BOX SET: 6 Minute English - 'Technology 2' English mega-class! Thirty minutes of new vocabulary!

151,943 views

2022-10-16 ・ BBC Learning English


New videos

BOX SET: 6 Minute English - 'Technology 2' English mega-class! Thirty minutes of new vocabulary!

151,943 views ・ 2022-10-16

BBC Learning English


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo. Les sous-titres traduits sont traduits automatiquement.

00:05
Hello. This is 6 Minute English
0
5920
1760
Bonjour. Ceci est 6 minutes d'anglais
00:07
from BBC Learning English.
1
7680
1440
de BBC Learning English.
00:09
I’m Sam.
2
9120
720
00:09
And I’m Neil.
3
9840
880
Je suis Sam.
Et je suis Neil.
00:10
On Saturday mornings I love going
4
10720
2000
Le samedi matin, j'adore
00:12
to watch football in the park.
5
12720
1920
aller regarder le football dans le parc.
00:14
The problem is when it’s cold and
6
14640
1760
Le problème, c'est quand il fait froid et qu'il
00:16
rainy - I look out the bedroom window
7
16400
2160
pleut - je regarde par la fenêtre de la chambre
00:18
and go straight back to bed!
8
18560
1760
et je retourne directement au lit !
00:20
Well, instead of going to the park, why
9
20320
2000
Eh bien, au lieu d'aller au parc, pourquoi
00:22
not bring the park to you? Imagine
10
22320
2400
ne pas amener le parc chez vous ? Imaginez
00:24
watching a live version of the
11
24720
1760
regarder une version en direct du
00:26
football match at home in the warm,
12
26480
1760
match de football chez vous au chaud,
00:28
with friends. Sound good, Sam?
13
28240
2240
avec des amis. Ça vous va, Sam ?
00:30
Sounds great! – but how can I be in
14
30480
2160
Super! – mais comment puis-je être à
00:32
two places at once? Is there some
15
32640
2000
deux endroits à la fois ? Existe-t-il une
00:34
amazing invention to do that?
16
34640
1840
invention étonnante pour faire cela?
00:36
There might be, Sam - and it could
17
36480
1600
Il pourrait y en avoir, Sam - et cela pourrait
00:38
be happening sooner than you think,
18
38080
2080
se produire plus tôt que vous ne le pensez,
00:40
thanks to developments in VR, or
19
40160
2320
grâce aux développements de
00:42
virtual reality. According to Facebook
20
42480
2000
la réalité virtuelle ou de la réalité virtuelle. Selon le
00:44
boss, Mark Zuckerberg, in the future
21
44480
2240
patron de Facebook, Mark Zuckerberg, à l'avenir,
00:46
we’ll all spend much of our time
22
46720
1840
nous passerons tous une grande partie de notre temps à
00:48
living and working in the ‘metaverse’ – a
23
48560
2880
vivre et à travailler dans le "métaverse" - une
00:51
series of virtual worlds.
24
51440
2400
série de mondes virtuels.
00:53
Virtual reality is a topic we’ve discussed
25
53840
2480
La réalité virtuelle est un sujet dont nous avons déjà
00:56
before at 6 Minute English. But when
26
56320
2720
discuté sur 6 Minute English. Mais lorsque
00:59
Facebook announced that it was
27
59040
1280
Facebook a annoncé qu'il
01:00
hiring ten thousand new workers
28
60320
2000
embauchait dix mille nouveaux employés
01:02
to develop VR for the ‘metaverse’, we
29
62320
2720
pour développer la réalité virtuelle pour le «métaverse», nous avons
01:05
thought it was time for another look.
30
65040
1760
pensé qu'il était temps de changer de regard.
01:06
Is this programme, we’ll be hearing two
31
66800
1760
Dans ce programme, nous entendrons deux
01:08
different opinions on the ‘metaverse’
32
68560
1760
opinions différentes sur le « métaverse »
01:10
and how it might shape the future.
33
70320
2000
et sur la façon dont il pourrait façonner l'avenir.
01:12
But first I have a question for you, Neil.
34
72320
3040
Mais d'abord, j'ai une question pour vous, Neil.
01:15
According to a 2021 survey by
35
75360
2480
Selon une enquête réalisée en 2021 par
01:17
gaming company, Thrive Analytics, what
36
77840
2880
la société de jeux Thrive Analytics, quel
01:20
percentage of people who try virtual
37
80720
2240
pourcentage de personnes qui ont essayé la
01:22
reality once want to try it again? Is it:
38
82960
3920
réalité virtuelle une fois veulent l'essayer à nouveau ? Est-ce :
01:26
a) 9 percent?
39
86880
1920
a) 9 % ?
01:28
b) 49 percent? or,
40
88800
2240
b) 49 % ? ou
01:31
c) 79 percent?
41
91040
2160
c) 79 % ?
01:33
I guess with VR you either love it
42
93200
1840
Je suppose qu'avec la réalité virtuelle, vous l'aimez
01:35
or hate it, so I’ll say b) 49 percent of
43
95040
3120
ou vous la détestez, alors je dirai b) 49 % des
01:38
people want to try it again.
44
98160
1840
gens veulent l'essayer à nouveau.
01:40
OK, I’ll reveal the correct answer
45
100000
1840
OK, je révélerai la bonne réponse
01:41
later in the programme. But what
46
101840
1760
plus tard dans le programme. Mais ce que
01:43
Neil said is true: people tend to either
47
103600
2400
Neil a dit est vrai : les gens ont tendance soit à
01:46
love virtual reality or hate it.
48
106000
2720
aimer la réalité virtuelle, soit à la détester.
01:48
Somebody who loves it is
49
108720
1440
Quelqu'un qui l'aime est
01:50
Emma Ridderstad, CEO of Warpin’, a
50
110160
2800
Emma Ridderstad, PDG de Warpin', une
01:52
company which develops
51
112960
1280
entreprise qui développe la
01:54
VR technology.
52
114240
1200
technologie VR.
01:55
Here she is telling BBC World
53
115440
1760
Elle raconte ici au programme BBC World
01:57
Service programme, Tech Tent, her
54
117200
1920
Service, Tech Tent, sa
01:59
vision of the future:
55
119120
1520
vision du futur :
02:00
In ten years, everything that you
56
120640
1760
Dans dix ans, tout ce que vous
02:02
do on your phone today, you will
57
122400
2160
faites sur votre téléphone aujourd'hui, vous le
02:04
do in 3-D, through your classes
58
124560
2000
ferez en 3D, à travers vos cours
02:06
for example. You will be able to do
59
126560
2480
par exemple. Vous pourrez faire
02:09
your shopping, you will be able to
60
129040
1920
vos courses, vous pourrez
02:10
meet your friends, you will be able
61
130960
1680
rencontrer vos amis, vous
02:12
to work remotely with whomever
62
132640
2400
pourrez travailler à distance avec qui
02:15
you want, you will be able to share
63
135040
2480
vous voulez, vous pourrez partager
02:17
digital spaces, share music, share
64
137520
3920
des espaces numériques, partager de la musique, partager de l'
02:21
art, share projects in digital spaces
65
141440
3200
art, partager des projets dans des espaces numériques
02:24
between each other. And you will also
66
144640
2080
entre eux. Et vous
02:26
be able to integrate the digital objects
67
146720
2160
pourrez également intégrer les objets numériques
02:28
in your physical world, making the
68
148880
2720
dans votre monde physique, rendant le
02:31
world much more phygital than
69
151600
1840
monde beaucoup plus phygital qu'il ne l'
02:33
is it today.
70
153440
1399
est aujourd'hui.
02:35
Virtual reality creates 3-D, or
71
155040
2720
La réalité virtuelle crée des expériences en 3D ou en
02:37
three-dimensional experiences where
72
157760
2080
trois dimensions où les
02:39
objects have the three dimensions of
73
159840
2400
objets ont les trois dimensions de
02:42
length, width and height. This makes
74
162240
2640
longueur, largeur et hauteur. Cela
02:44
them look lifelike and solid, not
75
164880
2400
leur donne un aspect réaliste et solide, et
02:47
two-dimensional and flat.
76
167280
2560
non bidimensionnel et plat.
02:49
Emma says that in the future VR will
77
169840
2160
Emma dit qu'à l'avenir, la réalité virtuelle
02:52
mix digital objects and physical
78
172000
2000
mélangera des objets numériques et des
02:54
objects to create exciting new
79
174000
1920
objets physiques pour créer de nouvelles
02:55
experiences – like staying home to
80
175920
2400
expériences passionnantes, comme rester à la maison pour
02:58
watch the same football match
81
178320
1440
regarder le même match de football
02:59
that is simultaneously happening in
82
179760
1840
qui se déroule simultanément dans
03:01
the park. She blends the words
83
181600
2400
le parc. Elle mélange les mots
03:04
‘physical’ and ‘digital’ to make a new
84
184000
2240
« physique » et « numérique » pour créer un nouveau
03:06
word describing this
85
186240
1040
mot décrivant cette
03:07
combination: phygital.
86
187280
2480
combinaison : phygital.
03:09
But while a ‘phygital’ future sounds
87
189760
1920
Mais alors qu'un avenir « phygital »
03:11
like paradise to some, others are
88
191680
2080
ressemble à un paradis pour certains, d'autres sont
03:13
more sceptical – they doubt that
89
193760
2080
plus sceptiques - ils doutent que la réalité
03:15
VR will come true or be useful.
90
195840
2480
virtuelle se réalise ou soit utile.
03:18
One such sceptic is technology
91
198320
2080
L'un de ces sceptiques est l'
03:20
innovator, Dr Nicola Millard. For one
92
200400
2720
innovateur technologique, le Dr Nicola Millard. D'une
03:23
thing, she doesn’t like wearing a
93
203120
1440
part, elle n'aime pas porter un
03:24
VR headset – the heavy helmet and
94
204560
2320
casque VR - le casque lourd et les
03:26
glasses that create virtual reality
95
206880
2160
lunettes qui créent la réalité virtuelle
03:29
for the wearer – something she
96
209040
1760
pour le porteur - ce qu'elle a
03:30
explained to BBC World Service’s,
97
210800
2160
expliqué à la BBC World Service,
03:32
Tech Tent:
98
212960
1189
Tech Tent :
03:34
There are some basic things to
99
214480
1680
Il y a quelques choses de base à
03:36
think about. So, how do we
100
216160
1600
penser. Alors, comment y
03:37
access it? So, the reason, sort of,
101
217760
2400
accède-t-on ? Donc, la raison, en quelque sorte, pour laquelle
03:40
social networks took off was, we’ve
102
220160
2240
les réseaux sociaux ont décollé, c'est que nous
03:42
got mobile technologies that let
103
222400
1840
avons des technologies mobiles qui nous permettent de les
03:44
us use it. Now, obviously one of
104
224240
1840
utiliser. Maintenant, évidemment, l'un
03:46
the barriers can be that VR or AR
105
226080
2640
des obstacles peut être que les casques VR ou AR
03:48
headsets - so VR, I’ve always been
106
228720
2320
- donc VR, j'ai toujours été un
03:51
slightly sceptical about. I’ve called
107
231040
2480
peu sceptique à propos. Je l'
03:53
it ‘vomity reality’ for a while because,
108
233520
2240
appelle "vomity reality" depuis un moment parce que,
03:55
frankly, I usually need a bucket
109
235760
2960
franchement, j'ai généralement besoin d'un seau à
03:58
somewhere close if you’ve got a
110
238720
1360
proximité si vous avez un
04:00
headset on me… and also, do I want
111
240080
1840
casque sur moi… et aussi, est-ce que je
04:01
to spend vast amounts of time in
112
241920
2000
veux passer beaucoup de temps dans
04:03
those rather unwieldy headsets?
113
243920
1440
ces casques plutôt encombrants ?
04:05
Now, I know they’re talking AR as
114
245360
1840
Maintenant, je sais qu'ils parlent aussi de la
04:07
well and obviously that does not
115
247200
1600
RA et évidemment cela n'a pas
04:08
necessarily need a headset, but I
116
248800
1680
nécessairement besoin d'un casque, mais je
04:10
think we’re seeing some quite
117
250480
1840
pense que nous voyons également
04:12
immersive environments coming
118
252320
1600
des environnements assez immersifs
04:13
out at the moment as well.
119
253920
1600
sortir en ce moment.
04:15
Nicola called VR ‘vomity reality’
120
255520
3040
Nicola a qualifié la VR de «réalité vomi»
04:18
because wearing a headset makes
121
258560
1600
parce que porter un casque
04:20
her feel sick, maybe because it’s
122
260160
2320
la rend malade, peut-être parce qu'il est
04:22
so unwieldy – difficult to move or
123
262480
2640
si encombrant - difficile à déplacer ou à
04:25
wear because it’s big and heavy.
124
265120
2080
porter parce qu'il est gros et lourd.
04:27
She also makes a difference
125
267200
1440
Elle fait également la différence
04:28
between VR - virtual reality- and AR,
126
268640
3600
entre VR - réalité virtuelle - et AR,
04:32
which stands for augmented
127
272240
1600
qui signifie
04:33
reality – tech which adds to the
128
273840
2560
réalité augmentée - une technologie qui ajoute au
04:36
ordinary physical world by
129
276400
1440
monde physique ordinaire en
04:37
projecting virtual words, pictures
130
277840
2400
projetant des mots, des images
04:40
and characters, usually by wearing
131
280240
1840
et des personnages virtuels, généralement en portant des
04:42
glasses or with a mobile phone.
132
282080
2320
lunettes ou avec un téléphone portable.
04:44
While virtual reality replaces what
133
284400
2000
Alors que la réalité virtuelle remplace ce que
04:46
you hear and see, augmented
134
286400
2000
vous entendez et voyez, la réalité augmentée s'y
04:48
reality adds to it. Both VR and AR
135
288400
3920
ajoute. La réalité virtuelle et la réalité
04:52
are immersive experiences – they
136
292320
2400
augmentée sont toutes deux des expériences immersives : elles
04:54
stimulate your senses and surround
137
294720
1920
stimulent vos sens et
04:56
you so that you feel completely
138
296640
1600
vous entourent afin que vous vous sentiez complètement
04:58
involved in the experience.
139
298240
1680
impliqué dans l'expérience.
04:59
In fact, the experience feels so real
140
299920
2480
En fait, l'expérience semble si réelle
05:02
that people keep coming back
141
302400
1280
que les gens reviennent sans
05:03
for more.
142
303680
720
cesse.
05:04
Right! In my question I asked
143
304400
2240
Droit! Dans ma question, j'ai demandé à
05:06
Neil how many people who try
144
306640
1600
Neil combien de personnes qui essayaient la
05:08
VR for the first time want to try
145
308240
2000
VR pour la première fois voulaient l'
05:10
it again.
146
310240
800
essayer à nouveau.
05:11
I guessed it was about half –
147
311040
1760
J'ai supposé que c'était environ la moitié -
05:12
49 percent. Was I right?
148
312800
1840
49%. Avais-je raison ?
05:14
You were… wrong, I’m afraid.
149
314640
2400
Tu avais… tort, j'en ai peur.
05:17
The correct answer is much
150
317040
1440
La bonne réponse est beaucoup
05:18
higher - 79 percent of people
151
318480
2560
plus élevée - 79% des
05:21
would give VR another try.
152
321040
2080
personnes réessayeraient la VR.
05:23
I suppose because the experience
153
323120
1680
Je suppose que c'était parce que l'expérience
05:24
was so immersive – stimulating,
154
324800
2480
était tellement immersive – stimulante,
05:27
surrounding and realistic.
155
327280
2000
enveloppante et réaliste.
05:29
Ok, A, let’s recap the other
156
329280
1680
Ok, A, récapitulons l'autre
05:30
vocabulary from this programme
157
330960
1600
vocabulaire de ce programme
05:32
on the ‘metaverse’, a kind of
158
332560
1840
sur le "métavers", une sorte de
05:34
augmented reality – reality which
159
334400
2720
réalité augmentée - réalité qui
05:37
is enhanced or added to
160
337120
1600
est améliorée ou complétée
05:38
by technology.
161
338720
1280
par la technologie.
05:40
3-D objects have three
162
340000
1280
Les objets 3D ont trois
05:41
dimensions, making them
163
341280
1200
dimensions, ce qui les fait
05:42
appear real and solid.
164
342480
1840
apparaître réels et solides.
05:44
Phygital is an invented word
165
344320
1760
Phygital est un mot inventé
05:46
which combines the features of
166
346080
1680
qui combine les caractéristiques des
05:47
‘physical’ and ‘digital’ worlds.
167
347760
2240
mondes « physiques » et « numériques ».
05:50
A sceptical person is doubtful
168
350000
2320
Une personne sceptique doute
05:52
about something.
169
352320
1040
de quelque chose.
05:53
And finally, unwieldy means
170
353360
1760
Et enfin, peu maniable signifie
05:55
difficult to move or carry because
171
355120
1840
difficile à déplacer ou à transporter car
05:56
it’s so big and heavy.
172
356960
1520
il est si gros et si lourd.
05:58
That’s our six minutes up, in this
173
358480
2000
C'est nos six minutes, dans cette
06:00
reality anyway. See you in the
174
360480
2000
réalité de toute façon. A bientôt dans le
06:02
‘metaverse’ soon!
175
362480
1120
"métaverse" !
06:03
Goodbye!
176
363600
959
Au revoir!
06:10
Hello. This is 6 Minute English
177
370320
1680
Bonjour. Ceci est 6 minutes d'anglais
06:12
from BBC Learning English.
178
372000
1680
de BBC Learning English.
06:13
I’m Neil.
179
373680
800
Je suis Neil.
06:14
And I’m Sam.
180
374480
1040
Et je suis Sam.
06:15
What do shopping with a credit
181
375520
1520
Quel est le point commun entre faire du shopping avec une
06:17
card, finding love through
182
377040
1680
carte de crédit, trouver l'amour grâce à
06:18
internet dating and waiting for
183
378720
1920
des rencontres sur Internet et attendre que
06:20
the traffic lights to change
184
380640
1520
les feux de circulation
06:22
have in common?
185
382160
1040
changent ?
06:23
Hmmm, they all involve
186
383200
1920
Hmmm, ils impliquent tous des
06:25
computers?
187
385120
800
06:25
Good guess, Sam! But how
188
385920
1520
ordinateurs ?
Bonne conjecture, Sam ! Mais comment fonctionnent
06:27
exactly do those computers work?
189
387440
2400
exactement ces ordinateurs ?
06:29
The answer is that they all use
190
389840
2400
La réponse est qu'ils utilisent tous des
06:32
algorithms – sets of mathematical
191
392240
2480
algorithmes - des ensembles d'
06:34
instructions which find solutions
192
394720
1920
instructions mathématiques qui trouvent des solutions
06:36
to problems.
193
396640
1120
aux problèmes.
06:37
Although they are often hidden,
194
397760
2000
Bien qu'ils soient souvent cachés, les
06:39
algorithms are all around us.
195
399760
2080
algorithmes sont tout autour de nous.
06:41
From mobile phone maps to
196
401840
1520
Des cartes des téléphones portables aux
06:43
home delivery pizza, they play a
197
403360
2160
pizzas livrées à domicile, elles jouent un
06:45
big part of modern life. And
198
405520
2000
rôle important dans la vie moderne. Et
06:47
they’re the topic of this programme.
199
407520
2080
ils sont le sujet de ce programme.
06:49
A simple way to think of algorithms
200
409600
2000
Une façon simple de penser aux algorithmes
06:51
is as recipes. To make pancakes
201
411600
2880
est comme des recettes. Pour faire des crêpes,
06:54
you mix flour, eggs and milk, then
202
414480
2320
vous mélangez la farine, les œufs et le lait, puis faites
06:56
melt butter in a frying pan and
203
416800
1920
fondre le beurre dans une poêle et
06:58
so on. Computers do this in more
204
418720
2080
ainsi de suite. Les ordinateurs le font de
07:00
a complicated way by repeating
205
420800
2000
manière plus compliquée en répétant sans cesse
07:02
mathematical equations over
206
422800
1840
des équations mathématiques
07:04
and over again.
207
424640
1360
.
07:06
Equations are mathematical
208
426000
1440
Les équations sont des
07:07
sentences showing how two
209
427440
1520
phrases mathématiques montrant comment deux
07:08
things are equal. They’re similar
210
428960
2160
choses sont égales. Ils sont similaires
07:11
to algorithms and the most famous
211
431120
2080
aux algorithmes et l'équation scientifique la plus célèbre
07:13
scientific equation of all, Einstein's
212
433200
2720
de toutes,
07:15
E=MC2, can be thought of as a
213
435920
3520
E=MC2 d'Einstein, peut être considérée comme un
07:19
three-part algorithm.
214
439440
1920
algorithme en trois parties.
07:21
But before my brain gets squashed
215
441360
2000
Mais avant que mon cerveau ne soit écrasé
07:23
by all this maths, I have a quiz
216
443360
1760
par tous ces calculs, j'ai une
07:25
question for you, Sam. As you know,
217
445120
2400
question pour toi, Sam. Comme vous le savez,
07:27
Einstein’s famous equation is
218
447520
1760
la célèbre équation d'Einstein est
07:29
E=MC2 - but what does the
219
449280
2880
E=MC2 - mais que signifie le
07:32
‘E’ stand for? Is it:
220
452160
1680
« E » ? Est-ce :
07:33
a) electricity?
221
453840
1840
a) de l'électricité ?
07:35
b) energy? or
222
455680
1360
b) énergie ? ou
07:37
c) everything?
223
457040
1600
c) tout ?
07:38
I’m tempted to say ‘E’ is for
224
458640
1680
Je suis tenté de dire que « E » signifie
07:40
‘everything’ but I reckon I know
225
460320
1760
« tout », mais je pense que je connais
07:42
the answer: b – ‘E’ stands
226
462080
2320
la réponse : b – « E »
07:44
for ‘energy’.
227
464400
800
signifie « énergie ».
07:45
OK, Sam, we’ll find out if you’re
228
465200
1600
OK, Sam, nous verrons si tu as
07:46
right later in the programme.
229
466800
2000
raison plus tard dans le programme.
07:48
With all this talk of computers, you
230
468800
1680
Avec toutes ces discussions sur les ordinateurs, vous
07:50
might think algorithms are a
231
470480
1440
pourriez penser que les algorithmes sont une
07:51
new idea. In fact, they’ve been
232
471920
2320
idée nouvelle. En fait, ils existent
07:54
around since Babylonian times,
233
474240
2080
depuis l'époque babylonienne, il y a
07:56
around 4,000 years ago.
234
476320
2000
environ 4 000 ans.
07:58
And their use today can be
235
478320
1520
Et leur utilisation aujourd'hui peut être
07:59
controversial. Some algorithms
236
479840
2080
controversée. Certains algorithmes
08:01
used in internet search engines
237
481920
1760
utilisés dans les moteurs de recherche Internet
08:03
have been accused of
238
483680
1040
ont été accusés de
08:04
racial prejudice.
239
484720
1440
préjugés raciaux.
08:06
Ramesh Srinivasan is Professor
240
486160
2000
Ramesh Srinivasan est professeur
08:08
of Information Studies at the
241
488160
1600
d'études de l'information à l'
08:09
University of California. Here’s what
242
489760
2400
Université de Californie. Voici ce
08:12
he said when asked what the word
243
492160
1760
qu'il a dit lorsqu'on lui a demandé ce que le mot «
08:13
‘algorithm’ actually means by
244
493920
1760
algorithme » signifie réellement par le
08:15
BBC World Service’s programme,
245
495680
1840
programme de BBC World Service,
08:17
The Forum:
246
497520
1219
The Forum :
08:20
My understanding of the term
247
500560
2000
Ma compréhension du terme «
08:22
‘algorithm’ is that it’s not necessarily
248
502560
1840
algorithme » est que ce n'est pas nécessairement
08:24
the bogyman, or its not necessarily
249
504400
2640
le croquemitaine, ou ce n'est pas nécessairement
08:27
something that is, you know, inscrutable
250
507040
2800
quelque chose qui est, vous savez, impénétrable
08:29
or mysterious to all people – it’s the
251
509840
2080
ou mystérieux pour tout le monde - c'est l'
08:31
set of instructions that you write in
252
511920
3760
ensemble d'instructions que vous écrivez sous
08:35
some mathematical form or in
253
515680
1920
une forme mathématique ou dans
08:37
some software code – so it’s the
254
517600
1680
un code logiciel - c'est donc l'
08:39
repeated set of instructions that
255
519280
2640
ensemble répété d'instructions qui
08:41
are sequenced, that are used and
256
521920
2400
sont séquencées, qui sont utilisées et
08:44
applied to answer a question or
257
524320
2080
appliquées pour répondre à une question ou
08:46
resolve a problem – it’s a simple
258
526400
1600
résoudre un problème - c'est
08:48
as that, actually.
259
528000
1393
aussi simple que ça, en fait.
08:51
Some think that algorithms have
260
531200
1440
Certains pensent que les algorithmes ont
08:52
been controversial, but Professor
261
532640
1760
été controversés, mais le professeur
08:54
Srinivasan says they are not
262
534400
2080
Srinivasan dit qu'ils ne sont pas
08:56
necessarily the bogyman. The
263
536480
2240
nécessairement le croquemitaine. Le
08:58
bogyman refers to something
264
538720
1520
bogyman fait référence à quelque chose que les
09:00
people call ‘bad’ or ‘evil’ to make
265
540240
2800
gens appellent «mauvais» ou «mal» pour faire
09:03
other people afraid.
266
543040
1520
peur aux autres.
09:04
Professor Srinivasan thinks
267
544560
1840
Le professeur Srinivasan pense que les
09:06
algorithms are neither evil nor
268
546400
2320
algorithmes ne sont ni diaboliques ni
09:08
inscrutable – not showing emotions
269
548720
2640
impénétrables - ne montrant pas d'émotions
09:11
or thoughts and therefore very
270
551360
1680
ou de pensées et donc très
09:13
difficult to understand.
271
553040
1840
difficiles à comprendre.
09:14
Still, it can be difficult to understand
272
554880
1920
Pourtant, il peut être difficile de comprendre
09:16
exactly what algorithms are,
273
556800
1840
exactement ce que sont les algorithmes,
09:18
especially when there are many
274
558640
1680
surtout lorsqu'il en existe de nombreux
09:20
different types of them. So, let’s
275
560320
2080
types différents. Alors,
09:22
take an example.
276
562400
1200
prenons un exemple.
09:23
It’s autumn and we want to
277
563600
1280
C'est l'automne et nous voulons
09:24
collect all the apples from our
278
564880
1680
ramasser toutes les pommes de notre
09:26
orchard and divide them into
279
566560
1360
verger et les diviser en
09:27
three groups – big, medium
280
567920
2080
trois groupes : grosses, moyennes
09:30
and small. One method is to
281
570000
2000
et petites. Une méthode consiste à
09:32
collect all the apples together
282
572000
1760
rassembler toutes les pommes
09:33
and compare their sizes.
283
573760
1840
et à comparer leurs tailles.
09:35
But doing this would take hours!
284
575600
1680
Mais cela prendrait des heures !
09:37
It’s much easier to first collect
285
577280
1840
Il est beaucoup plus facile de récolter d'abord
09:39
the apples from only one tree -
286
579120
2240
les pommes d'un seul arbre -
09:41
divide those into big, medium
287
581360
2080
divisez-les en grandes, moyennes
09:43
or small – and then repeat the
288
583440
2000
ou petites - puis répétez le
09:45
process for the other trees,
289
585440
2000
processus pour les autres arbres,
09:47
one by one.
290
587440
1440
un par un.
09:48
That’s basically what algorithms
291
588880
1680
C'est essentiellement ce que
09:50
do – they find the most efficient
292
590560
1840
font les algorithmes - ils trouvent le moyen le plus
09:52
way to get things done, or in other
293
592400
2080
efficace de faire avancer les choses, ou en d'autres
09:54
words, get the best results in the
294
594480
1760
termes, d'obtenir les meilleurs résultats dans les
09:56
quickest time.
295
596240
1520
meilleurs délais.
09:57
Mathematics professor Ian
296
597760
1520
Le professeur de mathématiques Ian
09:59
Stewart agrees. Listen as he
297
599280
2080
Stewart est d'accord. Écoutez-le
10:01
explains how the algorithm called
298
601360
2240
expliquer comment l'algorithme appelé
10:03
‘bubble sort’ works to BBC World
299
603600
2480
"tri par bulles" fonctionne pour le programme de BBC World
10:06
Service’s programme, The Forum:
300
606080
2266
Service, The Forum :
10:10
Think of when your computer is
301
610080
1440
Pensez à quand votre ordinateur
10:11
sorting emails by date and maybe
302
611520
2000
trie les e-mails par date et peut-être que
10:13
you’ve got 500 emails and it sorts
303
613520
1760
vous avez 500 e-mails et qu'il les
10:15
them by date in a flash.
304
615280
1520
trie par date en un éclair.
10:16
Now it doesn’t use bubble sort,
305
616800
1280
Maintenant, il n'utilise pas de tri à bulles,
10:18
but it does use a sorting method
306
618080
1920
mais il utilise une méthode de tri
10:20
and if you tried to do that by hand
307
620000
2320
et si vous essayiez de le faire à la main,
10:22
it would take you a very long time,
308
622320
1520
cela vous prendrait beaucoup de temps,
10:23
whatever method you used.
309
623840
1982
quelle que soit la méthode que vous utilisiez.
10:27
Professor Stewart describes how
310
627520
1680
Le professeur Stewart décrit comment les
10:29
algorithms sort emails. To sort is a
311
629200
2880
algorithmes trient les e-mails. Trier est un
10:32
verb meaning to group together
312
632080
1520
verbe signifiant regrouper des
10:33
things which share similarities.
313
633600
2080
choses qui partagent des similitudes.
10:35
Just like grouping the apples by
314
635680
1760
Tout comme le regroupement des pommes par
10:37
size, sorting hundreds of emails
315
637440
2320
taille, trier manuellement des centaines d'e-
10:39
by hand would take a long time.
316
639760
2320
mails prendrait beaucoup de temps.
10:42
But using algorithms, computers
317
642080
2080
Mais en utilisant des algorithmes, les ordinateurs le
10:44
do it in a flash – very quickly or
318
644160
2720
font en un éclair - très rapidement ou
10:46
suddenly.
319
646880
880
soudainement.
10:47
That phrase – in a flash – reminds
320
647760
1840
Cette phrase - en un éclair -
10:49
me of how Albert Einstein came up
321
649600
2160
me rappelle comment Albert Einstein a
10:51
with his famous equation, E=MC2.
322
651760
4080
trouvé sa célèbre équation, E = MC2.
10:55
And that reminds me of your quiz
323
655840
2080
Et cela me rappelle votre
10:57
question. You asked about the ‘E’
324
657920
2720
question quiz. Vous avez posé une question sur le « E »
11:00
in E=MC2. I said it stands for ‘energy’.
325
660640
3840
dans E=MC2. J'ai dit que cela signifiait "énergie".
11:04
So, was I right?
326
664480
1280
Alors, avais-je raison ?
11:05
‘Energy’ is the correct answer.
327
665760
2560
« Énergie » est la bonne réponse.
11:08
Energy equals ‘M’ for mass,
328
668320
2080
L'énergie est égale à "M" pour la masse,
11:10
multiplied by the Constant ‘C’ which
329
670400
2560
multipliée par la constante "C" qui
11:12
is the speed of light, squared.
330
672960
2480
est la vitesse de la lumière au carré.
11:15
OK, let’s recap the vocabulary from
331
675440
2240
OK, récapitulons le vocabulaire de
11:17
this programme, starting with
332
677680
1520
ce programme, en commençant par l'
11:19
equation – a mathematical statement
333
679200
2640
équation - une déclaration mathématique
11:21
using symbols to show two
334
681840
2000
utilisant des symboles pour montrer deux
11:23
equal things.
335
683840
1040
choses égales.
11:24
If something is called a bogyman,
336
684880
2000
Si quelque chose s'appelle un bogyman,
11:26
it’s something considered bad
337
686880
1680
c'est quelque chose de mauvais
11:28
and to be feared.
338
688560
1200
et à craindre.
11:29
Inscrutable people don’t show
339
689760
1760
Les personnes impénétrables ne montrent pas
11:31
their emotions so are very difficult
340
691520
2080
leurs émotions et sont donc très difficiles
11:33
to get to know.
341
693600
1040
à connaître.
11:34
Efficient means working quickly
342
694640
1680
Efficace signifie travailler rapidement
11:36
and effectively in an
343
696320
1200
et efficacement de
11:37
organised way.
344
697520
1040
manière organisée.
11:38
The verb to sort means to group
345
698560
2080
Le verbe trier signifie regrouper
11:40
together things which
346
700640
1120
des choses qui
11:41
share similarities.
347
701760
1360
partagent des similitudes.
11:43
And finally, if something happens
348
703120
1840
Et enfin, si quelque chose se produit
11:44
in a flash, it happens quickly
349
704960
2080
en un éclair, cela se produit rapidement
11:47
or suddenly.
350
707040
960
ou soudainement.
11:48
That’s all the time we have to
351
708000
1360
C'est tout le temps dont nous disposons pour
11:49
discuss algorithms. And if
352
709360
1920
discuter d'algorithmes. Et si
11:51
you’re still not 100% sure about
353
711280
2240
vous n'êtes toujours pas sûr à 100 % de
11:53
exactly what they are, we hope
354
713520
1840
ce qu'ils sont exactement, nous espérons
11:55
at least you’ve learned some
355
715360
960
au moins que vous avez appris un
11:56
useful vocabulary!
356
716320
1200
vocabulaire utile !
11:57
Join us again soon for more
357
717520
1360
Rejoignez-nous bientôt pour plus de
11:58
trending topics, sensational
358
718880
1840
sujets tendances, une
12:00
science and useful vocabulary
359
720720
2080
science sensationnelle et un vocabulaire utile
12:02
here at 6 Minute English from
360
722800
1440
ici à 6 minutes d'anglais de
12:04
BBC Learning English.
361
724240
1520
BBC Learning English.
12:05
Bye for now!
362
725760
880
Au revoir!
12:06
Goodbye!
363
726640
830
Au revoir!
12:13
Hello. This is 6 Minute English
364
733200
1760
Bonjour. Ceci est 6 minutes d'anglais
12:14
from BBC Learning English.
365
734960
1680
de BBC Learning English.
12:16
I’m Neil.
366
736640
960
Je suis Neil.
12:17
And I’m Sam.
367
737600
1520
Et je suis Sam.
12:19
In recent years, many people
368
739120
1520
Ces dernières années, de nombreuses personnes
12:20
have wanted to find out more
369
740640
1600
ont voulu en savoir plus
12:22
about where they come from.
370
742240
1760
sur leurs origines.
12:24
Millions have tried to trace
371
744000
1360
Des millions de personnes ont tenté de retracer l'
12:25
their family history and discover
372
745360
1920
histoire de leur famille et de découvrir
12:27
how their ancestors lived
373
747280
1360
comment leurs ancêtres vivaient il y a des
12:28
hundreds of years ago.
374
748640
1840
centaines d'années.
12:30
The internet has made it much
375
750480
1680
Internet a rendu beaucoup
12:32
easier to find historical
376
752160
1680
plus facile la recherche de
12:33
documents and records about
377
753840
1760
documents historiques et de dossiers sur
12:35
your family history - and one of
378
755600
2000
votre histoire familiale - et l'un des
12:37
the most useful documents for
379
757600
1840
documents les plus utiles pour
12:39
doing this is the census.
380
759440
3120
ce faire est le recensement.
12:42
A census is an official count of all
381
762560
2480
Un recensement est un décompte officiel de toutes
12:45
the people living in a country.
382
765040
1920
les personnes vivant dans un pays.
12:46
It collects information about a
383
766960
1600
Il recueille des informations sur
12:48
country’s population and is usually
384
768560
2160
la population d'un pays et est généralement
12:50
carried out by the government.
385
770720
2080
effectué par le gouvernement.
12:52
In Britain, a census has been
386
772800
1760
En Grande-Bretagne, un recensement est
12:54
carried out every ten years
387
774560
1840
effectué tous les dix ans
12:56
since 1801. In 2002, when
388
776400
4000
depuis 1801. En 2002, lorsque
13:00
census records from a hundred
389
780400
1600
les relevés de recensement cent
13:02
years before became available
390
782000
2080
ans plus tôt sont devenus disponibles en
13:04
online, so many people rushed
391
784080
2320
ligne, tant de personnes se sont précipitées
13:06
to their computers to access
392
786400
1520
sur leur ordinateur pour y
13:07
them that the website crashed!
393
787920
2640
accéder que le site Web a planté !
13:10
But before we find out more
394
790560
1600
Mais avant d'en savoir plus
13:12
about the census and its related
395
792160
1760
sur le recensement et son
13:13
vocabulary it’s time for a quiz
396
793920
1920
vocabulaire associé, il est temps pour une
13:15
question, Sam. Someone who
397
795840
2240
question de quiz, Sam. Quelqu'un qui en
13:18
knows a lot about his family
398
798080
1680
sait beaucoup sur son
13:19
history is British actor, Danny
399
799760
2000
histoire familiale est l'acteur britannique Danny
13:21
Dyer. When BBC television
400
801760
2480
Dyer. Lors de l'émission télévisée de la
13:24
programme, Who Do You
401
804240
1120
BBC, Who Do You
13:25
Think You Are? researched
402
805360
1280
Think You Are? en faisant des recherches sur
13:26
his family history they discovered
403
806640
2240
son histoire familiale, ils ont découvert
13:28
that the actor was related to
404
808880
1440
que l'acteur était lié à
13:30
someone very famous – but
405
810320
2000
quelqu'un de très célèbre – mais
13:32
who was it?
406
812320
1360
qui était-ce ?
13:33
A) King Edward III,
407
813680
2080
A) Le roi Édouard III,
13:35
B) William Shakespeare, or,
408
815760
2080
B) William Shakespeare, ou,
13:37
C) Winston Churchill?
409
817840
2080
C) Winston Churchill ?
13:39
Well, I know Danny Dyer usually
410
819920
2320
Eh bien, je sais que Danny Dyer joue généralement des
13:42
plays tough-guy characters so
411
822240
2400
personnages de durs à cuire, alors
13:44
maybe it’s
412
824640
640
peut-être que c'est
13:45
C), war hero Winston Churchill?
413
825280
3600
C), le héros de guerre Winston Churchill ?
13:48
OK, Sam, we’ll find out later if
414
828880
1920
OK, Sam, nous verrons plus tard si
13:50
that’s correct. Now, although
415
830800
2160
c'est correct. Maintenant, bien que
13:52
the first British census took
416
832960
1520
le premier recensement britannique ait eu
13:54
place in 1801, other censuses
417
834480
2560
lieu en 1801, d'autres recensements
13:57
have a much longer history.
418
837040
2480
ont une histoire beaucoup plus longue.
13:59
In fact, the bible story of Mary
419
839520
2080
En fait, l'histoire biblique de Marie
14:01
and Joseph travelling to
420
841600
1200
et Joseph voyageant à
14:02
Bethlehem is linked to a
421
842800
1440
Bethléem est liée à un
14:04
Roman census.
422
844240
2022
recensement romain.
14:06
So, what was the original
423
846262
2298
Alors, quelle était la
14:08
reason for counting people
424
848560
1840
raison initiale du comptage des personnes
14:10
and what did governments
425
850400
1200
et qu'est-ce que les gouvernements
14:11
hope to achieve by doing so?
426
851600
2320
espéraient réaliser en le faisant ?
14:13
Here’s Dr Kathrin Levitan, author
427
853920
2640
Voici le Dr Kathrin Levitan, auteur
14:16
of a book on the cultural history
428
856560
1760
d'un livre sur l'histoire culturelle
14:18
of the census, speaking to
429
858320
1840
du recensement, s'adressant au
14:20
BBC World Service programme,
430
860160
1760
programme BBC World Service,
14:21
The Forum:
431
861920
1299
The Forum :
14:24
I think there were probably
432
864480
960
Je pense qu'il y avait probablement
14:25
two most common reasons.
433
865440
2080
deux raisons les plus courantes.
14:27
One was in order to figure out
434
867520
2000
L'une était de savoir
14:29
who could fight in wars, so basically
435
869520
1760
qui pouvait combattre dans les guerres, donc essentiellement
14:31
military conscription and in order
436
871280
2160
la conscription militaire et afin
14:33
to find out who could fight in wars
437
873440
1840
de savoir qui pouvait combattre dans les guerres,
14:35
ancient governments like the
438
875280
1040
les gouvernements anciens comme l'
14:36
Roman Empire had to find out how
439
876320
2480
Empire romain devaient savoir combien
14:38
many men of a certain age there were.
440
878800
2560
d'hommes d'un certain âge il y avait.
14:41
And I would say that the other thing
441
881360
1760
Et je dirais que l'autre chose pour
14:43
that censuses were most commonly
442
883120
2080
laquelle les recensements étaient le plus couramment
14:45
used for was for purposes of taxation.
443
885200
2800
utilisés était à des fins fiscales.
14:48
According to Kathrin Levitan, ancient
444
888880
2400
Selon Kathrin Levitan, les anciens
14:51
censuses were used to figure out – or
445
891280
2400
recensements étaient utilisés pour déterminer – ou
14:53
understand, how many men were
446
893680
2000
comprendre – combien d'hommes étaient
14:55
available to fight wars.
447
895680
2000
disponibles pour faire la guerre.
14:57
The Roman Empire needed a strong
448
897680
2400
L'Empire romain avait besoin d'une
15:00
army, and this depended on
449
900080
1840
armée forte, et cela dépendait de la
15:01
conscription – forcing people to
450
901920
2560
conscription - obligeant les gens à
15:04
become soldiers and join the army.
451
904480
2320
devenir soldats et à rejoindre l'armée.
15:06
The other main reason for taking
452
906800
1600
L'autre raison principale de procéder à
15:08
a census was taxation – the
453
908400
2080
un recensement était la fiscalité - le
15:10
system of taxing people a certain
454
910480
2000
système consistant à imposer aux gens une certaine
15:12
amount of money to be paid to
455
912480
1600
somme d'argent à verser
15:14
the government for public services.
456
914080
2640
au gouvernement pour les services publics.
15:16
Ancient and early modern censuses
457
916720
2240
Les recensements anciens et modernes
15:18
were large and difficult-to-organise
458
918960
2320
étaient des projets importants et difficiles à organiser
15:21
projects. They often involved
459
921280
2160
. Ils impliquaient souvent
15:23
government officials going from
460
923440
1600
des fonctionnaires du gouvernement allant de
15:25
house to house, asking questions
461
925040
2640
maison en maison, posant des questions
15:27
about the people who lived there.
462
927680
2400
sur les personnes qui y vivaient.
15:30
But over time governments’ desire
463
930080
2160
Mais au fil du temps, le désir des gouvernements
15:32
to know about, and control, its
464
932240
1840
de connaître et de contrôler leurs
15:34
citizens gave rise to new
465
934080
1680
citoyens a donné naissance à de nouvelles
15:35
technologies for counting people.
466
935760
2320
technologies pour compter les gens.
15:38
Here’s statistician and economist
467
938080
2160
Voici le statisticien et économiste
15:40
Andrew Whitby explaining how
468
940240
1920
Andrew Whitby expliquant comment
15:42
this happened in the US to BBC
469
942160
2400
cela s'est passé aux États-Unis au programme BBC
15:44
World Service programme,
470
944560
1360
World Service,
15:45
The Forum:
471
945920
2000
The Forum :
15:47
The 1890 census of the United
472
947920
1760
Le recensement de 1890 aux États-
15:49
States was the first in which some
473
949680
1520
Unis a été le premier dans lequel une
15:51
kind of electro-mechanical process
474
951200
1760
sorte de processus électromécanique a
15:52
was used to count people… so
475
952960
1680
été utilisé pour compter les gens... donc
15:54
instead of armies of clerks reading
476
954640
2880
au lieu de des armées de commis
15:57
off census schedules and tabulating
477
957520
2480
lisant les listes de recensement et tabulant
16:00
these things by hand, for the first
478
960000
1520
ces choses à la main, pour la première
16:01
time an individual census record
479
961520
1760
fois un dossier de recensement individuel
16:03
would be punched onto a card… so
480
963280
2080
serait perforé sur une carte… de sorte
16:05
that there were holes in this card
481
965360
1520
qu'il y avait des trous dans cette carte
16:06
representing different characteristics
482
966880
1280
représentant différentes caractéristiques
16:08
of the person and then those cards
483
968160
1120
de la personne et ensuite ces cartes
16:09
could be fed through a machine.
484
969280
1985
pourraient être alimentées à travers une machine.
16:12
Old-fashioned censuses were managed
485
972080
2000
Les recensements à l'ancienne étaient gérés
16:14
by clerks – office workers whose job
486
974080
2640
par des commis - des employés de bureau dont le travail
16:16
involved keeping records.
487
976720
2160
consistait à tenir des registres.
16:18
Thousands of clerks would record
488
978880
1680
Des milliers de commis enregistreraient
16:20
the information gathered in the
489
980560
1520
les informations recueillies lors du
16:22
census and tabulate it, in other words,
490
982080
3360
recensement et les tabuleraient, en d'autres termes,
16:25
show the information in the form of
491
985440
2080
montreraient les informations sous la forme d'
16:27
a table with rows and columns.
492
987520
3280
un tableau avec des lignes et des colonnes.
16:30
The US census of 1890 was the first
493
990800
2800
Le recensement américain de 1890 a été le premier
16:33
to use machines, and many censuses
494
993600
2400
à utiliser des machines, et de nombreux recensements
16:36
today are electronically updated to
495
996000
2320
sont aujourd'hui mis à jour électroniquement pour
16:38
record new trends and shifts in
496
998320
2000
enregistrer les nouvelles tendances et les changements de
16:40
populations as they happen.
497
1000320
2400
population au fur et à mesure qu'ils se produisent.
16:42
In fact, so much personal
498
1002720
1920
En fait, tant d'
16:44
information is now freely available
499
1004640
2320
informations personnelles sont désormais disponibles gratuitement
16:46
through social media and the
500
1006960
1280
sur les réseaux sociaux et sur
16:48
internet that some people have
501
1008240
1920
Internet que certaines personnes ont
16:50
questioned the need for having
502
1010160
1760
remis en question la nécessité d'
16:51
a census at all.
503
1011920
1680
un recensement.
16:53
Yes, it isn’t hard to find out about
504
1013600
2080
Oui, il n'est pas difficile de découvrir
16:55
someone famous, like a TV star.
505
1015680
2640
quelqu'un de célèbre, comme une star de la télévision.
16:58
Someone like Danny Dyer, you mean?
506
1018320
2400
Quelqu'un comme Danny Dyer, tu veux dire ?
17:00
Right. In my quiz question I asked
507
1020720
2000
Droit. Dans ma question de quiz, j'ai demandé à
17:02
Sam which historical figure TV
508
1022720
2400
Sam à quel personnage historique l'
17:05
actor, Danny Dyer, was related to.
509
1025120
2720
acteur de télévision, Danny Dyer, était lié.
17:07
And I said it was
510
1027840
1120
Et j'ai dit que c'était
17:08
C) Winston Churchill. Was I right?
511
1028960
3200
C) Winston Churchill. Avais-je raison ?
17:12
It was a good guess, Sam, but
512
1032160
1440
C'était une bonne supposition, Sam, mais
17:13
the actual answer was
513
1033600
1120
la vraie réponse était
17:14
A) King Edward III. And no-one
514
1034720
2640
A) Le roi Édouard III. Et personne n'a
17:17
was more surprised that he was
515
1037360
1440
été plus surpris qu'il soit
17:18
related to royalty than the
516
1038800
1600
lié à la royauté que l'
17:20
EastEnders actor himself!
517
1040400
2400
acteur d'EastEnders lui-même !
17:22
OK, Neil, let’s recap the
518
1042800
1520
OK, Neil, récapitulons le
17:24
vocabulary from this programme
519
1044320
1760
vocabulaire de cette émission
17:26
about the census - the official
520
1046080
2240
sur le recensement - le
17:28
counting of a nation’s population.
521
1048320
2480
comptage officiel de la population d'une nation.
17:30
To figure something out means
522
1050800
1600
Comprendre quelque chose
17:32
to understand it.
523
1052400
1760
signifie le comprendre.
17:34
The Romans used conscription
524
1054160
2000
Les Romains ont utilisé la conscription
17:36
to force men to join the army by law.
525
1056160
2960
pour forcer les hommes à rejoindre l'armée par la loi.
17:39
Taxation is the government’s
526
1059120
1520
La fiscalité est le
17:40
system of taxing people to pay
527
1060640
2080
système du gouvernement consistant à imposer les gens pour payer
17:42
for public services.
528
1062720
2000
les services publics.
17:44
A clerk is an office worker whose
529
1064720
2240
Un commis est un employé de bureau dont le
17:46
job involves keeping records.
530
1066960
3120
travail consiste à tenir des registres.
17:50
And tabulate means show
531
1070080
1680
Et tabuler signifie afficher des
17:51
information in the form of a table
532
1071760
1920
informations sous la forme d'un tableau
17:53
with rows and columns.
533
1073680
2217
avec des lignes et des colonnes.
17:55
That’s all for our six-minute look
534
1075897
2023
C'est tout pour notre regard de six minutes
17:57
at the census, but if we’ve whetted
535
1077920
1920
sur le recensement, mais si nous avons aiguisé
17:59
your appetite for more why not
536
1079840
2000
votre appétit pour en savoir plus, pourquoi ne pas
18:01
check out the whole episode – it’s
537
1081840
2080
consulter l'intégralité de l'épisode – il est
18:03
available now on the website of
538
1083920
1920
maintenant disponible sur le site Web du
18:05
BBC World Service programme,
539
1085840
1760
programme BBC World Service,
18:07
The Forum.
540
1087600
1440
The Forum.
18:09
Bye for now!
541
1089040
1280
Au revoir!
18:10
Bye bye.
542
1090320
890
Bye Bye.
18:17
Hello. This is 6 Minute English
543
1097040
1520
Bonjour. Ceci est 6 minutes d'anglais
18:18
from BBC Learning English.
544
1098560
1440
de BBC Learning English.
18:20
I’m Neil.
545
1100000
720
18:20
And I’m Georgina.
546
1100720
1360
Je suis Neil.
Et je suis Georgina.
18:22
What do Homer, Ray Charles
547
1102080
1840
Quel est le point commun entre Homer, Ray Charles
18:23
and Jorge Borges all have in
548
1103920
1760
et Jorge
18:25
common, Georgina?
549
1105680
1040
Borges, Georgina ?
18:26
Hmm, so that’s the ancient Greek
550
1106720
2400
Hmm, c'est donc l'ancien
18:29
poet, Homer; American singer,
551
1109120
2160
poète grec, Homère ; chanteur américain,
18:31
Ray Charles; and Argentine writer,
552
1111280
2400
Ray Charles; et l'écrivain argentin
18:33
Jorge Luis Borges… I can’t see
553
1113680
2480
Jorge Luis Borges… Je ne vois pas
18:36
much in common there, Neil.
554
1116160
1440
grand-chose en commun là-bas, Neil.
18:37
Well, the answer is that they
555
1117600
1360
Eh bien, la réponse est qu'ils
18:38
were all blind.
556
1118960
1280
étaient tous aveugles.
18:40
Ah! But that obviously didn’t hold
557
1120240
1760
Ah ! Mais cela ne les a évidemment pas
18:42
them back - I mean, they were
558
1122000
1280
retenus - je veux dire, ils étaient
18:43
some of the greatest artists ever!
559
1123280
2160
parmi les plus grands artistes de tous les temps !
18:45
Right, but I wonder how easy they
560
1125440
1840
D'accord, mais je me demande s'il leur serait facile de
18:47
would find it living and working in
561
1127280
1600
vivre et de travailler dans
18:48
the modern world.
562
1128880
1040
le monde moderne.
18:49
Blind people can use a guide dog
563
1129920
1680
Les personnes aveugles peuvent utiliser un chien-guide
18:51
or a white cane to help them
564
1131600
1280
ou une canne blanche pour les aider à se
18:52
move around.
565
1132880
1040
déplacer.
18:53
Yes, but a white cane is hardly
566
1133920
2000
Oui, mais une canne blanche n'est pas
18:55
advanced technology! Recently,
567
1135920
2240
une technologie de pointe ! Récemment,
18:58
smartphone apps have been
568
1138160
1440
des applications pour smartphones ont été
18:59
invented which dramatically
569
1139600
1520
inventées qui
19:01
improve the lives of blind people
570
1141120
1760
améliorent considérablement la vie des personnes aveugles
19:02
around the world.
571
1142880
1120
dans le monde.
19:04
In this programme on blindness
572
1144000
1600
Dans ce programme sur la cécité
19:05
in the digital age we’ll be looking
573
1145600
1920
à l'ère numérique, nous
19:07
at some of these inventions, known
574
1147520
2080
examinerons certaines de ces inventions, connues
19:09
collectively as assistive technology –
575
1149600
3040
collectivement sous le nom de technologie d'assistance -
19:12
that’s any software or equipment
576
1152640
2000
c'est-à-dire tout logiciel ou équipement
19:14
that helps people work around their
577
1154640
1920
qui aide les gens à contourner leurs
19:16
disabilities or challenges.
578
1156560
2080
handicaps ou leurs défis.
19:18
But first it’s time for my quiz
579
1158640
1680
Mais d'abord, il est temps pour ma
19:20
question, Georgina. In 1842 a
580
1160320
2960
question quiz, Georgina. En 1842, une
19:23
technique of using fingers to feel
581
1163280
2240
technique consistant à utiliser les doigts pour sentir
19:25
printed raised dots was invented
582
1165520
2240
des points en relief imprimés a été inventée,
19:27
which allowed blind people to read.
583
1167760
2080
ce qui a permis aux aveugles de lire.
19:29
But who invented it? Was it:
584
1169840
2000
Mais qui l'a inventé ? Était-ce :
19:31
a) Margaret Walker?,
585
1171840
2000
a) Margaret Walker ?,
19:33
b) Louis Braille?, or
586
1173840
1760
b) Louis Braille ?, ou
19:35
c) Samuel Morse?
587
1175600
1360
c) Samuel Morse ?
19:36
Hmm, I’ve heard of Morse code but
588
1176960
2560
Hmm, j'ai entendu parler du code Morse mais
19:39
that wouldn’t help blind people
589
1179520
1440
cela n'aiderait pas les aveugles à
19:40
read, so I think it’s, b) Louis Braille.
590
1180960
2880
lire, donc je pense que c'est, b) Louis Braille.
19:43
OK, Georgina, we’ll find out the
591
1183840
1600
OK, Georgina, nous trouverons la
19:45
answer at the end of the programme.
592
1185440
2160
réponse à la fin du programme.
19:47
One remarkable feature of the latest
593
1187600
2080
Une caractéristique remarquable de la dernière
19:49
assistive technology is its practicality.
594
1189680
3200
technologie d'assistance est son aspect pratique.
19:52
Smartphone apps like ‘BeMyEyes’
595
1192880
2400
Les applications pour smartphone telles que « BeMyEyes »
19:55
allow blind users to find lost keys,
596
1195280
2480
permettent aux utilisateurs aveugles de retrouver des clés perdues, de
19:57
cross busy roads and even colour
597
1197760
2080
traverser des routes très fréquentées et même de faire
19:59
match their clothes.
598
1199840
1200
correspondre la couleur de leurs vêtements.
20:01
Brian Mwenda is CEO of a Kenyan
599
1201040
2640
Brian Mwenda est PDG d'une
20:03
company developing this kind of
600
1203680
1760
société kenyane développant ce type de
20:05
technology. Here he explains to
601
1205440
2400
technologie. Ici, il explique au
20:07
BBC World Service programme,
602
1207840
2000
programme de BBC World Service,
20:09
Digital Planet, how his devices seek
603
1209840
2560
Digital Planet, comment ses appareils cherchent
20:12
to enhance, not replace, the
604
1212400
2160
à améliorer, et non à remplacer, la
20:14
traditional white cane:
605
1214560
1829
canne blanche traditionnelle :
20:16
The device is very compatible with
606
1216880
1840
L'appareil est très compatible avec
20:18
any kind of white cane. So, once you
607
1218720
2000
n'importe quel type de canne blanche. Ainsi, une fois que vous l'
20:20
clip it on to any white cane it
608
1220720
2160
attachez à n'importe quelle canne blanche, il
20:22
works perfectly to detect the
609
1222880
1360
fonctionne parfaitement pour détecter les
20:24
obstacles in front of you, and it
610
1224240
1920
obstacles devant vous, et il
20:26
relies on echo-location. So,
611
1226160
2080
s'appuie sur l'écho-localisation. Ainsi, l'
20:28
echo-location is the same technology
612
1228240
1840
écho-localisation est la même technologie
20:30
used by bats and dolphins to detect
613
1230080
3520
utilisée par les chauves-souris et les dauphins pour détecter les
20:33
prey and obstacles and all that. You
614
1233600
2560
proies et les obstacles et tout ça. Vous
20:36
send out a sound pulse and then
615
1236160
1840
envoyez une impulsion sonore, puis
20:38
once it bounces off an obstacle, you
616
1238000
2000
une fois qu'elle rebondit sur un obstacle, vous
20:40
can tell how far the obstacle is.
617
1240000
2320
pouvez dire à quelle distance se trouve l'obstacle.
20:42
When attached to a white cane, the
618
1242320
1840
Lorsqu'il est attaché à une canne blanche, l'
20:44
digital device - called ‘Sixth Sense’ -
619
1244160
2560
appareil numérique - appelé "Sixième sens" -
20:46
can detect obstacles – objects which
620
1246720
2640
peut détecter les obstacles - des objets qui
20:49
block your way, making it difficult for
621
1249360
2160
bloquent votre chemin, ce qui
20:51
you to move forward.
622
1251520
1360
vous empêche d'avancer.
20:52
‘Sixth Sense’ works using echo-location,
623
1252880
3040
"Sixth Sense" fonctionne en utilisant l'écho-location,
20:55
a kind of ultrasound like that used by
624
1255920
2640
une sorte d'ultrason comme celui utilisé par les
20:58
bats who send out sound waves
625
1258560
2000
chauves-souris qui envoient des ondes sonores
21:00
which bounce off surrounding objects.
626
1260560
2560
qui rebondissent sur les objets environnants.
21:03
The returning echoes show where these
627
1263120
2320
Les échos de retour indiquent où se trouvent ces
21:05
objects are located.
628
1265440
1840
objets.
21:07
Some of the assistive apps are so
629
1267280
1840
Certaines des applications d'assistance sont si
21:09
smart they can even tell what kind of
630
1269120
2000
intelligentes qu'elles peuvent même dire quel type d'
21:11
object is coming up ahead – be it a
631
1271120
2240
objet se présente devant vous, qu'il s'agisse d'un
21:13
friend, a shop door or a speeding car.
632
1273360
3040
ami, d'une porte de magasin ou d'une voiture à grande vitesse.
21:16
I guess being able to move around
633
1276400
1600
Je suppose que pouvoir se déplacer en toute
21:18
confidently really boosts people’s
634
1278000
2000
confiance renforce vraiment l'indépendance des gens
21:20
independence.
635
1280000
1200
.
21:21
Absolutely. And it’s challenging
636
1281200
1760
Absolument. Et cela remet également en question les
21:22
stereotypes around blindness too.
637
1282960
2480
stéréotypes autour de la cécité.
21:25
Blogger, Fern Lulham, who is blind
638
1285440
2160
La blogueuse Fern Lulham, qui est
21:27
herself, uses assistive apps every day.
639
1287600
3280
elle-même aveugle, utilise quotidiennement des applications d'assistance.
21:30
Here she is talking to
640
1290880
1120
Ici, elle parle à
21:32
BBC World Service’s, Digital Planet:
641
1292000
2979
Digital Planet de BBC World Service :
21:35
I think the more that society sees
642
1295680
2160
Je pense que plus la société voit des
21:37
blind people in the community, at work,
643
1297840
2640
personnes aveugles dans la communauté, au travail,
21:40
in relationships it does help to tackle
644
1300480
2800
dans les relations, cela aide à lutter contre
21:43
all of these stereotypes, it helps
645
1303280
1440
tous ces stéréotypes, cela aide les
21:44
people to see blind and
646
1304720
1600
gens à voir les aveugles et
21:46
visually-impaired people in a whole
647
1306320
1200
les malvoyants. les gens d'une toute
21:47
new way and it just normalises
648
1307520
2240
nouvelle manière et cela normalise simplement le
21:49
disability – that’s what we need, we
649
1309760
1520
handicap - c'est ce dont nous avons besoin, nous avons
21:51
need to see people just getting on
650
1311280
1840
besoin de voir les gens
21:53
with their life and doing it and then
651
1313120
1600
continuer leur vie et le faire et ensuite les
21:54
people won’t see it as such a big
652
1314720
1760
gens ne le verront plus comme un si gros
21:56
deal anymore, it’ll just be the ordinary.
653
1316480
2979
problème, ce sera juste être ordinaire.
22:00
Fern distinguishes between people
654
1320320
1680
Fern fait la distinction entre les
22:02
who are blind, or unable to see, and
655
1322000
2480
personnes aveugles ou incapables de voir et
22:04
those who are visually impaired –
656
1324480
2080
celles qui ont une déficience visuelle – qui
22:06
experience a decreased ability to see.
657
1326560
3120
ont une capacité de voir réduite.
22:09
Assistive tech helps blind people
658
1329680
2080
La technologie d'assistance aide les personnes aveugles à
22:11
lead normal, independent lives within
659
1331760
2400
mener une vie normale et indépendante au sein de
22:14
their local communities. Fern hopes
660
1334160
2640
leurs communautés locales. Fern espère
22:16
that this will help normalise disability –
661
1336800
2640
que cela aidera à normaliser le handicap -
22:19
treat something as normal which has
662
1339440
2000
traiter comme normal quelque chose qui n'a
22:21
not been accepted as normal before…
663
1341440
2480
pas été accepté comme normal auparavant...
22:23
…so being blind doesn’t have to be a
664
1343920
2160
… donc être aveugle ne doit pas être un
22:26
big deal – an informal way to say
665
1346080
2240
gros problème - une façon informelle de dire
22:28
something is not a serious problem.
666
1348320
2800
quelque chose n'est pas un problème sérieux.
22:31
Just keep your eyes closed for a
667
1351120
1280
Gardez simplement les yeux fermés pendant une
22:32
minute and try moving around the
668
1352400
1440
minute et essayez de vous déplacer dans la
22:33
room. You’ll soon see how difficult
669
1353840
2320
pièce. Vous verrez bientôt à quel point
22:36
it is… and how life changing this
670
1356160
1680
c'est difficile… et à quel point cette technologie peut changer la vie
22:37
technology can be.
671
1357840
1600
.
22:39
Being able to read books must also
672
1359440
2240
Être capable de lire des livres doit aussi
22:41
open up a world of imagination.
673
1361680
2320
ouvrir un monde d'imagination.
22:44
So what was the answer to your
674
1364000
1280
Alors, quelle a été la réponse à votre
22:45
quiz question, Neil?
675
1365280
1600
question de quiz, Neil ?
22:46
Ah yes. I asked Georgina who
676
1366880
1600
Ah oui. J'ai demandé à Georgina qui a
22:48
invented the system of reading
677
1368480
1760
inventé le système de lecture
22:50
where fingertips are used to feel
678
1370240
1840
où le bout des doigts est utilisé pour sentir des
22:52
patterns of printed raised dots.
679
1372080
2160
motifs de points imprimés en relief.
22:54
What did you say, Georgina?
680
1374240
1600
Qu'as-tu dit, Georgina ?
22:55
I thought it was, b) Louis Braille.
681
1375840
2880
Je pensais que c'était, b) Louis Braille.
22:58
Which was…of course the correct
682
1378720
1600
Ce qui était… bien sûr la bonne
23:00
answer! Well done, Georgina – Louise
683
1380320
2560
réponse ! Bravo, Georgina – Louise
23:02
Braille the inventor of a reading
684
1382880
1600
Braille l'inventrice d'un
23:04
system which is known worldwide
685
1384480
1760
système de lecture connu dans le monde entier
23:06
simply as braille.
686
1386240
1680
simplement sous le nom de braille.
23:07
I suppose braille is an early example
687
1387920
2160
Je suppose que le braille est l'un des premiers exemples
23:10
of assistive technology – systems
688
1390080
2480
de technologie d'assistance – des systèmes
23:12
and equipment that assist people
689
1392560
1600
et des équipements qui aident les
23:14
with disabilities to perform everyday
690
1394160
2160
personnes handicapées à effectuer des tâches
23:16
functions. Let’s recap the rest of
691
1396320
2400
quotidiennes. Récapitulons le reste
23:18
the vocabulary, Neil.
692
1398720
1760
du vocabulaire, Neil.
23:20
OK. An obstacle is an object that
693
1400480
2240
D'ACCORD. Un obstacle est un objet qui
23:22
is in your way and blocks your
694
1402720
2000
se trouve sur votre chemin et bloque votre
23:24
movement.
695
1404720
1120
mouvement.
23:25
Some assisted technology works
696
1405840
1680
Certaines technologies assistées fonctionnent
23:27
using echo-location – a system of
697
1407520
2560
grâce à l'écho-localisation, un système de
23:30
ultrasound detection used by bats.
698
1410080
3120
détection par ultrasons utilisé par les chauves-souris.
23:33
Being blind is different from being
699
1413200
1760
Être aveugle est différent d'être
23:34
visually impaired - having a
700
1414960
1840
malvoyant - avoir une
23:36
decreased ability to see, whether
701
1416800
1920
capacité réduite à voir, qu'elle soit
23:38
disabling or not.
702
1418720
1626
invalidante ou non.
23:40
And finally, the hope is that
703
1420346
1654
Et enfin, l'espoir est que
23:42
assistive phone apps can help
704
1422000
1760
les applications téléphoniques d'assistance puissent aider à
23:43
normalise disability – change the
705
1423760
2160
normaliser le handicap - changer la
23:45
perception of something into
706
1425920
1440
perception de quelque chose en l'
23:47
being accepted as normal…
707
1427360
2080
acceptant comme normal…
23:49
..so that disability is no longer a
708
1429440
2080
..afin que le handicap ne soit plus un
23:51
big deal – not a big problem.
709
1431520
2240
gros problème - pas un gros problème.
23:53
That’s all for this programme but
710
1433760
1360
C'est tout pour ce programme, mais
23:55
join us again soon at 6 Minute English…
711
1435120
2800
rejoignez-nous bientôt à 6 Minute English…
23:57
…and remember you can find many
712
1437920
1360
… et rappelez-vous que vous pouvez trouver de nombreux
23:59
more 6 Minute topics and useful
713
1439280
1920
autres sujets de 6 Minute et du
24:01
vocabulary archived on
714
1441200
1440
vocabulaire utile archivés sur
24:02
bbclearningenglish.com.
715
1442640
2240
bbclearningenglish.com.
24:04
Don’t forget we also have an app
716
1444880
1680
N'oubliez pas que nous avons également une application que
24:06
you can download for free from
717
1446560
1600
vous pouvez télécharger gratuitement dans
24:08
the app stores. And of course we
718
1448160
2160
les magasins d'applications. Et bien sûr, nous
24:10
are all over social media, so come
719
1450320
2240
sommes partout sur les réseaux sociaux, alors
24:12
on over and say hi.
720
1452560
1360
venez nous dire bonjour.
24:13
Bye for now!
721
1453920
800
Au revoir!
24:14
Bye!
722
1454720
830
Au revoir!
24:21
Welcome to 6 Minute English, where
723
1461280
1520
Bienvenue dans 6 Minute English, où
24:22
we bring you an intelligent topic
724
1462800
1600
nous vous apportons un sujet intelligent
24:24
and six related items of vocabulary.
725
1464400
2480
et six éléments de vocabulaire connexes.
24:26
I’m Neil.
726
1466880
640
Je suis Neil.
24:27
And I’m Tim. And today we’re talking
727
1467520
2560
Et je suis Tim. Et aujourd'hui, nous parlons
24:30
about AI – or Artificial Intelligence.
728
1470080
3840
d'IA - ou d'intelligence artificielle.
24:33
Artificial Intelligence is the ability of
729
1473920
2480
L'intelligence artificielle est la capacité des
24:36
machines to copy human intelligent
730
1476400
2560
machines à copier le comportement intelligent humain
24:38
behaviour – for example, an
731
1478960
1920
- par exemple, une
24:40
intelligent machine can learn
732
1480880
1440
machine intelligente peut apprendre
24:42
from its own mistakes, and make
733
1482320
1600
de ses propres erreurs et prendre des
24:43
decisions based on what’s happened
734
1483920
2000
décisions en fonction de ce qui s'est passé
24:45
in the past.
735
1485920
880
dans le passé.
24:46
There’s a lot of talk about AI these
736
1486800
2000
On parle beaucoup d'IA ces
24:48
days, Neil, but it’s still just science
737
1488800
2160
jours-ci, Neil, mais ce n'est encore que de la science-
24:50
fiction, isn’t it?
738
1490960
1360
fiction, n'est-ce pas ?
24:52
That’s not true – AI is everywhere.
739
1492320
2640
Ce n'est pas vrai - l'IA est partout.
24:54
Machine thinking is in our homes,
740
1494960
2160
La pensée automatique est présente dans nos maisons, nos
24:57
offices, schools and hospitals.
741
1497120
2480
bureaux, nos écoles et nos hôpitaux.
24:59
Computer algorithms are helping
742
1499600
1680
Les algorithmes informatiques nous aident
25:01
us drive our cars. They’re diagnosing
743
1501280
2560
à conduire nos voitures. Ils diagnostiquent
25:03
what’s wrong with us in hospitals.
744
1503840
2160
ce qui ne va pas chez nous dans les hôpitaux.
25:06
They’re marking student essays…
745
1506000
1840
Ils corrigent les dissertations des étudiants…
25:07
They’re telling us what to read on
746
1507840
1520
Ils nous disent quoi lire sur
25:09
our smartphones…
747
1509360
960
nos smartphones…
25:10
Well, that really does sound like
748
1510320
1680
Eh bien, ça ressemble vraiment à de la
25:12
science fiction – but it’s
749
1512000
1760
science-fiction – mais ça se
25:13
happening already, you say, Neil?
750
1513760
1840
passe déjà, tu dis, Neil ?
25:15
It’s definitely happening, Tim.
751
1515600
2245
C'est définitivement en train d'arriver, Tim.
25:17
And an algorithm, by the way, is
752
1517845
1435
Et un algorithme, soit dit en passant, est
25:19
a set of steps a computer follows
753
1519280
2320
un ensemble d'étapes suivies par un ordinateur
25:21
in order to solve a problem.
754
1521600
1680
pour résoudre un problème.
25:23
So can you tell me what was the
755
1523280
2080
Alors pouvez-vous me dire quel était le
25:25
name of the computer which
756
1525360
1920
nom de l'ordinateur qui
25:27
famously beat world chess
757
1527280
1600
a battu le célèbre champion du monde d'
25:28
champion Garry Kasparov
758
1528880
1600
échecs Garry Kasparov en
25:30
using algorithms in 1997?
759
1530480
2800
utilisant des algorithmes en 1997 ?
25:33
Was it…
760
1533280
400
25:33
a) Hal, b) Alpha 60,
761
1533680
3120
Était-ce…
a) Hal, b) Alpha 60,
25:36
or, c) Deep Blue?
762
1536800
1840
ou, c) Deep Blue ?
25:38
I’ll say Deep Blue.
763
1538640
2800
Je dirai Deep Blue.
25:41
Although I’m just guessing.
764
1541440
1200
Bien que je ne fasse que deviner.
25:42
Was it an educated guess, Tim?
765
1542640
1920
Était-ce une supposition éclairée, Tim ?
25:44
I know a bit about chess…
766
1544560
1520
Je connais un peu les échecs…
25:46
An educated guess is based
767
1546080
1920
Une supposition éclairée est basée
25:48
on knowledge and experience
768
1548000
1600
sur les connaissances et l'expérience
25:49
and is therefore likely to be correct.
769
1549600
2080
et est donc susceptible d'être correcte.
25:51
Well, we’ll find out later on how
770
1551680
1760
Eh bien, nous découvrirons plus tard à quel point
25:53
educated your guess was in
771
1553440
1440
votre supposition était éduquée dans
25:54
this case, Tim!
772
1554880
880
ce cas, Tim !
25:55
Indeed. But getting back to AI
773
1555760
2400
En effet. Mais pour en revenir à l'IA
25:58
and what machines can do – are
774
1558160
2480
et à ce que les machines peuvent faire, sont-
26:00
they any good at solving real-life
775
1560640
2720
elles bonnes pour résoudre des problèmes réels
26:03
problems? Computers think in zeros
776
1563360
2640
? Les ordinateurs pensent en zéros
26:06
and ones don’t they? That sounds
777
1566000
1760
et en uns, n'est-ce pas ? Cela ressemble
26:07
like a pretty limited language when
778
1567760
1600
à un langage assez limité
26:09
it comes to life experience!
779
1569360
1760
en matière d'expérience de vie !
26:11
You would be surprised to what
780
1571120
1520
Vous seriez surpris de ce que
26:12
those zeroes and ones can do, Tim.
781
1572640
2240
ces zéros et ces uns peuvent faire, Tim.
26:14
Although you’re right that AI does
782
1574880
1920
Bien que vous ayez raison de dire que l'IA
26:16
have its limitations at the moment.
783
1576800
1920
a ses limites pour le moment.
26:18
And if something has limitations
784
1578720
1760
Et si quelque chose a des limites,
26:20
there’s a limit on what it can do or
785
1580480
1920
il y a une limite à ce qu'il peut faire ou à
26:22
how good it can be.
786
1582400
1280
quel point il peut être bon.
26:23
OK – well now might be a good time
787
1583680
2640
OK – eh bien, le moment est peut-être venu
26:26
to listen to Zoubin Bharhramani,
788
1586320
2160
d'écouter Zoubin Bharhramani,
26:28
Professor of Information Engineering
789
1588480
1920
professeur d'ingénierie de l'information
26:30
at the University of Cambridge and
790
1590400
2240
à l'Université de Cambridge et
26:32
deputy director of the Leverhulme Centre
791
1592640
2880
directeur adjoint du Leverhulme Center
26:35
for the Future of Intelligence.
792
1595520
2000
for the Future of Intelligence.
26:37
He’s talking about what limitations
793
1597520
2240
Il parle des limites de l'
26:39
AI has at the moment.
794
1599760
2240
IA en ce moment.
26:43
I think it’s very interesting how many
795
1603280
2880
Je pense qu'il est très intéressant de voir combien
26:46
of the things that we take for granted –
796
1606160
2160
de choses que nous tenons pour acquises -
26:48
we humans take for granted – as being
797
1608320
2000
nous, les humains, tenons pour acquises - comme étant
26:50
sort of things we don’t even think about
798
1610320
1600
des choses auxquelles nous ne pensons même pas,
26:51
like how do we walk, how do we reach,
799
1611920
2320
comme comment marchons-nous, comment atteignons-nous,
26:54
how do we recognize our mother. You
800
1614240
3120
comment reconnaissons-nous notre mère. Vous
26:57
know, all these things. When you start
801
1617360
2480
savez, toutes ces choses. Lorsque vous commencez
26:59
to think how to implement them on a
802
1619840
1840
à réfléchir à la manière de les mettre en œuvre sur un
27:01
computer, you realize that it’s those
803
1621680
3120
ordinateur, vous vous rendez compte que ce sont ces
27:04
things that are incredibly difficult to get
804
1624800
4400
choses qui sont incroyablement difficiles à faire faire par les
27:09
computers to do, and that’s where the
805
1629200
2960
ordinateurs, et c'est là que se trouve la
27:12
current cutting edge of research is.
806
1632160
2899
pointe actuelle de la recherche.
27:16
If we take something for granted we
807
1636320
1440
Si nous tenons quelque chose pour acquis, nous
27:17
don’t realise how important something is.
808
1637760
2400
ne réalisons pas à quel point quelque chose est important.
27:20
You sometimes take me for granted, I
809
1640160
2080
Tu me prends parfois pour acquis, je
27:22
think, Neil.
810
1642240
1200
pense, Neil.
27:23
No – I never take you for granted, Tim!
811
1643440
1920
Non – je ne te prends jamais pour acquis, Tim !
27:25
You’re far too important for that!
812
1645360
2320
Tu es bien trop important pour ça !
27:27
Good to hear! So things we take for
813
1647680
2800
Bon à entendre ! Donc, les choses que nous tenons pour
27:30
granted are doing every day tasks like
814
1650480
3280
acquises sont de faire des tâches quotidiennes comme
27:33
walking, picking something up, or
815
1653760
2160
marcher, ramasser quelque chose ou
27:35
recognizing somebody. We implement –
816
1655920
3040
reconnaître quelqu'un. Nous mettons en œuvre –
27:38
or perform – these things without
817
1658960
2240
ou exécutons – ces choses sans
27:41
thinking – Whereas it’s cutting edge
818
1661200
2640
réfléchir – alors que c'est une
27:43
research to try and program a
819
1663840
1760
recherche de pointe d'essayer de programmer une
27:45
machine to do them.
820
1665600
1200
machine pour les faire.
27:46
Cutting edge means very new and
821
1666800
2000
À la fine pointe signifie très nouveau et
27:48
advanced. It’s interesting isn't it, that
822
1668800
2000
avancé. C'est intéressant, n'est-ce pas, qu'il y a
27:50
over ten years ago a computer beat
823
1670800
2160
plus de dix ans, un ordinateur battait
27:52
a chess grand master – but the
824
1672960
1680
un grand maître d'échecs - mais le
27:54
same computer would find it incredibly
825
1674640
2240
même ordinateur trouverait incroyablement
27:56
difficult to pick up a chess piece.
826
1676880
2000
difficile de ramasser une pièce d'échecs.
27:58
I know. It’s very strange. But now
827
1678880
2400
Je sais. C'est très étrange. Mais maintenant,
28:01
you’ve reminded me that we need
828
1681280
1520
vous m'avez rappelé que nous avons besoin de
28:02
the answer to today’s question.
829
1682800
2080
la réponse à la question d'aujourd'hui.
28:04
Which was: What was the name
830
1684880
1840
Lequel était : Quel était le nom
28:06
of the computer which famously
831
1686720
1600
de l'ordinateur qui a
28:08
beat world chess champion
832
1688320
1760
battu le célèbre champion du monde d'échecs
28:10
Garry Kasparov in 1997? Now, you
833
1690080
2800
Garry Kasparov en 1997 ? Maintenant, vous avez
28:12
said Deep Blue, Tim, and … that was
834
1692880
2400
dit Deep Blue, Tim, et… c'était
28:15
the right answer!
835
1695280
1200
la bonne réponse !
28:16
You see, my educated guess was
836
1696480
2320
Vous voyez, ma supposition éclairée était
28:18
based on knowledge and experience!
837
1698800
2160
basée sur les connaissances et l'expérience !
28:20
Or maybe you were just lucky. So, the
838
1700960
3680
Ou peut-être avez-vous simplement eu de la chance. Ainsi, le
28:24
IBM supercomputer Deep Blue played
839
1704640
2320
supercalculateur IBM Deep Blue a joué
28:26
against US world chess champion
840
1706960
2000
contre le champion du monde d'échecs américain
28:28
Garry Kasparov in two chess matches.
841
1708960
2400
Garry Kasparov lors de deux matchs d'échecs.
28:31
The first match was played in
842
1711360
1360
Le premier match a été joué à
28:32
Philadelphia in 1996 and was
843
1712720
2080
Philadelphie en 1996 et a été
28:34
won by Kasparov. The second was
844
1714800
2080
remporté par Kasparov. Le second a été
28:36
played in New York City in 1997
845
1716880
2320
joué à New York en 1997
28:39
and won by Deep Blue. The 1997
846
1719200
3120
et remporté par Deep Blue. Le
28:42
match was the first defeat of a
847
1722320
1600
match de 1997 était la première défaite d'un
28:43
reigning world chess champion
848
1723920
1600
champion du monde d'échecs en titre
28:45
by a computer under
849
1725520
1360
par un ordinateur dans des
28:46
tournament conditions.
850
1726880
1680
conditions de tournoi.
28:48
Let’s go through the words we
851
1728560
1520
Passons en revue les mots que nous avons
28:50
learned today. First up was
852
1730080
2320
appris aujourd'hui. Le premier était
28:52
‘artificial intelligence’ or AI – the
853
1732400
3200
«l'intelligence artificielle» ou IA - la
28:55
ability of machines to copy human
854
1735600
2400
capacité des machines à copier le
28:58
intelligent behaviour.
855
1738000
1200
comportement intelligent humain.
28:59
“There are AI programs that can
856
1739200
1840
"Il existe des programmes d'IA capables d'
29:01
write poetry.”
857
1741040
1280
écrire de la poésie."
29:02
Do you have any examples you
858
1742320
1600
Avez-vous des exemples que vous
29:03
can recite?
859
1743920
1040
pouvez réciter?
29:04
Afraid I don’t! Number two – an
860
1744960
2080
J'ai peur que non ! Deuxièmement, un
29:07
algorithm is a set of steps a
861
1747040
1840
algorithme est un ensemble d'étapes suivies par un
29:08
computer follows in order to
862
1748880
1520
ordinateur pour
29:10
solve a problem. For example,
863
1750400
1760
résoudre un problème. Par exemple,
29:12
“Google changes its search
864
1752160
1680
"Google modifie son
29:13
algorithm hundreds of times
865
1753840
1760
algorithme de recherche des centaines de fois
29:15
every year.”
866
1755600
880
chaque année".
29:16
The adjective is algorithmic – for
867
1756480
2560
L'adjectif est algorithmique - par
29:19
example, “Google has made many
868
1759040
2240
exemple, "Google a apporté de nombreux
29:21
algorithmic changes.”
869
1761280
1760
changements algorithmiques".
29:23
Number three – if something has
870
1763040
2000
Numéro trois - si quelque chose a des
29:25
‘limitations’ – there’s a limit on
871
1765040
1680
«limitations» - il y a une limite à
29:26
what it can do or how good it
872
1766720
1520
ce qu'il peut faire ou à quel point il
29:28
can be. “Our show has certain
873
1768240
2400
peut être bon. "Notre émission a certaines
29:30
limitations – for example, it’s only
874
1770640
2320
limites - par exemple, elle ne
29:32
six minutes long!”
875
1772960
1040
dure que six minutes !"
29:34
That’s right – there’s only time to
876
1774000
1760
C'est vrai - il n'y a que le temps de
29:35
present six vocabulary items.
877
1775760
2400
présenter six éléments de vocabulaire.
29:38
Short but sweet!
878
1778160
1120
Court mais doux !
29:39
And very intelligent, too. OK, the
879
1779280
2640
Et très intelligent aussi. OK, l'
29:41
next item is ‘take something for
880
1781920
1760
élément suivant est "prendre quelque chose pour
29:43
granted’ – which is when we don’t
881
1783680
1760
acquis" - c'est-à-dire quand nous ne réalisons pas à
29:45
realise how important something is.
882
1785440
1920
quel point quelque chose est important.
29:47
“We take our smart phones for granted
883
1787360
2160
"Nous tenons nos téléphones intelligents pour acquis
29:49
these days – but before 1995 hardly
884
1789520
3200
ces jours-ci - mais avant 1995, presque
29:52
anyone owned one.”
885
1792720
1520
personne n'en possédait un."
29:54
Number five – ‘to implement’ – means
886
1794240
2480
Le numéro cinq - "mettre en œuvre" -
29:56
to perform a task, or take action.
887
1796720
2080
signifie accomplir une tâche ou prendre des mesures.
29:58
“Neil implemented some changes
888
1798800
1760
"Neil a apporté quelques modifications
30:00
to the show.”
889
1800560
880
à l'émission."
30:01
The final item is ‘cutting edge’ – new
890
1801440
2480
Le dernier élément est "à la pointe de la technologie" - nouveau
30:03
and advanced – “This software is
891
1803920
2000
et avancé - "Ce logiciel est à
30:05
cutting edge.”
892
1805920
880
la pointe de la technologie".
30:06
“The software uses cutting edge
893
1806800
2000
"Le logiciel utilise une
30:08
technology.”
894
1808800
1280
technologie de pointe."
30:10
OK – that’s all we have time for on
895
1810080
1840
OK - c'est tout ce dont nous avons le temps dans
30:11
today’s cutting edge show. But please
896
1811920
2640
l'émission de pointe d'aujourd'hui. Mais n'hésitez pas à
30:14
check out our Instagram, Twitter,
897
1814560
1840
consulter nos pages Instagram, Twitter,
30:16
Facebook and YouTube pages.
898
1816400
1840
Facebook et YouTube.
30:18
Bye-bye!
899
1818240
560
30:18
Goodbye!
900
1818800
903
Bye Bye!
Au revoir!
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7