Wie viele von Ihnen mussten schon einmal ein Internetformular ausfüllen, beid dem Sie aufgefordert wurden eine Reihe verzerrter Buchstaben wie diese zu lesen? Wie viele von Ihnen fanden das wirklich lästig? OK, hervorragend. Also, ich habe das erfunden.
How many of you had to fill out a web form where you've been asked to read a distorted sequence of characters like this? How many of you found it really annoying?
(Lachen) Oder ich war einer der Leute, die das erfunden haben.
(Laughter) OK, outstanding. So I invented that. (Laughter)
Dieses Ding heisst CAPTCHA. Es ist dazu da sicherzustellen, dass der der das Formular ausfüllt wirklich ein Mensch ist und nicht irgendein Computerprogramm, das geschrieben wurde um das Formular viele Millionen Mal abzuschicken. Das funktioniert, weil Menschen, wenigsten die nicht sehbehinderten, keine Probleme haben diese verzerrten schnörkeligen Buchstaben zu lesen, während Computerprogramme das bisher einfach noch nicht so gut können. Im Fall von Ticketmaster zum Beispiel, müssen Sie diese verzerrten Buchstaben tippen, um zu vermeiden, dass Kartenschwarzhändler ein Progamm schreiben das Millionen von Tickets kauft, immer jeweils zwei.
Or I was one of the people who did it. That thing is called a CAPTCHA. And it is there to make sure you, the entity filling out the form, are a human and not a computer program that was written to submit the form millions of times. The reason it works is because humans, at least non-visually-impaired humans, have no trouble reading these distorted characters, whereas programs can't do it as well yet. In the case of Ticketmaster, the reason you have to type these characters is to prevent scalpers from writing a program that can buy millions of tickets, two at a time.
CAPTCHAs werden überall im Internet benutzt. Und weil sie so häufig benutzt werden, ist die genaue Sequenz der zufälligen Buchstaben die dem User gezeigt wird oft nicht so glücklich. Dies ist ein Beispiel von der Yahoo Anmeldungsseite. Die zufälligen Buchstaben die dem User gezeigt wurden sind W, A, I, T, und das ergebit natürlich ein Wort ("WARTEN"). Aber das beste daran ist die Nachricht, die beim Yahoo Helpdesk etwa 20 Minuten später einging. Text: "Hilfe! Ich warte schon über 20 Minuten und nichts passiert." (Lachen) Diese Person dachte, sie müsse warten. Natürlich ist das nicht so schlimm wie für diese arme Person.
CAPTCHAs are used all over the Internet. And since they're used so often, a lot of times the sequence of random characters shown to the user is not so fortunate. So this is an example from the Yahoo registration page. The random characters that happened to be shown to the user were W, A, I, T, which, of course, spell a word. But the best part is the message that the Yahoo help desk got about 20 minutes later. [Help! I've been waiting for over 20 minutes and nothing happens.] (Laughter) This person thought they needed to wait. This, of course, is not as bad as this poor person.
(Lachen)
(Laughter)
Das CAPTCHA Projekt machten wir hier bei Carnegie Mellon vor über 10 Jahren, und es ist überall benutzt worden. Lassen Sie mich Ihnen nun von einem Projekt erzählen, das wir einige Jahre später machten, eine Art Entwicklung von CAPTCHA. Dies Projekt haben wir reCAPTCHA genannt. Wir starteten das hier bei Carnegie Mellon, dann machten wir daraus ein Start-up-Unternehmen. Und dann vor eineinhalb Jahren hat Google dieses Unternehmen gekauft.
CAPTCHA Project is something that we did at Carnegie Melllon over 10 years ago, and it's been used everywhere. Let me now tell you about a project that we did a few years later, which is sort of the next evolution of CAPTCHA. This is a project that we call reCAPTCHA, which is something that we started here at Carnegie Mellon, then we turned it into a start-up company. And then about a year and a half ago, Google actually acquired this company.
Lassen Sie mich erzählen, was dieses Projekt gestartet hat. Dieses Projekt begann mit folgender Erkenntnis: etwa 200 Millionen CAPTCHAs werden jeden Tag von Leuten auf der Welt getippt. Als ich das zum ersten Mal hörte, war ich recht stolz. Ich dachte mir, was für einen Einfluss meine Forschungsarbeit hat. Aber dann begann ich mich schlecht zu fühlen. Es ist so, jedes Mal wenn Sie ein CAPTCHA tippen, verschwenden Sie im Wesentlichen 10 Sekunden ihrer Zeit. Und wenn man das mit 200 Millionen multipliziert, ergibt sich, dass die Menschheit insgesamt ca. 500.000 Stunden pro Tag damit vergeudet diese lästigen CAPTCHAs zu tippen. Dann begann ich mich schlecht zu fühlen.
Let me tell you what this project started. This project started from the following realization: It turns out that approximately 200 million CAPTCHAs are typed everyday by people around the world. When I first heard this, I was quite proud of myself. I thought, look at the impact my research has had. But then I started feeling bad. Here's the thing: each time you type a CAPTCHA, essentially, you waste 10 seconds of your time. And if you multiply that by 200 million, you get that humanity is wasting about 500,000 hours every day typing these annoying CAPTCHAs. (Laughter)
(Lachen)
So then I started feeling bad.
Und ich dachte, dass wir CAPTCHAS nicht ganz loswerden können, da die Sicherheit des Webs sozusagen von ihnen abhängt. Aber dann überlegte ich, ob wir irgendwie diese Leistung für etwas verwenden können das gut für die Menschheit ist. Also, sehen Sie es ist so. Während Sie das CAPTCHA schreiben, während dieser 10 Sekunden, da macht Ihr Gehirn etwas Erstaunliches. Das Gehirn macht etwas, das Compuer noch nicht machen können. Also, können wir Sie dazu bekommen in diesen 10 Sekunden etwas Nützliches zu tun? Um es anders auszudrücken, gibt es ein riesiges Problem, das wir mit Computern noch nicht lösen können, aber das, wenn wir es in winzige 10 Sekunden Teile teilen, jedesmal wenn jemand ein CAPTCHA löst, dieser jemand ein kleines bisschen des Problems löst? Die Antwort ist "Ja" und daran arbeiten wir jetzt.
(Laughter) And then I started thinking, of course, we can't just get rid of CAPTCHAs, because the security of the web depends on them. But then I started thinking, can we use this effort for something that is good for humanity? So see, here's the thing. While you're typing a CAPTCHA, during those 10 seconds, your brain is doing something amazing. Your brain is doing something that computers cannot yet do. So can we get you to do useful work for those 10 seconds? Is there some humongous problem that we cannot yet get computers to solve, yet we can split into tiny 10-second chunks such that each time somebody solves a CAPTCHA, they solve a little bit of this problem? And the answer to that is "yes," and this is what we're doing now.
Was Sie vielleicht nicht wissen ist, dass wenn Sie heutzutage ein CAPTCHA tippen bestätigen Sie nicht nur, dass Sie ein Mensch sind, sondern helfen uns zusätzlich noch dabei Bücher zu digitalisieren. Lassen Sie mich erklären, wie das funktioniert. Es gibt viele Projekte, die versuchen Bücher zu digitalisieren. Google hat eins. Das Internet Archive hat eins. Amazon, mit dem Kindle, versucht Bücher zu digitalisieren. In Grunde genommen macht man es indem man mit einem alten Buch anfängt. So etwas haben Sie schon einmal gesehen, nicht war? So ein Buch? (Lachen) Also man nimmt ein Buch und dann scannt man es.
Nowadays, while you're typing a CAPTCHA, not only are you authenticating yourself as a human, but in addition you're helping us to digitize books. Let me explain how this works. There's a lot of projects trying to digitize books. Google has one. The Internet Archive has one. Amazon, with the Kindle, is trying to digitize books. Basically, the way this works is you start with an old book. You've seen those things, right? Like a book? (Laughter)
Ein Buch zu scannen ist wie ein Digitalfoto von jeder Seite des Buches zu machen. Man erhält ein Bild für jede Seite des Buches. Dies ist ein Bild mit Text für jede Seite des Buches. Der nächste Schritt in diesem Prozess ist, dass der Computer jedes Wort in diesem Bild entziffern muss. Dabei wird OCR genannte Technologie benutzt, optical character recognition / Optische Zeichenerkennung, die ein Bild des Textes nimmt und versucht herauszufinden, was für Text sich darauf befindet. Das Problem ist, dass OCR nicht perfekt ist. Besonders bei älteren Büchern bei denen die Tinte verblichen ist und Seiten gelb geworden sind, kann OCR viele Wörter nicht erkennen. Zum Beispiel bei Sachen die vor mehr als 50 Jahren geschrieben worden kann der Computer etwa 30 Prozent der Wörter nicht erkennen. Was wir also nun machen ist, dass wir all die Wörter nehmen die der Computer nicht erkennen kann und Leute die für uns lesen lassen während sie ein CAPTCHA im Internet schreiben.
So you start with a book and then you scan it. Now, scanning a book is like taking a digital photograph of every page. It gives you an image for every page. This is an image with text for every page of the book. The next step in the process is that the computer needs to be able to decipher the words in this image. That's using a technology called OCR, for optical character recognition, which takes a picture of text and tries to figure out what text is in there. Now, the problem is that OCR is not perfect. Especially for older books where the ink has faded and the pages have turned yellow, OCR cannot recognize a lot of the words. For things that were written more than 50 years ago, the computer cannot recognize about 30 percent of the words. So now we're taking all of the words that the computer cannot recognize and we're getting people to read them for us while they're typing a CAPTCHA on the Internet.
Wenn Sie also das nächste Mal ein CAPTCHA tippen, sind die Wörter die Sie tippen tatsächlich Wörter aus Büchern die digitalisiert werden und die der Computer nicht erkennen konnte. Warum wir jetzt zwei Wörter anstatt einem haben ist, dass eines der Wörter ein Wort ist, das das System aus einem Buch hat, aber von dem es nicht wusste, was es bedeutet, und das zeigt es Ihnen nun. Aber da es die Antwort darauf nicht kennt, kann es Sie dafür nicht bewerten. Deswegen geben wir Ihnen ein anderes Wort, eines für das das System die Antwort kennt. Wir sagen Ihnen nicht welches was ist, und wir sagen, bitte tippen Sie beide. Und wenn Sie das richte Wort schreiben für das, für das das System die Antwort bereits kennt, dann nimmt es an, Sie sind ein Mensch und es gewinnt an Zuversicht, dass Sie das andere Wort korrekt geschrieben haben. Und wenn man diesen Prozess mit so 10 unterschiedlichen Leuten wiederholt, und alle sich einig sind was das neue Wort ist, dann ist ein weiteres Wort fehlerfrei digitalisiert.
So the next time you type a CAPTCHA, these words that you're typing are actually words from books that are being digitized that the computer could not recognize. The reason we have two words nowadays instead of one is because one of the words is a word that the system just got out of a book, it didn't know what it was and it's going to present it to you. But since it doesn't know the answer, it cannot grade it. So we give you another word, for which the system does know the answer. We don't tell you which one's which and we say, please type both. And if you type the correct word for the one for which the system knows the answer, it assumes you are human and it also gets some confidence that you typed the other word correctly. And if we repeat this process to 10 different people and they agree on what the new word is, then we get one more word digitized accurately.
So funktioniert das System. Und da wir das vor drei, vier Jahren herausgebracht haben, haben viele Websites gewechselt von dem alten CAPTCHA bei dem Leute Zeit vergeudet haben zum neuen CAPTCHA bei dem Leute helfen Bücher zu digitalisieren. Zum Beispiel Ticketmaster. Jedes Mal also wenn Sie Tickets bei Ticketmaster kaufen, helfen Sie ein Buch zu digitalisieren. Facebook: Jedes Mal wenn Sie einen Freund hinzufügen oder jemanden anstupsen, helfen Sie dabei ein Buch zu digitalisieren. Twitter und etwa 350.000 andere Seiten benutzen alle reCAPTCHA. Die Zahl der Seiten die reCAPTCHA benutzen ist tatsächlich so hoch, dass die Zahl der Wörter die wir pro Tag digitalisieren sehr, sehr gross ist. Es sind etwa 100 Millionen pro Tag, das entspricht etwa 2.5 Millionen Büchern pro Jahr. Und all dies geschieht Wort für Wort, bloss durch Leute die im Internet CAPTCHAs tippen.
So this is how the system works. And since we released it about three or four years ago, a lot of websites have started switching from the old CAPTCHA, where people wasted their time, to the new CAPTCHA where people are helping to digitize books. So every time you buy tickets on Ticketmaster, you help to digitize a book. Facebook: Every time you add a friend or poke somebody, you help to digitize a book. Twitter and about 350,000 other sites are all using reCAPTCHA. And the number of sites that are using reCAPTCHA is so high that the number of words we're digitizing per day is really large. It's about 100 million a day, which is the equivalent of about two and a half million books a year. And this is all being done one word at a time
(Applaus)
by just people typing CAPTCHAs on the Internet.
Natürlich,
(Applause)
da wir so viele Wörter pro Tag machen, können komische Sachen passieren. Besonders jetzt, wo wir den Leuten zwei zufällig gewählte englische Wörter nebeneinander geben. Da können komische Sache passieren. Zum Beispiel zeigten wir dieses Wort. Es ist das Wort "Christen"; nichts falsch daran. Aber wenn man es zusammen mit einem anderen zufällig gewählten Wort zeigt, dann können schlimme Dinge passieren. Wir bekommen das hier. (Text: schlechte Christen) Aber es kommt noch schlimmer, weil die Seite wo wir dies gezeigt haben The Embassy of the Kingdom of God heisst. ("Botschaft des Reich Gottes") (Lachen) Huch. (Lachen) Hier ist noch ein richtig schlimmes. JohnEdwards.com (Text: "Verdammter Linker")
Now, of course, since we're doing so many words per day, funny things can happen. This is especially true because now we're giving people two randomly chosen English words next to each other. So funny things can happen. For example, we presented this word. It's the word "Christians"; there's nothing wrong with it. But if you present it along with another randomly chosen word, bad things can happen. So we get this. [bad Christians] But it's even worse, because the website where we showed this actually happened to be called The Embassy of the Kingdom of God. (Laughter) Oops. (Laughter) Here's another really bad one. JohnEdwards.com
(Lachen) Jeden Tag also beleidigen wir überall Leute.
[Damn liberal] (Laughter) So we keep on insulting people left and right everyday.
Natürlich beleidigen wir nicht bloss Leute. Es ist so, weil wir zwei zufällig gewählte Wörter zeigen, können interessante Sachen passieren. Dies hat sogar zu einem wirklich grossen Internet-Meme geführt, bei dem Tausende von Leuten mitgemacht hat, namens CAPTCHA art ("CAPTCHA Kunst"). Ich bin mir sicher einige von Ihnen haben davon gehört. Das funktioniert so. Stellen Sie sich vor, Sie benutzen das Internet und sehen ein CAPTCHA das sie ein wenig eigenartig finden, so wie dies CAPTCHA. (Text: unsichtbarer Toaster) Dann sollten Sie davon einen Screenshot machen. Dann füllen Sie natürlich das CAPTCHA aus, weil Sie uns helfen ein Buch zu digitalisieren. Aber dann, machen Sie erst einen Screenshot und zeichnen dann etwas in Bezug darauf. (Lachen) So funktioniert das. Davon gibt es Zehntausende.
Of course, we're not just insulting people. Here's the thing. Since we're presenting two randomly chosen words, interesting things can happen. So this actually has given rise to a really big Internet meme that tens of thousands of people have participated in, which is called CAPTCHA art. I'm sure some of you have heard about it. Here's how it works. Imagine you're using the Internet and you see a CAPTCHA that you think is somewhat peculiar, like this CAPTCHA. [invisible toaster] What you're supposed to do is you take a screenshot of it. Then of course, you fill out the CAPTCHA because you help us digitize a book. But first you take a screenshot and then you draw something that is related to it. (Laughter) That's how it works. (Laughter)
Einige davon sind sehr niedlich. (Text: hab`s gepackt) (Lachen) Einige sind eher lustig. (Text: bekiffte Gründer)
There are tens of thousands of these. Some of them are very cute. [clenched it] (Laughter) Some of them are funnier.
(Lachen) Und einige davon wie paleontological shvisle, sind mit Snoop Dogg.
[stoned Founders] (Laughter) And some of them, like paleontological shvisle ... (Laughter) they contain Snoop Dogg.
(Lachen)
(Laughter)
Okay, dies ist also meine Lieblingszahl on reCAPTCHA. Dies ist was mir am ganzen Projekt am meisten gefällt. Dies ist die Zahl unterschiedlicher Personen die uns geholfen haben wenigstens ein Wort aus einem Buch mit reCAPTCHA zu digitalisieren: 750 Millionen, das ist etwas mehr als 10 Prozent der Weltbevölkerung, haben uns geholfen Wissen der Menschen zu digitalisieren. Es sind solche Zahlen, die mein Forschungsprogramm motivieren. Die Frage die meine Forschung motiviert ist die folgende: Schaut man auf die ganz grossen Erfolge, diese wirklich grossen Sachen die die Menschheit in ihrer Geschichte getan und geschafft hat, wie zum Beispiel der Bau der Pyramiden in Ägypten, oder der Panamakanal, oder einen Mann auf den Mond bringen -- sie haben einen eigenartige Tatsache sie wurden alle mit etwa der gleichen Anzahl von Leuten gemacht. Es ist eigenartig; diese wurden alle mit etwa 100.000 Leuten gemacht. Der Grund dafür ist, das vor dem Internet die Koordination vom mehr als 100.000 Personen, nicht zu sprechen von deren Bezahlung, im Wesentlichen unmöglich war. Aber jetzt mit dem Internet, habe ich Ihnen gerade ein Projekt gezeigt bei dem wir 750 Millionen Leute dazu gebracht haben uns bei der Digitalisierung menschlichen Wissens zu helfen. Die Frage also, die meine Forschung motiviert ist, wenn wir mit 100.000 einen Mann auf den Mond bringen können, was können wir dann mit 100 Millionen tun?
OK, so this is my favorite number of reCAPTCHA. So this is the favorite thing that I like about this whole project. This is the number of distinct people that have helped us digitize at least one word out of a book through reCAPTCHA: 750 million, a little over 10 percent of the world's population, has helped us digitize human knowledge. And it is numbers like these that motivate my research agenda. So the question that motivates my research is the following: If you look at humanity's large-scale achievements, these really big things that humanity has gotten together and done historically -- like, for example, building the pyramids of Egypt or the Panama Canal or putting a man on the Moon -- there is a curious fact about them, and it is that they were all done with about the same number of people. It's weird; they were all done with about 100,000 people. And the reason for that is because, before the Internet, coordinating more than 100,000 people, let alone paying them, was essentially impossible. But now with the Internet, I've just shown you a project where we've gotten 750 million people to help us digitize human knowledge. So the question that motivates my research is, if we can put a man on the Moon with 100,000, what can we do with 100 million?
Basierend auf dieser Frage also haben wir an verschiedenen Projekten gearbeitet. Lassen Sie mich Ihnen von einem das mich am meisten begeistert erzählen. Dies ist etwas, woran wir halb im Stillen gearbeitet haben in den letzten 1½ Jahren etwa. Es wurde noch nicht vorgestellt, es heisst Duolingo. Da es noch unveröffentlicht ist, psst! (Lachen) Ja, ich kann mich auf Sie verlassen. Also das ist das Projekt. Und so hat das angefangen. Es begann damit, dass ich meinem Studenten eine Frage stellte. Severin Hacker. OK, das ist Severin Hacker. Ich stellte meinem Studenten also die Frage. Sie haben übrigens richtig gehört; sein Nachname ist Hacker. Also ich stellte ihm diese Frage: Wie können wir 100 Million Leute dazu bringen, das Web in jede bedeutende Sprache kostenlos zu übersetzen?
So based on this question, we've had a lot of different projects that we've been working on. Let me tell you about one that I'm most excited about. This is something that we've been semiquietly working on for the last year and a half or so. It hasn't yet been launched. It's called Duolingo. Since it hasn't been launched, shhh! (Laughter) Yeah, I can trust you'll do that. So this is the project. Here's how it started. It started with me posing a question to my graduate student, Severin Hacker. OK, that's Severin Hacker. So I posed the question to my graduate student. By the way, you did hear me correctly; his last name is Hacker. (Laughter) So I posed this question to him: How can we get 100 million people translating the web into every major language for free?
OK, über die Frage kann man viel sagen. Erstmal, das Web zu übersetzen. Zur Zeit ist das Web in mehrere Sprachen unterteilt. Ein grosser Teil davon ist auf English. Kann man kein English, kann man nicht darauf zugreifen. Aber es gibt grosse Teile in anderen unterschiedlichen Sprachen, und wenn man jene Sprachen nicht kann, kann man nicht darauf zugreifen. Daher möchte ich das ganze Web übersetzen, oder wenigsten den Grossteil des Webs, in jede bedeutende Sprache. Das ist es, was ich machen möchte.
There's a lot of things to say about this question. First of all, translating the web. Right now, the web is partitioned into multiple languages. A large fraction of it is in English. If you don't know English, you can't access it. But there's large fractions in other different languages, and if you don't know them, you can't access it. So I would like to translate all of the web, or at least most of it, into every major language. That's what I would like to do.
Sie sagen jetzt vielleicht, warum können wir zum übersetzen keine Computer benutzen? Warum können wir nicht maschinelle Übersetzung benutzen? Maschinelle Übersetzung übersetzt schon einige Sätze hier und da. Warum können wir das nicht dazu benutzen das ganze Web zu übersetzen? Das Problem ist, das es dazu noch nicht gut genug ist, und in den nächsten 15 bis 20 Jahren wird es das wohl auch nicht sein. Es macht viele Fehler. Selbst wenn es keine Fehler macht, weiss man nicht ob man ihm trauen kann, weil es so viele Fehler macht.
Now, some of you may say, why can't we use computers to translate? Machine translation is starting to translate some sentences here and there. Why can't we use it to translate the web? The problem with that is it's not yet good enough and it probably won't be for the next 15 to 20 years. It makes a lot of mistakes. Even when it doesn't, since it makes so many mistakes, you don't know whether to trust it or not.
Lassen Sie mich Ihnen ein Beispiel zeigen, etwas das maschinell übersetzt wurde. Es ist eigentlich ein Forumsbeitrag. Jemand versuchte eine Frage über JavaScript zu stellen. Das wurde von Japanisch auf Englisch übersetzt. Ich lasse Sie das einfach lesen. Diese Person beginnt damit sich dafür zu entschuldigen, dass dies mit einem Computer übersetzt wurde. Der nächste Satz also ist die Einleitung zur Frage. Er erklärt also nur etwas. Denken Sie daran, es ist eine Frage über JavaScript. (Text: Bei oft, installieren Sie die Ziege-Zeit ein Fehler erbrechen.) (Lachen) Dann kommt der erste Teil der Frage. (Text: Wie viele Male wie der Wind, ein Pol, und der Drache?) (Lachen) Dann kommt mein Lieblingsteil der Frage. (Text: Dies Beleidigung Vaters Steine?) (Lachen) Dann kommt das Ende, für mich das Beste von allem. (Text: Bitte entschuldigen Sie sich für Ihre Dummheit. Es gibt viele dank Ihrer.) (Lachen) OK, also Computerübersetzung, noch nicht gut genug. Also zurück zu meiner Frage.
So let me show you an example of something that was translated with a machine. Actually, it was a forum post. It was somebody who was trying to ask a question about JavaScript. It was translated from Japanese into English. So I'll just let you read. This person starts apologizing for the fact that it's translated with a computer. So the next sentence is going to be the preamble to the question. So he's just explaining something. Remember, it's a question about JavaScript. [At often, the goat-time install a error is vomit.] (Laughter) Then comes the first part of the question. [How many times like the wind, a pole, and the dragon?] (Laughter) Then comes my favorite part of the question. [This insult to father's stones?] (Laughter) And then comes the ending, which is my favorite part of the whole thing. [Please apologize for your stupidity. There are a many thank you.] (Laughter) OK, so computer translation, not yet good enough.
Wir brauchen also Leute um das ganze Web zu übersetzen. Die nächste Frage, die Sie haben könnten ist, warum können wir nicht einfach Leute dafür bezahlen? Wir könnten professionelle Übersetzer dafür bezahlen das ganze Web zu übersetzen. Wir könnten das machen. Leider wäre das äusserst teuer. Zum Beispiel einen winzig kleinen Teil des ganzen Web, Wikipedia, übersetzen in eine andere Sprache, Spanisch. Wikipedia gibt es auf Spanisch, aber das ist sehr klein im Vergleich zur Grösse auf Englisch. Es hat etwa 20 Prozent der Grösse von Englisch. Wollten wir die anderen 80 Prozent auf Spanisch übersetzen, würde es mindestens 50 Millionen Dollar kosten -- und das ist schon im ausgebeutetsten Outsourcing-Land von allen. Das wäre also sehr teuer. Was wir also machen wollen ist, dass 100 Millionen Leute das Web in jede bedeutende Sprache übersetzen, kostenlos.
So back to the question. So we need people to translate the whole web. So now the next question you may have is, well, why can't we just pay people to do this? We could pay professional translators to translate the whole web. We could do that. Unfortunately, it would be extremely expensive. For example, translating a tiny fraction of the whole web, Wikipedia, into one other language, Spanish. OK? Wikipedia exists in Spanish, but it's very small compared to the size of English. It's about 20 percent of the size of English. If we wanted to translate the other 80 percent into Spanish, it would cost at least 50 million dollars -- and this is even at the most exploited, outsourcing country out there. So it would be very expensive. So what we want to do is, we want to get 100 million people translating the web into every major language for free.
Wenn wir das machen wollen, dann wird bald klar, dass wir dabei auf zwei grosse Hürden treffen werden, zwei grosse Hindernisse. Das erste ist der Mangel an Zweisprachigen. Ich weiss nicht einmal, ob es 100 Millionen Menschen gibt, die das Web benutzen, und zweisprachig genug sind, um uns übersetzen zu helfen. Das ist ein grosses Problem. Das andere Problem auf das wir stossen werden ist ein Mangel an Motivation. Wie motivieren wir Menschen, das Web tatsächlich kostenlos zu übersetzen? Normalerweise muss man Menschen dafür bezahlen. Wie motivieren wir sie also, das kostenlos zu machen? Wegen dieser zwei Dinge kamen wir anfangs nicht voran. Aber dann erkannten wir, das es tatsächlich einen Weg gibt, beiden Problemen mit derselben Lösung zu begegnen. Es gibt einen Weg, zwei Fliegen mit ein Klappe zu schlagen. Nämlich aus der Übersetzung etwas zu machen, das Millionen Menschen tun wollen, und das auch beim Problem des Mangels an Zweisprachigen hilft, und das ist Sprachunterricht.
If this is what you want to do, you quickly realize you're going to run into two big hurdles, two big obstacles. The first one is a lack of bilinguals. So I don't even know if there exists 100 million people out there using the web who are bilingual enough to help us translate. That's a big problem. The other problem you're going to run into is a lack of motivation. How are we going to motivate people to actually translate the web for free? Normally, you have to pay people to do this. So how are we going to motivate them to do it for free? When we were starting to think about this, we were blocked by these two things. But then we realized, there's a way to solve both these problems with the same solution. To kill two birds with one stone. And that is to transform language translation into something that millions of people want to do and that also helps with the problem of lack of bilinguals, and that is language education.
Es zeigt sich, dass es heute über 1.2 Milliarden Menschen gibt, die eine Fremdsprache lernen. Menschen wollen nämlich wirklich eine Fremdsprache lernen. Nicht bloss weil sie dazu in der Schule gezwungen sind. Zum Beispiel, alleine in den USA gibt es über 4 Millionen Leute, die über 500 Dollar bezahlt haben für Software um eine neue Sprache zu erlernen. Leute wollen also wirklich eine neue Sprache lernen. Woran wir also die letzten eineinhalb Jahre gearbeitet haben ist eine neue Website -- sie heisst Duolingo -- bei der der Grundgedanke ist, dass Leute eine neue Sprache kostenlos lernen während sie gleichzeitig das Web übersetzen. Sie lernen also durchs Handeln.
So it turns out that today, there are over 1.2 billion people learning a foreign language. People really want to learn a foreign language. And it's not just because they're being forced to do so in school. In the US alone, there are over five million people who have paid over $500 for software to learn a new language. So people really want to learn a new language. So what we've been working on for the last year and a half is a new website -- it's called Duolingo -- where the basic idea is people learn a new language for free while simultaneously translating the web. And so basically, they're learning by doing.
Das funktioniert, wenn Sie Anfänger sind, geben wir Ihnen sehr, sehr einfache Sätze. Es gibt natürlich eine Menge sehr einfache Sätze im Web. Wir geben Ihnen sehr, sehr einfache Sätze zusammen mit der Bedeutung eines jeden Wortes. Und während Sie sie übersetzen, und sehen wir andere sie übersetzen, beginnen Sie, die Sprache zu lernen. Und während Sie Fortschritte machen, geben wir Ihnen immer komplexere Sätze zu übersetzen. Aber zu jeder Zeit lernen Sie durchs Handeln.
So the way this works is whenever you're a just a beginner, we give you very simple sentences. There's a lot of very simple sentences on the web. We give you very simple sentences along with what each word means. And as you translate them and as you see how other people translate them, you start learning the language. And as you get more advanced, we give you more complex sentences to translate.
Das verrückte an dieser Methode ist, das sie wirklich funktioniert. Erstens lernt man wirklich eine Sprache – – wir sind fast fertig damit es aufzubauen, und testen es gerade – man kann damit wirklich eine Sprache erlernen, und man lernt sie damit etwa so gut wie mit führenden Fremdsprachen-Lernprogrammen. Leute lernen also wirklich eine Sprache. Und sie lernen sie nicht nur ebenso gut, es ist tatsächlich viel interessanter. Weil man bei Duolingo mit echten Inhalten lernt. Anstatt mit erfundenen Sätzen zu lernen, lernt man mit echten Inhalten, was schon an sich interresant ist. Leute lernen also wirklich eine Sprache.
But at all times, you're learning by doing. Now, the crazy thing about this method is that it actually really works. People are really learning a language. We're mostly done building it and now we're testing it. People really can learn a language with it. And they learn it about as well as the leading language learning software. So people really do learn a language. And not only do they learn it as well, but actually it's more interesting. Because with Duolingo, people are learning with real content. As opposed to learning with made-up sentences, people are learning with real content, which is inherently interesting. So people really do learn a language.
Aber was vielleicht noch überraschender ist, die Übersetzungen die wir von den Site-Nutzern bekommen, selbst wenn sie bloss Anfänger sind, die Übersetzungen die wir bekommen sind ebenso genau, wie die von professionellen Übersetzern, und das ist sehr überraschend. Lassen Sie mich Ihnen ein Beispiel zeigen. Dies ist ein Satz, der von Deutsch auf Englisch übersetzt wurde. Oben ist Deutsch. In der Mitte ist eine englische Übersetzung, die von einem professionellen Übersetzer für Englisch gemacht wurde, dem wir 20 Cent pro Wort für seine Übersetzung bezahlt haben. Und unten ist eine Übersetzung von Duolingo-Usern, von denen keiner Deutsch konnte bevor er anfing die Seite zu benutzen. Wie Sie sehen können ist es ziemlich perfekt. Natürlich benutzen wir hier einen Trick um die Übersetzungen so gut zu machen wie die von professionellen Übersetzern. Wir fassen die Übersetzungen mehrerer Anfänger zusammen um die Qualität eines einzelnen professionellen Übersetzers zu erreichen.
But perhaps more surprisingly, the translations that we get from people using the site, even though they're just beginners, the translations that we get are as accurate as those of professional language translators, which is very surprising. So let me show you one example. This is a sentence that was translated from German into English. The top is the German. The middle is an English translation that was done by a professional translator who we paid 20 cents a word for this translation. And the bottom is a translation by users of Duolingo, none of whom knew any German before they started using the site. If you can see, it's pretty much perfect. Of course, we play a trick here to make the translations as good as professional language translators. We combine the translations of multiple beginners to get the quality of a single professional translator.
Obwohl wir die Übersetzungen zusammenfassen kann die Site recht schnell übersetzen. Lassen Sie mich Ihnen das zeigen, dies ist unsere Schätzung, wie schnell wir Wikipedia von Englisch auf Spanisch übersetzen könnten. Denken Sie daran, dies ist 50 Millionen Dollar wert. Wollten wir Wikipedia auf Spanisch übersetzen, könnten wir das in fünf Wochen mit 100.000 aktiven Usern machen. Und wir könnten das in 80 Stunden machen mit 1 Million aktiven Usern. Da alle Projekten an denen meine Gruppe bisher gearbeitet hat Millionen von Usern hatten, sind wir zuversichtlich, dass wir mit diesem Projekt extrem schnell übersetzen werden können.
Now, even though we're combining the translations, the site actually can translate pretty fast. So let me show you, this is our estimates of how fast we could translate Wikipedia from English into Spanish. Remember, this is 50 million dollars' worth of value. So if we wanted to translate Wikipedia into Spanish, we could do it in five weeks with 100,000 active users. And we could do it in about 80 hours with a million active users. Since all the projects my group has worked on so far have gotten millions of users, we're hopeful that we'll be able to translate extremely fast.
Was mich am meisten an Duolingo begeistert ist, dass ich glaube dass es eine faires Geschäftsmodell für Sprachunterricht anbietet. Also es ist so: Im aktuellen Geschäftsmodell für Sprachunterricht ist, dass der Lernende bezahlt, vornehmlich zahlt der Lernende Rosetta Stone 500 Dollar. (Lachen) Das ist das aktuelle Geschäftsmodell. Der Haken an diesem Geschäftsmodell ist, dass 95% der Weltbevölkerung keine 500 Dollar haben. Es ist also extrem unfair für Arme. Es ist völlig auf Reiche ausgerichtet. Bei Duolingo hingegen schafft man tatsächlich einen Wert, während man lernt – man übersetzt etwas – und wir könnten zum Beispiel jemandem die Übersetzungen berechnen. So könnten wir dies zu Geld machen. Da Leute während Sie lernen Wert schöpfen, müssen sie nicht mit Geld bezahlen, sie bezahlen mit ihrer Zeit. Das Magische daran ist, dass sie mit ihrer Zeit bezahlen, aber das ist Zeit die sie sowieso gebraucht hätten, um die Sprache zu erlernen. Das Schöne an Duolingo finde ich, dass es ein faires Geschäftsmodell ist – eines, das arme Leute nicht benachteiligt.
Now, the thing that I'm most excited about with Duolingo is I think this provides a fair business model for language education. So here's the thing: The current business model for language education is the student pays, and in particular, the student pays Rosetta Stone 500 dollars. (Laughter) That's the current business model. The problem with this business model is that 95 percent of the world's population doesn't have 500 dollars. So it's extremely unfair towards the poor. This is totally biased towards the rich. Now, see, in Duolingo, because while you learn, you're actually creating value, you're translating stuff -- which, for example, we could charge somebody for translations, so this is how we could monetize this. Since people are creating value while they're learning, they don't have to pay with their money, they pay with their time. But the magical thing here is that is time that would have had to have been spent anyways learning the language. So the nice thing about Duolingo is, I think, it provides a fair business model --
Also das ist die Seite. Danke sehr. (Applaus) Das ist die Seite. Sie ist noch nicht aktiv, aber Sie können sich dort für unsere private Testversion anmelden, die wohl in drei bis vier Wochen starten wird. Wie haben Duolingo noch nicht gestartet.
one that doesn't discriminate against poor people. So here's the site. Thank you. (Applause) We haven't yet launched, but if you go there, you can sign up to be part of our private beta, which is probably going to start in three or four weeks. We haven't yet launched it.
Übrigens, hier spreche ich, aber Duolingo ist tatsächlich die Arbeit eines wirklich grossartigen Teams, von dem einige hier sind. Vielen Dank.
By the way, I'm the one talking here, but Duolingo is the work of a really awesome team, some of whom are here. So thank you.
(Applaus)
(Applause)