« 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. []

Lectures d’été : New York Times, Musil et Léonard

1.

Le TAL a eu les honneurs de la presse généraliste américaine, cet été. Dans un article du New York Times, un chercheur italien, Franco Moretti, présente comme une révolution l’idée de distant reading – ne pas lire les livres, mais les traiter comme des données :

« As its name suggests, the Lit Lab tackles literary problems by scientific means: hypothesis-testing, computational modeling, quantitative analysis. Similar efforts are currently proliferating under the broad rubric of “digital humanities,” but Moretti’s approach is among the more radical. He advocates what he terms “distant reading”: understanding literature not by studying particular texts, but by aggregating and analyzing massive amounts of data. »

Le lecteur averti aura constaté qu’il s’agit ni plus, ni moins, que de textométrie ou de statistique textuelle classique — et, si j’en crois les exemples donnés, de statistique textuelle qui n’a pas fini de lire le manuel de Lebart & Salem, pourtant publié au milieu des années 90.

Le point le plus amusant, dans tout cela, est peut-être le fait que l’idée de « ne pas lire les livres pour pouvoir les comprendre » est présentée comme radicalement nouvelle et même proprement renversante1 :


Robert Musil, L’Homme sans qualités2

Comme d’habitude, lire Musil donne le sentiment diffus d’être en présence d’un roman dystopien / steampunk, qui ridiculiserait nos esprits si modernes en transposant leurs idées ‘neuves’ dans le Vienne fin de siècle, un peu à la manière des Cités Obscures.

2.

Plus sérieusement, je me demande ce qui fait que le TAL reste une discipline si mal connue et si mal comprise hors de ses départements, alors même qu’il s’agit de l’un des premiers champs explorés par l’informatique3, et que le grand public se trouve plus directement que jamais au contact de chacun de ses progrès (correcteurs d’orthographe omniprésents, reconnaissance vocale, traduction automatique, filtres anti-spams, etc.)

A chaque démo que je fais à quelqu’un d’extérieur au labo, il est manifeste que notre travail a quelque chose d’ésotérique, qui laisse toujours les profanes surpris de ce que nous savons faire (par exemple du résumé automatique ou des chatbots convaincants — en fait tout ce qui touche à la génération), et déçus, voire incrédules, lorsque nous annonçons que certaines choses sont difficiles ou fonctionnent imparfaitement (détecter la nature et la fonction du mot ‘de’ dans une phrase en français, par exemple).

L’image que les gens se font du TAL est sans doute un peu trop influencée par la culture populaire (où la conversation orale avec des machines est un problème réglé depuis longtemps). Mais en réalité, l’incompréhension a lieu à un niveau plus fondamental : pour un esprit humain, il est plus facile de comprendre un langage que de l’employer. Nos interlocuteurs sont donc sidérés de voir que les machines savent faire ce qui, pour eux, nécessite une compréhension avancée du langage alors qu’il leur « manque les bases ».

C’est en général à ce moment que les accusations de charlatanisme commencent à fuser. Un intervenant dans un de mes cours de Master avait ainsi expliqué que l’un des inconvénients des systèmes d’apprentissage automatiques, par rapport à ceux basés sur des règles écrites par des humains, est que leurs erreurs sont impossibles à expliquer au client sans passer pour un escroc. Rapidement, on se retrouve à expliquer à un interlocuteur médusé la statistique bayesienne et donc à détromper le client, qui pensait sincèrement que l’ordinateur comprenait les documents à traduire ou à classer.

3.

Quand j’essaie d’expliquer mon travail, je pense souvent la BD Léonard le génie : en plein XVIe siècle, Léonard invente des machines qui nous sont familières : télévision, lave-vaisselle, répondeur téléphonique, etc.

Ses inventions sont une mécanisation directe du procédé utilisé par les humains pour accomplir la tâche, et ne ressemblent donc absolument pas aux machines que nous connaissons.

De même que dans la réalité, les machines à éplucher les patates ne sont pas composées de dizaines de bras robotiques portant de petits économes, il est vain de vouloir utiliser les ordinateurs pour traiter le langage à la manière d’un être humain4. Notre travail consiste à comprendre ce qui peut être automatisé dans le traitement du langage, en identifiant des heuristiques, des régularités, des phénomènes reproductibles — c’est-à-dire en adoptant la perspective des machines.

  1. Quelques semaines plus tôt, on pouvait lire ailleurs un portrait dithyrambique de Erez Lieberman Aiden, toutologue de première force et (entre autres) instigateur du champ des ‘Culturnomics’, qui vise à reconstituer le « génome culturel » de l’humanité en analysant les trigrammes issus des campagnes de numérisation de Google Books.

    Si je me réjouis naturellement que la puissance d’analyse des techniques de TAL arrive jusqu’au grand public, je dois dire que je reste un peu sceptique sur la méthodologie employée. Sans même entrer dans le débat sur la composition du corpus (les historiens s’en sont chargés pour moi), je dirais simplement que quand on a sous la main la puissance de Google et la quantité invraisemblable de données qu’il possède, il est un peu dommage de se contenter d’un décompte de n-grammes. []

  2. Désolé, mon exemplaire a beaucoup d’heures de vol. []
  3. Voir par exemple l’article de Marcel Cori et Jacqueline Léon sur l’histoire du TAL []
  4. Ou alors on change de domaine, en allant vers l’intelligence artificielle. C’est une discipline passionnante mais dont les applications industrielles sont encore limitées. []