La réflexion développée ici a commencé lors de la préparation d’une communication l’année dernière (à paraître). Je me dois de préciser que je ne sais pas si elle n’a pas déjà été tenue, ni si la recherche qui pourrait en découler a déjà été menée. Si les code studies sont un champs d’études passionnants, je ne crois pas qu’il y ait beaucoup de publications sur les conséquences de la programmation informatique telle qu’elle est en train d’évoluer sur les archives à venir. C’est en outre une réflexion naissante – déjà évoquée, brièvement, dans le billet précédent-, et il est probable que je ne maîtrise pas encore assez certains des éléments évoqués ci-dessous (machine learning / deep learning notamment). Ce texte est donc probablement emplis de nombreuses faiblesses. Pour être complet, je dois préciser que cette réflexion a été stimulée par la tenue à l’Université de Lausanne d’un séminaire, organisé par le LaDHUL, autour de la délégation cognitive à la machine, thème proposé par Boris Beaude. N’hésitez pas à commenter.

En 1989, le CERN met en ligne la première page web (republiée ici1). Téléchargée, elle pèse 2218 octets. Si l’on ne garde que le texte destiné au lecteur humain, c’est-à-dire si l’on enlève le code HTML, elle en pèse 1022. Rapidement calculé, cela signifie que 54% du texte de cette page était destiné à un logiciel, le navigateur web. Ce code – c’est-à-dire dans le cas du web, du texte destiné à l’ordinateur -, toutefois, est, aux origines du Web, lisible (et écrit) par un humain. Qui plus est, c’est essentiellement du code de formatage – disons plutôt de l’encodage — du texte.

L’année dernière, pour le passionnant colloque Revisiting commemorations, j’ai collecté un corpus de pages web2. Après rallongement des URLs, élimination des doubles, etc, j’avais un corpus, pas très gros, d’environ 1000 pages. Pour les besoins de l’analyse de texte, j’ai enlevé l’ensemble du code ne concernant pas l’humain. La taille de mon corpus a diminué de plus de 80% et un peu de code résiduel y figurait encore. De plus, si une partie de ce code enlevé de mon corpus était compréhensible humainement, la plus grande partie ne l’était plus tellement.

En d’autres termes, l’essentiel de l’information textuelle circulant sur le web est du code à destination des logiciels et des ordinateurs/machines sur lesquels ils sont installés. Le texte n’est d’ailleurs pas un cas isolé: le journal en ligne InternetActu évoquait récemment L’ère des images invisibles. Ajoutons qu’une autre différence est très nette entre 1989 et aujourd’hui : le code de 1989 était lisible humainement assez facilement mais en plus, il était écrit «à la main», c’est-à-dire par un humain. La plupart des pages web aujourd’hui sont engendrés automatiquement par les logiciels installés sur les serveurs : en d’autre terme, c’est du texte écrit par les machines pour les machines.

L’importance de la machine (ici entendu dans un sens large, encore faiblement défini et par trop réifié) ne se constate pas uniquement lorsque l’on analyse ce qui leur est destiné, mais aussi lorsque l’on analyse les statistiques de consultation des sites web: un peu plus de 50% des «visiteurs» des sites web sont vraisemblablement des bots (des logiciels) dont les finalités sont diverses. Si l’on prend le cas des bots qui indexent les sites pour que vous puissiez ensuite les retrouver via votre moteur de recherche préféré, ils indexent non seulement le texte qui est destiné aux machines mais aussi celui qui est destinée aux humains.

En résumé, plus l’histoire du web avance, plus émergent des informations, notamment sous forme textuelle, qui non seulement ne sont pas destinées à un lecteur humain mais ne sont pas non plus engendrées directement par un auteur humain.

Penser les rôles de l’humain et de la «machine» dans les archives

Bien sûr, je n’oublie pas qu’il y a toujours un ou des hommes, une ou des femmes, derrière les logiciels (ceux et celles qui les codent, celles et ceux qui les paramètrent et les adaptent à leurs besoins) qui émettent ou lisent cette matière textuelle, que ce soit le code source des pages web, le code xml des tweets ou le texte écrit par des logiciels mais à destination des humains. Mais l’humanité, ici, du texte, n’a plus tout-à-fait le même statut et, surtout, la même place.

Prenons un exemple et comparons un cas classique (et vécu) de consultation d’archives avec une situation possible (bien que très théorique) aujourd’hui.

Dans les archives de la Reichsbank, de nombreux cartons sont remplis des revues de presse préparées par la Statistische und Volkswirtschaftliche Abteilung de l’institut d’émission. Ces revues de presse sont classées dans les fonds des destinataires de ces revues de presse: dans le cas des recherches pour ma thèse, le destinataire était Hjalmar Schacht, président de la Reichsbank de 1924 à 1930 et de 1933 à 1939. Ces revues de presse sont des éléments non-négligeable de plusieurs processus: celui de l’écriture des discours mais, aussi, celui de la prise de décision pour prendre deux exemples. La manière dont l’information, et donc une représentation du réel, arrive aux dirigeant.e.s joue un rôle important.

Ces revues de presse étaient préparées par des hommes (ou plus rarement des femmes) recruté.e.s par la Reichsbank. Nous pouvons retrouver des traces de ces personnes dans les archives fédérales allemandes pour le cas évoqué ici et, partant, décrire leurs activités quotidiennes, comprendre le cadre dans lequel elles travaillent, etc. En clair, nous pouvons facilement comprendre la génétique de ces revues de presse, par ailleurs extrêmement utiles à l’historien.ne, tant elles étaient complètes et internationales.

Aujourd’hui, nous pouvons imaginer qu’interviennent dans cette revue de presse des logiciels / des dispositifs informatiques destinés à l’automatiser, comme un lecteur de flux RSS, ou des systèmes d’alerte qui repèrent, sur la base de mots-clés, les articles intéressants3. Certains de ces articles peuvent même, pour des éléments très factuels pour le moment encore, être créés par des logiciels. En outre, le paysage médiatique a fortement évolué: on peut bien sûr automatiser de la recherche d’information sur des blogs, sur les réseaux sociaux, etc – bref, bien au-delà des sites web de la presse traditionnelle -, sans oublier le matériau audiovisuel, bien entendu.

Ici, le problème est la méthodologie historienne. Ce que j’ai expliqué sur la Reichsbank est rarement explicité par ceux qui ont fouillé ces archives, car nous n’en éprouvons pas le besoin. Implicitement, nous comprenons comment cela a marché: nos méthodologies sont très au point. très bien intériorisées dans nos pratiques d’historien.ne.s. Le mode de conservation des archives et le principe du respect des fonds jouent un rôle non négligeable dans cette compréhension implicite du mode de fonctionnement d’une institution. Nous maîtrisons ces processus d’élaboration des documents – ou du moins, nous pensons les maîtriser. à raison ou à tort. La plupart du temps, nous restons dans l’implicite, sauf ceux d’entre nous s’intéressant spécifiquement aux institutions ou à la génétique des documents.

Le risque est alors de ne pas s’apercevoir que nous devrons faire un nouvel effort pour comprendre comment ce que nous consulterons à l’avenir en tant qu’archives, qui seront nées numériques, ont été créés et sont devenus des archives. Il n’y a pas, dans la problématique de l’archive, que sa conservation qui doit entrer dans notre réflexion. À force de rester dans l’implicite, nous risquons d’aller dans l’erreur, à ne pas voir l’évolution de ce qu’est une archive à l’ère numérique.

Reprenons le cas de la revue de presse: si elle est automatisée, il faudra savoir comment. Non seulement, nous devrons connaître qui (quelle personne, service, etc) l’automatisent, sur la base de quels mots-clés (ou autres procédés de recherche d’information), mais nous devrons également connaître le logiciel (et, derrière, le type d’algorithme) qui a été utilisé, et, dans certain cas, peut-être, l’émuler pour en comprendre la logique. Pourquoi devrions-nous faire ça? Parce que comprendre comment les informations remontent jusqu’au décideur ou jusqu’à la décideuse fait partie des éléments qui nous permettent de comprendre les processus de décision.

Les techniques informatiques d’apprentissage, une couche supplémentaire de complexité

Si aujourd’hui les logiciels que nous utilisons au quotidien sont relativement simples, les choses se compliqueront (et ne tarderont pas à se compliquer) quand apparaîtront des logiciels d’usage courant qui seront fondés sur du deep learning, par exemple. En toute théorie, cette branche de l’informatique pourra nous donner des logiciels capables d’apprendre sur la base de leurs erreurs et de proposer de nouvelles fonctionnalités non prévues au moment du développement du logiciel. Nous utilisons ici le futur, mais l’usage de ces méthodes d’apprentissage est déjà bien en route. Google Translate, le service de traduction automatique, les utilise déjà depuis septembre 2016. À terme, l’usage de ce type de technologie dans le domaine de la traduction devrait, par exemple, permettre de couvrir toutes les langues, même celles qui n’ont pas été spécifiquement prévues par les développeurs de Google translate.

Ceci nous obligera à réévaluer les places respectives de l’humain et de la « machine » – terme que j’utilise ici d’ailleurs de manière assez significative et contestable, c’est-à-dire comme équivalent de « boîte noire » – dans l’analyse de nos archives nées numériques futures pour notamment être sûr de comprendre ce qui provient directement d’une personne humaine et ce qui provient d’une médiation plus ou moins importante de logiciels.

L’interaction entre humain / logiciel devra aussi être prise en compte. Souvenons-nous de Tay le bot Twitter naïf de Microsoft fondé sur du machine learning, autre branche de l’intelligence artificielle comprenant des techniques d’apprentissage. En quelques heures, car il apprennait de ceux qui ont discuté avec lui, il est devenu – du fait d’une action organisée sur un forum reddit – raciste, antisémite, nazi et pro-Trump avant d’être suspendu par Microsoft. Ce que montre cet exemple, c’est que le comportement du bot change en fonction de ses interactions. Nous pouvons imaginer que certains éléments des archives numériques seront aussi créés en fonction d’interactions avec d’autres logiciels ou avec des êtres humains.

Nous pouvons. à titre d’exemple, prendre le cas de mes recherches sur le Centenaire de la Grande Guerre sur Twitter. Questionner les qualités des plus de 840 000 utilisateurs Twitter. Il serait d’ailleurs très intéressant de voir la proportion de comptes automatisés et de tweets émis par des logiciels dans ma base de données. Le fait est que les archives nées numériques du futur risquent de comprendre de plus en plus de documents, de traces du passé engendrées par la «machine» dans un sens large.

Faire l’histoire du texte de machine à machine

Un autre défi que pose la densification de la médiation informatique entre humains est celui de l’histoire de ces textes – si l’on considère que le code est du texte – qui sont élaborés par des machines pour des machines, par des serveurs pour des clients, par des serveurs pour d’autres serveurs. Bien sûr, il y a des réponses évidentes. Dans le cas du web, par exemple, le langage HTML a fortement évolué, le CSS (qui définit les styles) est apparu, se sont adjoints assez vite des langages de développement – simples scripts au début, autorisant aujourd’hui le codage de véritables applications en ligne. La plupart des langages de développement ont désormais des commandes permettant de « faire » du web.

Faire un site web est aujourd’hui une tache bien différente de ce qu’elle a pu être avant 2005. Le contenu est stocké en base de données, exploité par le serveur, en fonction d’applications qui y sont développées et installées et des demandes des « clients », c’est-à-dire les ordinateurs se connectant au serveur.

Non seulement les changements des langages web, mais la nécessité d’automatiser l’écriture des sites web expliquent ce gonflement du code des sites web, mais aussi l’apparition de nouvelles fonctionnalités et « couches », notamment fonctionnalités sociales et de partage. Elles engendrent des données – dès les débuts, ou du moins assez vite, du web, des « logs » permettaient d’analyser le comportement des visiteur des sites web – dont la masse, aujourd’hui, fonde tous les développements du Big Data.

Mais peut-on se contenter de ces explications (probablement partielles)? N’y a-t-il pas autre chose à fouiller dans ces instructions de machine à machine? A priori, non. Du moins aujourd’hui. Mais là aussi interviennent les langages fondés sur des techniques d’apprentissage, qui, probablement, seront de plus en plus utilisés sur le web et pour les réseaux sociaux en ligne. Avec ces branches de l’intelligence artificielle, l’histoire du texte de machine à machine deviendra plus complexe mais nettement plus intéressante à étudier.

*

Il ne s’agit pas, dans ce court texte, de fantasmer sur l’intelligence artificielle et la « singularité », ce concept-coquille-vide pour gourous méconnus en mal de revenus, mais simplement de mettre en avant la complexité future des archives à venir, y compris et peut-être surtout dans leurs parties les plus informatiques. Cette complexité va résider dans l’entrelacs des rôles respectifs des hommes et femmes d’un côté, des ordinateurs, de leurs logiciels et des algorithmes qui fondent ces derniers de l’autre, ainsi que dans l’interaction entre ces divers éléments. Il reste difficile, aujourd’hui, de savoir comment nous pourrons appréhender cette complexité.

1. Je vous conseille la lecture d’un billet de Jean-Noël Lafargue sur cette page, qui est aussi emblématique de l’archivage du web. [↩]
2. Publication de l’article qui en découle dans Matériaux pour l’histoire de notre temps à venir sous peu. [↩]
3. On m’a bien sûr déjà fait remarquer à plusieurs reprises que les ministres, politiques, responsables économiques, etc, n’étaient vraisemblablement pas utilisateurs de ce type de logiciels. C’est pourquoi, je parle d’un cas théorique. [↩]

---

---