"Capitalisme linguistique" et mécanisation du langage

1.

Dans un article publié récemment sur son blog, Frédéric Kaplan se penche en détail sur le coeur de métier de Google, à savoir la publicité textuelle. Il fait un rappel très pédagogique (et très bienvenu : c'est vraiment complexe) sur le fonctionnement d'AdWords, puis concentre son propos sur les technologies de TAL mises en oeuvre par Google :

"Le vrai et le seul modèle commercial qui fait vivre Google est la spéculation sur les mots. C’est avant tout un algorithme d’enchérissement sur les mots qui a rendu Google riche. Nous pouvons sous cette lumière reinterpréter tous les outils de complétion/correction automatique qui petit à petit tendent à accroître leur contrôle sur la langue elle-même. Ces nouvelles prothèses linguistiques ramènent la langue dans le domaine où elle est le mieux exploitable commercialement. Bienvenue dans le régime du capitalisme linguistique."

Mon analyse diverge de celle de Frédéric Kaplan lorsqu'il parle de "spéculation linguistique". Google ne spécule pas, justement. Il laisse à ses clients le soin de se battre pour les mots clés. Google fixe les règles du jeu, il tient les comptes et prend une commission au passage. Contrairement aux spéculateurs, Google ne prend pas de risque — s'il fallait à tout prix chercher une analogie péjorative, Google n'est pas un trader, c'est un bookmaker.

Ca ne change pas grand chose au fond de son propos : l'objectif (et l'effet) principal des outils de correction / complétion est effectivement une homogénéisation de la langue naturelle, qui aide à Google à améliorer le fonctionnement de ses produits et à augmenter ses profits.

2.

Google a longtemps affiché une certaine défiance vis-à-vis du web sémantique, en particulier sous sa forme originelle1. En 2006, lors d'une keynote de Tim Berners-Lee, Peter Norvig a fait le commentaire suivant2 :

"What I get a lot is: 'Why are you against the Semantic Web?' I am not against the Semantic Web. But from Google's point of view, there are a few things you need to overcome, incompetence being the first"

Même si l'opposition n'est plus aussi frontale aujourd'hui, le problème demeure : Google doit composer avec le langage tel que l'emploient ses utilisateurs, et ce n'est pas toujours beau à voir. C'est pour cela qu'au lieu d'attendre que ses utilisateurs aient tous reçu une formation de documentaliste et apprennent à utiliser des vocabulaires contrôlés, Google préfère utiliser son expertise pour créer automatiquement une couche de lissage de la langue, grâce à ses outils de complétion, de traduction et de correction automatiques.

Cette mécanisation de la langue naturelle fait écho à "l'exode rural" que décrivait Virginia Heffernan en juillet dernier, et qui conduit les internautes à délaisser les forums (petites communautés spécialisées, au rythme lent et aux liens forts) pour les réseaux sociaux (mégalopoles anonymes, régies par les lois du marché et du weak tie).

En effet, les outils de lissage de la langue naturelle sont consubstantiels au web 2.0. Leur prolifération récente repose techniquement sur l'amélioration des technologies disponibles dans les navigateurs, en particulier les moteurs JavaScript3. Ce sont les mêmes avancées technologiques qui ont permis le développement d'applications web de plus en plus complexes et puissantes.

Ainsi, Facebook identifie automatiquement des entités nommées4 quand vous rédigez un statut, et twitter effectue la traduction automatique des tweets en anglais, afin de permettre à ses utilisateurs monoglottes de savoir ce qui se dit ailleurs. On retrouve la logique décrite par Frédéric Kaplan : ces services ont une utilité pour les visiteurs humains, mais leur véritable valeur repose dans l'amélioration de la qualité des données dont disposent les entreprises qui les proposent.

Dernier point, si les outils normalisent la langue, les personnes aussi adaptent leurs techniques d'écriture aux contrainte des outils et au goût de leur lectorat, dans un double mouvement de réaction et de renforcement. Je ne serai pas surpris d'apprendre que les aspirants journalistes d'aujourd'hui reçoivent, au lieu d'un cours sur la captatio benevolentiæ, une brève introduction à la phrase tweetable.

Toute personne écrivant pour le web apprend à optimiser sa production pour les moteurs de recherche (SEO), en veillant par exemple à sémantiser le texte de ses liens. D'une manière générale, la SEO est une discipline passablement ésotérique, dont les praticiens ont fait un métier d'écrire pour plaire à Google, chaque mot et chaque balise comme des offrandes sur l'autel du PageRank.

3.

Parfois, néanmoins, ces outils connaissent des ratés spectaculaires. Si vous vous intéressez à la traduction automatique, vous vous souvenez peut-être de la débâcle de Google Translate, au printemps dernier5.

Rappel des faits : pour alimenter les modèles statistiques sur lesquels il repose, Google Translate utilise des textes issus du web, et parie sur le fait que ces textes sont 'corrects', écrits par des locuteurs natifs ou au moins compétents. Or, jusqu'en mai dernier, on pouvait utiliser Google Translate pour traduire automatiquement des sites internet entiers. Ce service était très utilisé par des créateurs de sites de spam. Ils montaient un site en anglais, mettons pour vendre du viagra, et, grâce à Google Translate, le traduisaient automatiquement dans toutes les langues possibles.

Ces pages traduites se trouvaient à leur tour indexées, puis analysées comme si elles avaient été écrites par des humains, et toutes les erreurs du traducteur automatique se trouvaient donc 'validées'. Au bout du compte, plus le traducteur était utilisé, et plus sa qualité baissait. Dans un geste assez inhabituel, Goole a donc finalement décidé de fermer l'API de Google Translate à la fin du printemps 20116.

4.

Les ratés de Google Translate ne doit pas faire oublier que le monde du TAL passe une bonne partie de son temps à courir après Google, qui semble toujours avoir une longueur d'avance.

Il faut se représenter notre désarroi. Google est là, gigantesque, monolithique et insondable. Tel le TechnoCore, il décide parfois de nous donner MapReduce ou l'App Engine, sans nous laisser voir son dessein.

J'ai l'intuition tenace que la majeure partie des problèmes que je souhaite traiter dans mon doctorat ont déjà été résolus en interne par Google7. Je me souviens d'avoir été à la fois amusé et démoralisé en découvrant les actes du quatrième Web as Corpus Workshop, sobrement intitulés : "Can we beat Google?". Réponse :

Much of what they do overlaps with much of what we do, as Web corpus collectors with language technology and linguistic research in mind. But the goals are different, which opens up a space to identify tasks that they perform well from their point of view but that is different to ours, and others that they do, but are not central to their concerns and we can do better.

  1. The Semantic Web,
    par Tim Berners-Lee, James Hendler et Ora Lassila []
  2. Cité par CNet []
  3. Dont Google est justement l'un des fers de lance, avec V8 []
  4. Par exemple le nom de vos amis []
  5. Débâcle qui s'est d'ailleurs soldée par le fait que twitter utilise aujourd'hui Bing pour traduire automatiquement les tweets en anglais []
  6. Pour une analyse plus détaillée, voir celle proposée par Kirti Vashee []
  7. Malheureusement on ne peut jamais être sûr de rien : si Google publie beaucoup d'outils et de code open source, il reste beaucoup plus discret sur ses avancées en matière de R&D. []

Imprimer ce billet Imprimer ce billet
This entry was posted in Hypothèses & Réflexions. Bookmark the permalink.

2 Responses to "Capitalisme linguistique" et mécanisation du langage

  1. Pingback: “Capitalisme linguistique” et mécanisation du langage | Le texte en miettes | Usages et valorisation de l'information | Scoop.it

  2. Pingback: “Capitalisme linguistique” et mécanisation du langage | Le texte en miettes | Academic libraries - bibliothèques académiques | Scoop.it

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Vous pouvez utiliser ces balises et attributs HTML : <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong> <embed style="" type="" id="" height="" width="" src="" object="" allowfullscreen="" allowscriptaccess="" cachebusting="" bgcolor="" quality="" flashvars=""> <iframe width="" height="" frameborder="" scrolling="" marginheight="" marginwidth="" src=""> <object style="" height="" width="" param="" embed=""> <param name="" value="">