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.
- 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. [↩]
- Désolé, mon exemplaire a beaucoup d’heures de vol. [↩]
- Voir par exemple l’article de Marcel Cori et Jacqueline Léon sur l’histoire du TAL [↩]
- 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. [↩]