantes bilingues.
297
690000
3000
A primeira é a falta de bilingues.
11:48
So I don't even know
298
693000
2000
Nem sei se existem 100 milhões
de utilizadores da web
11:50
if there existsexiste 100 millionmilhão people out there usingusando the WebWeb
299
695000
3000
que sejam suficientemente bilingues
para nos ajudar a traduzir.
11:53
who are bilingualbilingue enoughsuficiente to help us translatetraduzir.
300
698000
2000
11:55
That's a biggrande problemproblema.
301
700000
2000
Esse é um grande problema.
11:57
The other problemproblema you're going to runcorre into is a lackfalta of motivationmotivação.
302
702000
2000
Outro problema é a falta de motivação.
11:59
How are we going to motivatemotivar people
303
704000
2000
Como é que vamos motivar as pessoas
12:01
to actuallyna realidade translatetraduzir the WebWeb for freelivre?
304
706000
2000
a traduzir a web de graça?
12:03
NormallyNormalmente, you have to paypagamento people to do this.
305
708000
3000
Normalmente, é preciso pagar para isso.
12:06
So how are we going to motivatemotivar them to do it for freelivre?
306
711000
2000
Como é que as vamos motivar
para o fazerem de graça?
12:08
Now when we were startinginiciando to think about this, we were blockedbloqueado by these two things.
307
713000
3000
A princípio, ficámos bloqueados
por estes dois aspetos.
12:11
But then we realizedpercebi, there's actuallyna realidade a way
308
716000
2000
Mas depois percebemos
que há uma maneira
12:13
to solveresolver bothambos these problemsproblemas with the samemesmo solutionsolução.
309
718000
2000
de resolver ambos os problemas
com a mesma solução.
12:15
There's a way to killmatar two birdspássaros with one stonepedra.
310
720000
2000
Podemos matar dois coelhos
só com uma cajadada.
12:17
And that is to transformtransformar languagelíngua translationtradução
311
722000
3000
E isso faz-se transformando a tradução
12:20
into something that millionsmilhões of people want to do,
312
725000
3000
numa coisa que milhões
de pessoas queiram fazer,
12:23
and that alsoAlém disso helpsajuda with the problemproblema of lackfalta of bilingualsfalantes bilingues,
313
728000
3000
e que também diminua
o problema da falta de bilingues.
12:26
and that is languagelíngua educationEducação.
314
731000
3000
Faz-se isso através
da educação linguística.
12:29
So it turnsgira out that todayhoje,
315
734000
2000
Acontece que, hoje em dia,
há mais de 1,2mil milhões de pessoas
a aprender uma língua estrangeira.
12:31
there are over 1.2 billionbilhão people learningAprendendo a foreignestrangeiro languagelíngua.
316
736000
3000
12:34
People really, really want to learnaprender a foreignestrangeiro languagelíngua.
317
739000
2000
As pessoas querem imenso
aprender uma língua estrangeira.
12:36
And it's not just because they're beingser forcedforçado to do so in schoolescola.
318
741000
3000
Não é por estarem a ser forçadas
a aprender na escola.
12:39
For exampleexemplo, in the UnitedUnidos StatesEstados-Membros alonesozinho,
319
744000
2000
Só nos EUA, há mais
de 5 milhões de pessoas
12:41
there are over fivecinco millionmilhão people who have paidpago over $500
320
746000
2000
que pagaram mais de 500 dólares
12:43
for softwareProgramas to learnaprender a newNovo languagelíngua.
321
748000
2000
por software para aprenderem
uma nova língua.
12:45
So people really, really want to learnaprender a newNovo languagelíngua.
322
750000
2000
As pessoas querem mesmo
aprender uma nova língua.
12:47
So what we'venós temos been workingtrabalhando on for the last yearano and a halfmetade is a newNovo websitelocal na rede Internet --
323
752000
3000
Por isso, no último ano e meio,
temos trabalhado
12:50
it's calledchamado DuolingoDuolingo --
324
755000
2000
num novo website, chamado Duolingo,
12:52
where the basicbásico ideaidéia is people learnaprender a newNovo languagelíngua for freelivre
325
757000
3000
onde a ideia principal é que as pessoas
aprendam uma nova língua de graça
12:55
while simultaneouslysimultaneamente translatingtraduzindo the WebWeb.
326
760000
2000
ao mesmo tempo que traduzem a web.
12:57
And so basicallybasicamente they're learningAprendendo by doing.
327
762000
2000
Ou seja, aprendem fazendo.
12:59
So the way this workstrabalho
328
764000
2000
Funciona assim:
13:01
is wheneversempre que you're a just a beginneriniciante, we give you very, very simplesimples sentencesfrases.
329
766000
3000
quando se trata de um principiante,
damos-lhe frases muito simples.
13:04
There's, of coursecurso, a lot of very simplesimples sentencesfrases on the WebWeb.
330
769000
2000
Claro que há imensas frases
simples na web.
13:06
We give you very, very simplesimples sentencesfrases
331
771000
2000
Frases muito simples juntamente
com o significado de cada palavra.
13:08
alongao longo with what eachcada wordpalavra meanssignifica.
332
773000
2000
13:10
And as you translatetraduzir them, and as you see how other people translatetraduzir them,
333
775000
3000
À medida que se traduz, à medida que se vê
como as outras pessoas as traduzem,
13:13
you startcomeçar learningAprendendo the languagelíngua.
334
778000
2000
começa-se a aprender a língua.
13:15
And as you get more and more advancedavançado,
335
780000
2000
E à medida que vai avançando,
13:17
we give you more and more complexcomplexo sentencesfrases to translatetraduzir.
336
782000
2000
damos-lhe frases mais complexas
para traduzir.
13:19
But at all timesvezes, you're learningAprendendo by doing.
337
784000
2000
Mas está-se sempre a aprender fazendo.
13:21
Now the crazylouco thing about this methodmétodo
338
786000
2000
O que é invulgar neste método
é que realmente funciona.
13:23
is that it actuallyna realidade really workstrabalho.
339
788000
2000
Primeiro, as pessoas
estão a aprender uma língua.
13:25
First of all, people are really, really learningAprendendo a languagelíngua.
340
790000
2000
13:27
We're mostlyna maioria das vezes donefeito buildingconstrução it, and now we're testingtestando it.
341
792000
2000
Já acabámos de o construir,
agora estamos a testá-lo.
13:29
People really can learnaprender a languagelíngua with it.
342
794000
2000
As pessoas aprendem uma língua
13:31
And they learnaprender it about as well as the leadingconduzindo languagelíngua learningAprendendo softwareProgramas.
343
796000
3000
tão bem como com o melhor software
de aprendizagem de línguas.
13:34
So people really do learnaprender a languagelíngua.
344
799000
2000
As pessoas aprendem mesmo uma língua.
13:36
And not only do they learnaprender it as well,
345
801000
2000
Não só aprendem uma língua,
13:38
but actuallyna realidade it's way more interestinginteressante.
346
803000
2000
é muito mais interessante.
13:40
Because you see with DuolingoDuolingo, people are actuallyna realidade learningAprendendo with realreal contentconteúdo.
347
805000
3000
Porque, com o Duolingo, as pessoas
estão a aprender com conteúdos reais.
13:43
As opposedopôs-se to learningAprendendo with made-upconfeccionados sentencesfrases,
348
808000
2000
Em vez de aprenderem com frases feitas,
13:45
people are learningAprendendo with realreal contentconteúdo, whichqual is inherentlyinerentemente interestinginteressante.
349
810000
3000
as pessoas aprendem
com um conteúdo real, que é interessante.
13:48
So people really do learnaprender a languagelíngua.
350
813000
2000
As pessoas aprendem uma língua.
13:50
But perhapspossivelmente more surprisinglysurpreendentemente,
351
815000
2000
Mas talvez mais surpreendente do que isso,
13:52
the translationstraduções that we get from people usingusando the sitelocal,
352
817000
3000
as traduções que obtemos
através dos utilizadores do site,
13:55
even thoughApesar they're just beginnersiniciantes,
353
820000
2000
embora sejam de principiantes,
13:57
the translationstraduções that we get are as accuratepreciso as those of professionalprofissional languagelíngua translatorstradutores,
354
822000
3000
são tão precisas como as
dos tradutores linguísticos profissionais,
14:00
whichqual is very surprisingsurpreendente.
355
825000
2000
o que é bastante surpreendente.
14:02
So let me showexposição you one exampleexemplo.
356
827000
2000
Vou mostrar-vos um exemplo.
14:04
This is a sentencesentença that was translatedtraduzido from GermanAlemão into EnglishInglês.
357
829000
2000
Esta frase foi traduzida
de alemão para inglês.
14:06
The toptopo is the GermanAlemão.
358
831000
2000
A de cima, é o original em alemão.
14:08
The middlemeio is an EnglishInglês translationtradução
359
833000
2000
A do meio, é uma tradução em inglês
14:10
that was donefeito by somebodyalguém who was a professionalprofissional EnglishInglês translatortradutor
360
835000
2000
feita por um tradutor profissional inglês
14:12
who we paidpago 20 centscentavos a wordpalavra for this translationtradução.
361
837000
2000
a quem pagámos 20 cêntimos
por palavra pela tradução.
14:14
And the bottominferior is a translationtradução by usersComercial of DuolingoDuolingo,
362
839000
3000
A de baixo, é a tradução
dos utilizadores do Duolingo,
14:17
noneNenhum of whomo qual knewsabia any GermanAlemão
363
842000
2000
nenhum dos quais sabia alemão
14:19
before they startedcomeçado usingusando the sitelocal.
364
844000
2000
antes de começar a usar o site.
14:21
You can see, it's prettybonita much perfectperfeito.
365
846000
2000
Como podem ver, é quase perfeita.
14:23
Now of coursecurso, we playToque a tricktruque here
366
848000
2000
Claro que usamos aqui um truque
para tornar as traduções tão boas
como as dos tradutores profissionais.
14:25
to make the translationstraduções as good as professionalprofissional languagelíngua translatorstradutores.
367
850000
2000
14:27
We combinecombinar the translationstraduções of multiplemúltiplo beginnersiniciantes
368
852000
3000
Combinamos as traduções
de vários principiantes
14:30
to get the qualityqualidade of a singlesolteiro professionalprofissional translatortradutor.
369
855000
3000
para conseguir a qualidade
de um único tradutor profissional.
14:33
Now even thoughApesar we're combiningcombinando the translationstraduções,
370
858000
5000
Embora estejamos a combinar as traduções,
14:38
the sitelocal actuallyna realidade can translatetraduzir prettybonita fastvelozes.
371
863000
2000
o website consegue traduzir
de forma bastante rápida.
14:40
So let me showexposição you,
372
865000
2000
Vou mostrar a nossa estimativa
14:42
this is our estimatesestimativas of how fastvelozes we could translatetraduzir WikipediaWikipédia
373
867000
2000
quanto à rapidez da tradução da Wikipédia
14:44
from EnglishInglês into SpanishEspanhol.
374
869000
2000
de inglês para espanhol.
14:46
RememberLembre-se, this is 50 millionmilhão dollars-worthdólares of valuevalor.
375
871000
3000
Lembrem-se, isto vale
50 milhões de dólares.
14:49
So if we wanted to translatetraduzir WikipediaWikipédia into SpanishEspanhol,
376
874000
2000
A tradução da Wikipédia para espanhol,
14:51
we could do it in fivecinco weekssemanas with 100,000 activeativo usersComercial.
377
876000
3000
podia ser feita, em cinco semanas,
com 100 000 utilizadores ativos,
14:54
And we could do it in about 80 hourshoras with a millionmilhão activeativo usersComercial.
378
879000
3000
em cerca de 80 horas, com um milhão
de utilizadores ativos.
14:57
SinceDesde all the projectsprojetos that my groupgrupo has workedtrabalhou on so farlonge have gottenobtido millionsmilhões of usersComercial,
379
882000
3000
Como todos os projetos em que temos
trabalhado tiveram milhões de utilizadores,
15:00
we're hopefulesperançoso that we'llbem be ablecapaz to translatetraduzir
380
885000
2000
temos esperança que conseguiremos traduzir
15:02
extremelyextremamente fastvelozes with this projectprojeto.
381
887000
2000
muito depressa, com este projeto.
15:04
Now the thing that I'm mosta maioria excitedanimado about with DuolingoDuolingo
382
889000
3000
A coisa que mais me entusiasma no Duolingo
15:07
is I think this providesfornece a fairjusto businesso negócio modelmodelo for languagelíngua educationEducação.
383
892000
3000
é que penso que isto proporciona
um modelo de negócio justo
15:10
So here'saqui está the thing:
384
895000
2000
para a educação linguística.
No atual modelo
para a educação linguística,
15:12
The currentatual businesso negócio modelmodelo for languagelíngua educationEducação
385
897000
2000
15:14
is the studentaluna payspaga,
386
899000
2000
o aluno paga, ou seja,
15:16
and in particularespecial, the studentaluna payspaga RosettaRoseta StonePedra 500 dollarsdólares.
387
901000
2000
o aluno paga 500 dólares à Rosetta Stone.
15:18
(LaughterRiso)
388
903000
2000
(Risos)
15:20
That's the currentatual businesso negócio modelmodelo.
389
905000
2000
Este é o modelo de negócio atual.
15:22
The problemproblema with this businesso negócio modelmodelo
390
907000
2000
O problema deste modelo de negócio
15:24
is that 95 percentpor cento of the world'sos mundos populationpopulação doesn't have 500 dollarsdólares.
391
909000
3000
é que 95% da população mundial
não tem 500 dólares.
15:27
So it's extremelyextremamente unfairinjusto towardsem direção the poorpobre.
392
912000
3000
Por isso, é extremamente injusto
para os mais pobres.
15:30
This is totallytotalmente biasedtendencioso towardsem direção the richrico.
393
915000
2000
É completamente favorecedor dos ricos.
15:32
Now see, in DuolingoDuolingo,
394
917000
2000
Agora vejam, no Duolingo,
15:34
because while you learnaprender
395
919000
2000
como, enquanto aprendem,
15:36
you're actuallyna realidade creatingcriando valuevalor, you're translatingtraduzindo stuffcoisa --
396
921000
3000
estão a criar valor,
estão a traduzir coisas
15:39
whichqual for exampleexemplo, we could chargecarregar somebodyalguém for translationstraduções.
397
924000
3000
que podíamos cobrar a alguém
pelas traduções.
15:42
So this is how we could monetizerentabilizar o this.
398
927000
2000
É assim que poderíamos valorizar isto.
15:44
SinceDesde people are creatingcriando valuevalor while they're learningAprendendo,
399
929000
2000
Como as pessoas estão a criar valor
enquanto estão a aprender,
15:46
they don't have to paypagamento theirdeles moneydinheiro, they paypagamento with theirdeles time.
400
931000
3000
não têm de pagar nada,
pagam com o seu tempo.
15:49
But the magicalmágico thing here is that they're payingpagando with theirdeles time,
401
934000
3000
O que é mágico aqui é que elas estão
a pagar com o seu tempo,
15:52
but that is time that would have had to have been spentgasto anywaysde qualquer maneira
402
937000
2000
mas é o tempo que teriam de gastar
de qualquer maneira
15:54
learningAprendendo the languagelíngua.
403
939000
2000
a aprender a língua.
15:56
So the nicebom thing about DuolingoDuolingo is I think it providesfornece a fairjusto businesso negócio modelmodelo --
404
941000
3000
O Duolingo é bom porque proporciona
um modelo de negócio justo
15:59
one that doesn't discriminatediscriminar againstcontra poorpobre people.
405
944000
2000
que não discrimina as pessoas pobres.
16:01
So here'saqui está the sitelocal. Thank you.
406
946000
2000
O site é este.
16:03
(ApplauseAplausos)
407
948000
8000
(Aplausos)
Obrigado.
16:11
So here'saqui está the sitelocal.
408
956000
2000
O site é este.
16:13
We haven'tnão tem yetainda launchedlançado,
409
958000
2000
Ainda não o lançámos,
16:15
but if you go there, you can signplaca up to be partparte of our privateprivado betabeta,
410
960000
3000
mas se forem lá, podem inscrever-se
para fazer parte do nosso beta privado,
16:18
whichqual is probablyprovavelmente going to startcomeçar in about threetrês or fourquatro weekssemanas.
411
963000
2000
que irá começar dentro
de três ou quatro semanas.
16:20
We haven'tnão tem yetainda launchedlançado this DuolingoDuolingo.
412
965000
2000
Ainda não lançámos este Duolingo.
16:22
By the way, I'm the one talkingfalando here,
413
967000
2000
Já agora, eu sou um porta-voz.
16:24
but actuallyna realidade DuolingoDuolingo is the work of a really awesomeimpressionante teamequipe, some of whomo qual are here.
414
969000
3000
O Duolingo é o trabalho
de uma equipa fantástica,
estão aqui alguns dos seus membros.
16:27
So thank you.
415
972000
2000
Obrigado.
16:29
(ApplauseAplausos)
416
974000
4000
(Aplausos)
Translated by Ana Luísa Bernardino
Reviewed by Nuno Couto

▲Back to top

ABOUT THE SPEAKER
Luis von Ahn - Computer scientist
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone.

Why you should listen

Louis von Ahn is an associate professor of Computer Science at Carnegie Mellon University, and he's at the forefront of the crowdsourcing craze. His work takes advantage of the evergrowing Web-connected population to acheive collaboration in unprecedented numbers. His projects aim to leverage the crowd for human good. His company reCAPTCHA, sold to Google in 2009, digitizes human knowledge (books), one word at a time. His new project is Duolingo, which aims to get 100 million people translating the Web in every major language.

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