Luis von Ahn: Online samenwerking op enorme schaal

Hoeveel van jullie hebben al een webformulier moeten invullen waar men je vroeg om zo’n vervormde reeks tekens te lezen? Hoeveel van jullie baalden daarvan? Oké, uitstekend. Ik heb dat uitgevonden. (Gelach) Of ik was toch er toch bij.

Dat ding heet een captcha. Het verzekert dat het iets dat het formulier invult, een mens is en niet een of ander computerprogramma dat is geschreven om het formulier miljoenen keren in te dienen. De reden waarom het werkt, is omdat mensen, tenzij ze visueel gehandicapt zijn, geen moeite hebben om deze vervormde kronkelige letters te lezen, terwijl computerprogramma’s dat nog lang niet zo goed kunnen. Neem nu Ticketmaster, daar moet je die vervormde tekens typen om te voorkomen dat herverkopers een programma schrijven dat miljoenen tickets per twee kan kopen.

Captcha's worden over het hele internet toegepast. Omdat ze zo vaak gebruikt worden, is de precieze volgorde van willekeurige karakters die aan de gebruiker wordt getoond soms niet zo gelukkig. Dit is een voorbeeld van de registratiepagina van Yahoo. De willekeurige tekens die toevallig aan de gebruiker werden getoond, waren W, A, I, T, die natuurlijk een woord spellen. Maar het beste deel is de boodschap die de Yahoo helpdesk ongeveer 20 minuten later ontving. Tekst: "Help, ik zit al meer dan 20 minuten te wachten en er gebeurt niets." (Gelach) Hij dacht dat hij moest wachten. Dit is natuurlijk niet zo erg als voor deze sukkelaar.

(Gelach)

Captcha werd meer dan 10 jaar geleden aan Carnegie Melllon ontwikkeld en het wordt overal gebruikt. Een paar jaar later namen we een volgende stap in de evolutie van captcha. Dit noemen we recaptcha, ook begonnen aan Carnegie Mellon, maar nu een aparte onderneming. Ongeveer anderhalf jaar geleden nam Google dit bedrijf over.

Het startte vanuit de volgende idee: elke dag worden over de hele wereld door mensen ongeveer 200 miljoen captcha's getypt. Toen ik dit voor het eerst hoorde, was ik heel trots op mezelf. Kijk eens naar de impact die mijn onderzoek heeft gehad, dacht ik. Maar toen begon ik me slecht te voelen. Telkens je een captcha typt, verspil je 10 seconden van je tijd. Vermenigvuldig dat met 200 miljoen dan zie je dat de mensheid elke dag ongeveer 500.000 uren verspilt door het typen van die vervelende captcha’s. Toen begon ik me pas slecht te voelen.

(Gelach)

We kunnen natuurlijk niet zonder captcha's, omdat de veiligheid van het Web er van afhangt. Maar ik vroeg me af er geen manier was om deze inspanning te gebruiken voor iets dat goed is voor de mensheid. Hier is het. Terwijl jullie een captcha typen, doen tijdens die 10 seconden jullie hersenen iets geweldigs. Iets dat computers nog niet kunnen doen. Kan dat omgezet worden in 10 seconden nuttig werk? Om het anders te zeggen: is er een gigantisch probleem dat computers nog niet kunnen oplossen, maar dat we kunnen opsplitsen in brokjes van 10 seconden zodanig dat elke keer dat iemand een captcha oplost, ze een stukje van dit probleem oplossen? Het antwoord is "ja" en daar zijn we nu mee bezig.

Terwijl je een captcha typt, identificeer je je niet alleen als mens, maar help je ons om boeken te digitaliseren. Ik leg het uit. Er zijn een heleboel projecten die boeken proberen te digitaliseren. Google heeft er een. Het Internet Archive heeft er een. Amazon, nu met de Kindle, probeert boeken te digitaliseren. Dit werkt als volgt: je begint met een oud boek. Je kent die dingen toch nog? (Gelach) Je begint met een boek, je scant het.

Nu is het scannen van een boek als het nemen van een digitale foto van elke pagina van het boek. Het geeft je een beeld voor elke pagina van het boek. Dit is een afbeelding met tekst voor elke pagina van het boek. De volgende stap in het proces is dat de computer alle woorden in dit beeld moet kunnen ontcijferen. Dat gaat door middel van de OCR-technologie, voor ‘optical character recognition’ (optische letterherkenning). Die maakt een beeld van de tekst en probeert te achterhalen welke tekst er staat. Het probleem is dat OCR niet perfect is. Zeker bij oudere boeken, waar de inkt vervaagd is en de pagina’s vergeeld zijn, herkent OCR veel woorden niet. Voor dingen die meer dan 50 jaar geleden zijn geschreven, kan de computer ongeveer 30 procent van de woorden niet herkennen. Nu nemen we alle woorden die de computer niet kan herkennen en we laten ze mensen voor ons lezen terwijl ze een captcha op het internet typen.

Telkens je een captcha typt, komen de woorden die je typt van boeken die worden gedigitaliseerd en die de computer niet kon herkennen. Waarom staan er nu telkens twee woorden? Een van de woorden is een woord uit een boek, dat het systeem niet kent en aan je voorlegt. Maar aangezien het systeem het antwoord niet kent, kan het je geen punten geven. Daarom krijg je nog een ander woord, een waarvoor het systeem het antwoord wel kent. We vertellen je niet welk dat is. Typ ze dus maar allebei. Als je dan het juiste woord typt waarvoor het systeem het antwoord al weet, wordt verondersteld dat je een mens bent en geeft dat wat vertrouwen dat je het andere woord juist hebt getypt. Als we dit proces herhalen voor 10 verschillende mensen en ze het allemaal eens zijn over het nieuwe woord, dan hebben we er weer een nauwkeurig gedigitaliseerd woord bij.

Zo werkt het systeem. Sinds we er ongeveer drie of vier jaar geleden mee zijn gestart, zijn veel websites begonnen over te schakelen van de oude captcha waar mensen hun tijd verspilden naar de nieuwe captcha waar mensen helpen om boeken te digitaliseren. Ticketmaster bijvoorbeeld. Telkens je op Ticketmaster tickets koopt, help je bij het digitaliseren van een boek. Facebook: elke keer als je een vriend toevoegt of iemand port, help je bij het digitaliseren van een boek. Twitter en ongeveer 350.000 andere sites gebruiken allemaal recaptcha. In feite is het aantal sites die gebruik maken van recaptcha zo hoog dat het aantal woorden dat we per dag digitaliseren enorm is. Ongeveer 100 miljoen per dag, dat is het equivalent van ongeveer twee en een half miljoen boeken per jaar. Dit gebeurt allemaal woord per woord doordat mensen captcha’s typen op het internet.

(Applaus)

Natuurlijk kunnen er grappige dingen gebeuren omdat we het met zoveel woorden per dag doen. Vooral omdat we nu de mensen twee willekeurig gekozen Engelse woorden naast elkaar presenteren. Zo kunnen er grappige dingen gebeuren. Zo presenteerden wij dit woord: "Christenen". Niets mis mee. Maar als je het samen met een ander willekeurig gekozen woord presenteert, kan het fout gaan. We kregen dit. (Tekst: ‘slechte christenen’) Maar het is nog erger, want de website waar we dit zagen, heette, echt gebeurd, 'De Ambassade van het Koninkrijk Gods'. (Gelach) Oeps. (Gelach) Hier nog een die beter kon. JohnEdwards.com (Tekst: ‘verdomde liberaal’) (Gelach) Elke dag krijgen we wel enkele van die ongewilde beledigingen.

We zijn niet alleen maar bezig met het beledigen van mensen. Door het presenteren van twee willekeurig gekozen woorden kunnen interessante dingen gebeuren. Dit gaf aanleiding tot een grote internet-meme. Tienduizenden mensen namen eraan deel. Het heet captchakunst. Sommigen van jullie hebben er zeker al van gehoord. Zo werkt het. Stel je voor dat je het internet gebruikt en je ziet een captcha die je een beetje gek vindt, zoals deze captcha. (Tekst: ‘onzichtbare broodrooster’) Dan neem je er een screenshot van. Natuurlijk vul je ook de captcha in omdat je ons helpt bij het digitaliseren van een boek. Maar eerst neem je een screenshot en dan teken je iets dat ermee te maken heeft. (Gelach) Zo werkt het. Er zijn er tienduizenden van. Sommigen zijn erg schattig. (Tekst: ‘balde het’) (Gelach) Sommigen van hen zijn grappiger. (Tekst: ‘stoned stichters’) (Gelach) En sommige ervan, zoals paleontologische shvisle, bevatten Snoop Dogg.

(Gelach)

Oké, dit is mijn favoriete getal van recaptcha. Hier hou ik van. Het is het aantal verschillende mensen die ons ten minste één woord uit een boek via recaptcha hebben helpen digitaliseren: 750 miljoen, dat is iets meer dan 10 procent van de wereldbevolking, heeft ons geholpen bij het digitaliseren van de menselijke kennis. Dergelijke getallen motiveren mijn onderzoeksagenda. De vraag die mijn onderzoek motiveert, is de volgende: als je naar de grote successen van de mensheid kijkt, de echt grote dingen die de mensen voor mekaar hebben gekregen in de geschiedenis - zoals bijvoorbeeld de piramides van Egypte of het Panamakanaal of een man op de maan zetten - dan is het merkwaardig dat dat allemaal gebeurde met telkens ongeveer hetzelfde aantal mensen. Het is raar, maar het werd telkens gedaan met ongeveer 100.000 mensen. En dat komt omdat, vóór het internet, het coördineren van meer dan 100.000 mensen, laat staan ze betalen, in wezen onmogelijk was. Maar nu met het internet, heb ik jullie een project getoond waar 750 miljoen mensen ons hielpen bij het digitaliseren van de menselijke kennis. De vraag die mijn onderzoek motiveert, is: “Als we met 100.000 een man op de maan kunnen brengen, wat kunnen we dan doen met 100 miljoen?”

Hiervan uitgaande hebben we een hoop verschillende projecten lopen. Over het volgende ben ik het meest enthousiast. Daar zijn we het laatste anderhalf jaar af en toe mee bezig geweest. Het is nog niet van start gegaan. Het heet Duolingo. Aangezien het niet gelanceerd is: “Shhhhh!” (Gelach) Ja, ik mag jullie vertrouwen. Zo begon het. Het begon met een vraag aan mijn student, Severin Hacker. Dit is Severin Hacker. Ik stelde de vraag aan mijn student. Tussen haakjes, jullie hebben me goed verstaan. Zijn achternaam is echt Hacker. Ik vroeg hem: “Hoe kunnen we 100 miljoen mensen gratis het Web in iedere belangrijke taal laten vertalen?”

Daar valt heel wat over te zeggen. In de eerste plaats, het vertalen van het Web. Nu is het Web opgedeeld in meerdere talen. Een groot deel daarvan is in het Engels. Als je geen Engels kent, heb je er geen toegang toe. Maar grote fracties zijn in andere talen, en als je die talen niet kent, heb je er geen toegang toe. Ik zou graag het hele Web vertalen, of in ieder geval het grootste deel ervan, in elke grote taal. Dat is het wat ik zou willen doen.

Nu zullen sommigen van jullie misschien zeggen: “Waarom kunnen we daar geen computers voor gebruiken? Waarom geen automatische vertaling? Machinevertaling kan vandaag hier en daar enkele zinnen vertalen. Waarom kunnen we dat niet gebruiken om het hele Web te vertalen?” Het probleem is dat het nog niet goed genoeg is en het dat waarschijnlijk ook niet zal zijn voor de komende 15 tot 20 jaar. De machine maakt veel fouten. Zelfs als ze geen fout maakt, weet je niet of je ze kan vertrouwen omdat ze zo veel fouten maakt.

Een voorbeeld van iets dat werd vertaald met een machine. Het stond op een forum. Iemand probeerde een vraag over JavaScript te stellen. Het werd uit het Japans naar het Engels vertaald. Ik laat het je lezen. Deze persoon begint met zich te verontschuldigen voor het feit dat het vertaald werd met een computer. De volgende zin gaat aan de eigenlijke vraag vooraf. Hij legt alleen iets uit. Vergeet niet dat het een vraag is over JavaScript. (Tekst: ‘Op vaak, de geit-tijd installeren een fout is braaksel.’) (Gelach) Dan komt het eerste deel van de vraag. (Tekst: ‘Hoeveel keer als de wind, een paal, en de draak?’) (Gelach) Dan komt mijn favoriete deel van de vraag. (Tekst: ‘Dit belediging van vaders stenen?’) (Gelach) Dan komt het einde, mijn favoriete deel. (Tekst: ’Verontschuldig alsjeblieft je voor je domheid. Er zijn veel dank je wel.’) (Gelach) Computervertaling is dus nog niet goed genoeg. Terug naar de vraag.

We hebben mensen nodig om het hele Web te vertalen. Nu zou jullie volgende vraag kunnen zijn: waarom kunnen we geen mensen betalen om dit te doen? We zouden professionele vertalers kunnen betalen om het hele Web te vertalen. We zouden dat kunnen doen. Het zou helaas extreem duur zijn. Bijvoorbeeld, het vertalen van een kleine, kleine fractie van het gehele Web, Wikipedia, in het Spaans. Wikipedia bestaat in het Spaans, maar slechts een fractie van de omvang van het Engels. Zo’n 20 procent. Als we de andere 80 procent in het Spaans willen vertalen, zou het minstens 50 miljoen dollar kosten - zelfs in het meest uitgebuite, outsourcing land dat er is. Het zou erg duur zijn. We willen 100 miljoen mensen het Web in iedere belangrijke taal laten vertalen, gratis.

Als je dat wil doen, realiseer je je vrij snel dat je tegen twee nogal grote hindernissen gaat aanlopen. De eerste is een gebrek aan tweetaligen. Ik weet niet eens of er 100 miljoen mensen op het Web zitten die voldoende tweetalig zijn om ons te helpen vertalen. Dat is een groot probleem. Het andere probleem dat je gaat tegenkomen, is een gebrek aan motivatie. Hoe gaan we mensen motiveren om het Web daadwerkelijk gratis te vertalen? Normaal gesproken moet je mensen betalen om dit te doen. Hoe gaan we hen motiveren om het gratis te doen? Toen we daarover begonnen na te denken, hielden deze twee dingen ons tegen. Tot we ons realiseerden dat er eigenlijk een manier was om beide problemen ineens op te lossen. Er is een manier om twee vliegen in één klap te slaan. Door vertaling te transformeren in iets dat miljoenen mensen willen doen en dat tegelijkertijd het gebrek aan tweetaligen oplost. Dat is taalonderwijs.

Het blijkt dat vandaag de dag meer dan 1,2 miljard mensen een vreemde taal leren. Mensen willen echt een vreemde taal leren. Niet alleen omdat het op school moet. Bijvoorbeeld, in de Verenigde Staten alleen al zijn er meer dan vijf miljoen mensen die meer dan 500 dollar aan software hebben uitgegeven om een nieuwe taal te leren. Mensen willen echt een nieuwe taal te leren. Het afgelopen anderhalf jaar hebben we aan een nieuwe website, Duolingo, gewerkt. Het basisidee is dat mensen gratis een nieuwe taal leren terwijl ze tegelijkertijd het Web vertalen. Leren door te doen, dus.

Als beginner krijg je zeer, zeer eenvoudige zinnen. Er zijn natuurlijk een groot aantal zeer eenvoudige zinnen op het Web. Wij geven je zeer, zeer eenvoudige zinnen samen met wat elk woord betekent. Als je ze vertaalt, terwijl je kunt zien hoe andere mensen ze vertalen, leer je al doende de taal. Naargelang je vordert, krijg je meer en meer complexe zinnen te vertalen. Maar steeds leer je door te doen.

Het gekke aan deze methode is dat ze echt werkt. Ten eerste leren mensen echt een taal. We zijn bijna klaar met de site en zijn ze nu aan het testen. Mensen leren er echt een taal mee. Ongeveer even goed als met de toonaangevende software voor het leren van talen. Ze leren een taal. Niet alleen leren ze ze evengoed, maar eigenlijk is het nog interessanter. Omdat mensen met Duolingo eigenlijk met echte inhoud leren. In tegenstelling tot het leren met verzonnen zinnen, leren mensen met echte inhoud, die uit zichzelf interessant is. Mensen leren echt een taal.

Maar misschien nog verrassender is dat de vertalingen die we krijgen van die mensen, ook al zijn het nog beginners, net zo precies zijn als die van professionele vertalers. Dat is zeer verrassend. Hier een voorbeeld. Dit is een zin die uit het Duits werd vertaald in het Engels. Bovenaan de Duitse. De middelste is een Engelse vertaling van een professionele vertaler Engels die 20 cent per woord kreeg voor deze vertaling. Onderaan een vertaling door gebruikers van Duolingo. Geen ervan kende Duits voordat ze begonnen met het gebruik van de site. Je ziet dat het vrij perfect is. We halen hier wel een kunstgreep uit om de vertaling zo goed als te krijgen als van professionele vertalers. We combineren de vertalingen van meerdere beginners om de kwaliteit van een professionele vertaler te krijgen.

Maar zelfs met het combineren van de vertalingen kan de site snel vertalen. Ik toon jullie onze schatting van hoe snel we Wikipedia zouden kunnen vertalen van het Engels naar het Spaans. Vergeet niet dat dit 50 miljoen dollar zou kosten. Als we Wikipedia willen vertalen in het Spaans, dan zou dat met 100.000 actieve gebruikers in vijf weken kunnen. En in ongeveer 80 uur met een miljoen actieve gebruikers. Omdat alle projecten van mijn groep tot nu toe miljoenen gebruikers hebben gekregen, hopen we dat we met dit project extreem snel zullen kunnen vertalen.

Waar ik met Duolingo nog het meest enthousiast over ben, is dat ik denk dat dit een eerlijk businessmodel voor taalonderwijs zal zijn. Waarom? Het huidige businessmodel voor taalonderwijs is dat de student betaalt, bijvoorbeeld 500 dollar voor de software van Rosetta Stone. (Gelach) Dat is het huidige businessmodel. Het probleem met dit businessmodel is dat 95 procent van de wereldbevolking geen 500 dollar heeft. Het is erg oneerlijk tegenover de armen. Het bevoordeelt de rijken onevenredig. Terwijl je met Duolingo leert, creëer je waarde, vertaal je dingen - waarvoor we anders iemand zouden moeten betalen. Zo maken we dit ten gelde. Omdat mensen al lerend waarde creëren, betalen ze niet met geld maar met hun tijd. Het magische ding hier is dat ze betalen met tijd, die ze anders toch zouden hebben besteed bij het leren van de taal. Het mooie aan Duolingo is dat ik denk dat het zorgt voor een eerlijk businessmodel, een dat arme mensen niet discrimineert.

Hier is de site. Dank je. (Applaus) Hier is de site. We zijn nog niet opgestart, maar als je er naartoe gaat, kan je je aanmelden om deel te nemen aan onze privé-beta, die waarschijnlijk binnen ongeveer drie of vier weken van start gaat. We hebben Duolingo nog niet gelanceerd.

Tussen haakjes, ik sta het hier wel uit te leggen, maar Duolingo is eigenlijk het werk van een geweldig team, van wie sommigen hier aanwezig zijn. Dank je wel.

(Applaus)