Version classiqueVersion mobile
OpenEdition Books

Pratiques de l’édition numérique

 | 
Marcello Vitali-Rosati
, 
Michael E. Sinatra

Axe théorique

Chapitre 5. Les enjeux du web sémantique

Yannick Maignien

Texte intégral

1Le web change et, avec lui, changent les enjeux de l’éditorialisation. Ainsi, nous sommes passés du web statique des origines (1.0) au web participatif (2.0), puis au web sémantique (3.0) qui permet aux machines de comprendre la signification des données et de mieux les exploiter. Nous considérons que le passage au web sémantique est un enjeu majeur. Dans ce domaine, ce sont nos choix qui détermineront la structuration des connaissances dans le futur. Ce passage n’est pas neutre et comporte une série de questionnements politiques, philosophiques, économiques, sociaux et techniques. C’est pourquoi plusieurs chapitres de ce livre sont dédiés à cette question. L’objectif de celui-ci est d’établir une présentation théorique de cette problématique.

Le www, une toile de documents

2Dès 1989, Tim Berners-Lee souhaite régler un problème de travail collaboratif sur des documents distribués au sein du CERN (Organisation européenne pour la recherche nucléaire). Comment accéder à l’information de milliers de documents hétérogènes, dans des formats divers, sur des systèmes d’exploitation différents, et faisant diversement référence les uns aux autres ? Autrement dit, comment appliquer à une communauté de travail (les membres du CERN) dispersée en de nombreux lieux du monde une technique d’hypertexte déjà existante ? La notion d’hypertexte était en effet déjà mise en œuvre, suite aux travaux de Ted Nelson (l’idée d’un univers de documents liés, le Docuverse), par exemple avec des logiciels comme Hypercard sur les Macintosh. Mais manquait alors l’espace commun où naviguer entre ces documents distants, organisé selon une architecture « client/serveurs ». Pour cela il fallait mettre en place un protocole commun, HTML (HyperText Markup Language) protocole issu lui-même des langages de structuration de documents (SGML). Par ailleurs, il fallait un protocole standard de transport de l’information sur Internet : le HTTP (Hypertext Transfert Protocol). Telles sont, avec l’adresse URL, les conditions d’interopérabilité.

3Le modèle documentaire est alors clairement celui d’une bibliothèque distribuée, sans murs, autrement appelée bibliothèque virtuelle ou numérique, mais où l’information n’est pas classée de façon hiérarchisée, dans un arbre, mais distribuée en graphe (il existe autant de relations non hiérarchisées que de liaisons possibles entre les documents ou des parties de ces documents). Mais, dès cette époque, il était clair pour Tim Berners-Lee que si l’on savait trouver une solution à l’échelle du CERN, on trouverait du même coup une solution à l’échelle d’Internet tout entier, pour n’importe quel document.

4Il faut noter que, ensuite, HTML ne cessera d’évoluer en fonction des besoins des utilisateurs et des éditeurs de contenus, avec des logiciels de gestion de contenus (Content Management System - CMS) de plus en plus performants. Issu de SGML, HTML sera perfectionné à partir de 1995 en parallèle aux possibilités de XML (eXtensible Markup Language), un langage de balisage adaptant et simplifiant SGML pour le web, et assurant donc une plus grande interopérabilité.

5Le web des documents sera complété dès 1993 par les outils de navigation (browser), afin d’exploiter l’ensemble de ces possibilités éditoriales, ainsi que des moteurs de recherche, afin d’indexer l’ensemble des contenus du web pour identifier et localiser les résultats des requêtes documentaires.

6Dans cette architecture informatique, il importe de garder à l’esprit que ce qui est exploité au final par l’utilisateur humain est l’ensemble des possibilités (virtuelles) que d’autres humains ont intégrées au moment de l’édition numérique des documents (sites web, identifiés par des URL). Entre les deux, le système technique d’Internet et du web, universel et neutre, est indifférent aux contenus. Les « machines » informatiques ne connaissent en effet que les langages ou balises de description des structures physiques et logiques des documents, dont href, le lien hypertexte.

7Sur cette base technique (la toile universelle), l’essor de l’échange et du partage de documents à l’échelle mondiale représente une fantastique possibilité de développement des connaissances, démultipliant à la lecture les capacités d’écriture. En effet, toute information portée par ces documents s’affranchit des contraintes d’espace et de temps, de communication et de mémoire. On conçoit qu’une telle expansion et dynamique de liberté de l’information bouleverse l’ensemble des pratiques humaines localisées ou restreintes où le document écrit (mais aussi tout enregistrement sonore ou visuel, multimédia) était cantonné. Par exemple, l’affranchissement de l’information économique numérique devient le vecteur de la mondialisation des échanges, dérégulant de nombreux domaines protégés ou contrôlés.

Vers le web sémantique

8Dès le début, mais plus concrètement vers la fin des années 1990, Tim Berners-Lee précise ce que pourrait être une évolution « sémantique » du web.

9En premier lieu, une évolution du web des documents, des sites web, donnait accès, via des formulaires (et des applications très spécifiques), à des bases de données (dont les structures sont presque chaque fois différentes). Ces résultats de recherches, lisibles pour des humains, sont « illisibles » pour les robots de requête. On parle alors de « web profond », dont les contenus restent opaques pour les machines interprétant HTML.

10D’autre part, si vous recherchez par exemple sur le web (de documents) l’indication d’un cardiologue ouvert le dimanche dans le département du Rhône, vous risquez de n’obtenir aucune réponse – ce qu’on appelle « silence » – à cette question précise ou, à l’inverse, beaucoup trop de réponses – « bruit » : toutes les réponses indexant cardiologue / jours ouvrables / Rhône. Bien sûr, l’utilisateur humain peut successivement chercher dans l’annuaire des cardiologues, l’agenda de ces spécialistes et la liste dans la carte du Rhône, autant de bases de données différentes (du moins s’il a accès à ces différentes bases de données).

  • 1 « Enjeux et technologies : des données au sens », Documentaliste-Sciences de l’Information, vol. 4 (...)

11L’idée du web sémantique consiste, selon Bruno Bachimont1, à « pouvoir déléguer à la machine une partie de l’interprétation des ressources du web ». Il s’agit de créer les conditions pour que ces informations contenues dans trois « silos » de données différents (annuaire de cardiologues, agenda, données géographiques du Rhône) puissent être lues automatiquement par les machines (serveurs et clients-navigateurs). La « machine » doit pouvoir inférer logiquement la ou les réponses possibles à partir de ces trois types de ressources pourtant hétérogènes.

L’importance des métadonnées

12Par « sémantique », il ne s’agit donc pas d’envisager que la machine « comprenne » au sens humain le contenu de l’information de chacune de ces bases. Par contre, ces informations (données) peuvent faire l’objet d’un langage structuré décrivant ces données, et suffisamment standardisé pour être partageable par des machines. Ce langage est appelé « métadonnées » (des données décrivant des données, ou metadata). Dans l’univers des documents, de telles « métadonnées » existent depuis longtemps. Ainsi, dans les bibliothèques, les notices bibliographiques de documents contiennent des informations structurées décrivant par exemple un livre – Auteur = Victor Hugo, Titre = Les Misérables, etc. Auteur, Titre, Éditeur, Date, etc. sont autant de métadonnées standardisées dans un format d’échange permettant à tous les systèmes informatiques des bibliothèques de partager et de traiter cette information (dédoublonner, ou distinguer des éditions par exemple, gérer des prêts, des acquisitions, etc.). Les conditions requises supposent donc une standardisation des métadonnées, par exemple dans le format MARC (MAchine-Readable Cataloging, le standard de description bibliographique développé par la Library of Congress dans les années 1960).

13On notera que les métadonnées sont désormais souvent produites en même temps que les données, par exemple pour les photos (format, date, géolocalisation, reconnaissance de formes, de couleurs, etc.), avec les appareils photos numériques, pour lesquelles l’on peut parler de métadonnées « embarquées ».

14Peut-il s’agir d’étendre à tout le web un système unique de format de métadonnées, non seulement pour les livres, mais pour toutes les informations circulant dans le monde entier, de site en site ? Bien évidemment, non. La toile n’est pas une immense bibliothèque, dont chaque information singulière pourrait être structurée uniformément. Chaque secteur d’activité, de service, de négoce, chaque base de données développe des systèmes hétérogènes de métadonnées. Par exemple pour les formats d’image, les fichiers son, les données géographiques, les tableaux économiques, etc.

RDF, un modèle de données

15Par contre, cette question, indépendamment d’Internet, s’était déjà posée en intelligence artificielle. Comment exprimer de façon informatique des données hétérogènes afin que les machines puissent procéder à des inférences logiques, comme pour les systèmes experts ? L’idée de Tim Berners-Lee, avec le web sémantique, est d’introduire un langage de format de métadonnées suffisamment simple et générique pour lier toutes ressources présentes sur le réseau, mais également toutes données de bases de données relationnelles (sous réserve de l’ouverture légale d’accès). Cette unité fondamentale du système se nomme RDF (Resource Description Framework), format d’expression des données qui sera standardisé par l’instance du W3C dès 1994.

16RDF repose sur la structure logique de prédicat <sujet, prédicat, objet>, ou triplet, une sorte de phrase de grammaire simple : sujet, verbe, complément. Par exemple : Victor Hugo est l’auteur des Misérables, où le Sujet = « Victor Hugo » ; le Prédicat = « est auteur de » et l’Objet = « Les Misérables ». Ces triplets sont l’unité nécessaire et suffisante pour lier cette information dans des graphes de données de dimension énorme. La liste de la totalité des œuvres de Victor Hugo peut être simplement écrite. Si par exemple un autre triplet est du type « Les Misérables est une pièce de théâtre », ou « Les Misérables est jouée à Broadway », ou encore « Gavroche est un personnage des Misérables », « Jean Gabin a joué Jean Valjean », « Rodin a sculpté Victor Hugo », etc., toutes ces informations, dispersées sur la toile, peuvent être liées à « Victor Hugo », résultat d’une inférence logique automatique. Ces données liées dans un domaine particulier se nomment « jeu de données » (dataset).

17La condition première pour que le web des données fonctionne est de doter chaque donnée d’un identifiant unique, ou URI (Uniform Resource Identifier), sur le modèle des URL (dans notre exemple : « Victor Hugo », « Les Misérables », « être auteur de », etc. doivent chacun avoir leur propre URI). Ces « adresses uniques des données » transmises par HTTP permettent de constituer les graphes de données sans ambiguïtés, chaque nœud étant unique.

18Des domaines spécifiques d’information peuvent bien sûr standardiser ces systèmes de métadonnées et expliciter la sémantique associée dans des schémas (RDF Schema). RDF Schema, ou RDFS, est un langage extensible de représentation des connaissances permettant de déclarer une ressource comme classe d’autres ressources, par exemple les catégories documentaires bibliographiques citées plus haut, les notions de collection, d’œuvre, etc.

19Dans le domaine documentaire en général, un format minimal de quinze métadonnées, le Dublin Core, permet d’exprimer de façon universelle ces entités documentaires sur la toile. Anticipant le mouvement du web sémantique, le Dublin Core avait déjà permis de « moissonner » les documents à partir de l’identité de format des métadonnées (OAI PMH). Une démarche du même type est mise en œuvre pour les archives (EAD), pour les œuvres de musées (CIDOC CRM), pour les événements culturels, etc., mais très vite, l’hétérogénéité des formats cloisonne les possibilités d’accès ou de service web.

20Ne serait-ce que pour ces secteurs culturels, le web sémantique va permettre une convergence des données issues des archives, des musées, des bibliothèques (voir le Centre Pompidou virtuel, Europeana, Canadiana, data.bnf.fr, HdA Lab, Érudit, etc.), mais aussi se croiser avec des données sur les besoins ou comportements des visiteurs, l’agenda, l’origine, l’organisation des expositions, le tourisme, etc.

21Ce modèle de données, RDF, est lui-même exprimable dans une syntaxe XML, faisant penser à une continuité dans la description des documents. Cette homogénéité du web en ce qui concerne la syntaxe est importante, mais c’est bien avec RDF, le format des données et sa structure en graphe, qu’est assurée l’interopérabilité. RDF peut d’ailleurs se traduire par une syntaxe XML, mais aussi par d’autres syntaxes : Turtle, N-triples ou N3.

22À ce stade, il importe de prendre conscience que le web des données a une dimension (quantitative et qualitative) qui répond à une rupture par rapport au seul domaine documentaire ou culturel (et à ses catalogues ou systèmes de métadonnées bien structurées). Il assure une interopérabilité inégalée jusqu’à maintenant. Le web des données correspond au besoin de traiter toute donnée liée (linked data), tout tableau à double entrée, toute corrélation ou fonction numérique. Cela correspond également au besoin étendu de recourir à des traitements automatiques de données « lisibles par les machines » pour tout système (dynamique) produisant des données, capteurs, enregistreurs de flux, systèmes d’objets, marchandises, processus de production, statistiques financières, etc.

  • 2 « Le web va changer de dimension », La Recherche, no 413, 2007, p. 34.

23Les secteurs scientifiques, et en particulier celui de la biologie avec ses immenses bases de génomique, sont des domaines privilégiés de développement du web sémantique. « Dans ce secteur, il existe un besoin urgent de croiser un très grand nombre d’informations pour trouver de nouveaux médicaments », indique Tim Berners-Lee2, soulignant l’importance d’une « intelligence collective » en croisant les données sur l’ensemble de la toile.

24Un des exemples de développement du web des données à partir du web des documents est Wikipédia et son expression en RDF DBPedia. On peut aussi citer la base de données géographiques Geonames. La production distribuée et collaborative de connaissances par un Wiki (Wikipédia) est particulièrement propice au passage de ces informations encyclopédiques vers RDF, le Wiki étant un système éditorial structuré permettant la modification des données par des utilisateurs identifiés. L’ensemble des données structurées de Wikipédia, par exemple les données géographiques ou temporelles (dates) ou les entités nommées, sont automatiquement extraites et exprimées en un gigantesque silo de données liées (triple store) appelé DBPedia, et ce, pour chaque communauté linguistique de Wikipédia. Aussi, toute application du web des données peut se relier à ce silo et utiliser tout ou partie des données DBPedia. L’ensemble de ces silos correspond à des intérêts thématiques particuliers, mais peuvent interopérer.

Moteurs de recherche et requêtes SPARQL

25Les moteurs de recherche, comme Google, véritables entrées sur le web par leur privilège de hiérarchiser les résultats de requêtes en fonction d’un algorithme de « réputation » (le nombre de liens), page ranking, fonctionnent essentiellement en indexant sans cesse le contenu « linguistique » de la toile. Mais cette logique du document tend de plus en plus à faire place à une logique de pertinence des données pour satisfaire des requêtes. Google lui-même bâtit une intense politique de développement de microformats, intégrant des données RDF au sein de pages HTML (RDFa), ainsi que des outils de liens de connaissance, comme Knowledge Graph.

26Mais le web des données a son propre langage de requête, SPARQL (pour SPARQL Protocol and RDF Query Language). C’est une sorte d’équivalent de SQL pour les bases de données (comme MySQL), permettant de rechercher les données dans différents triple stores, participant au mouvement de décloisonnement des données et des applications.

27Si nous reprenons notre exemple, avec le web des données, la requête SPARQL ira interroger les différents silos de données pour inférer les seules possibilités des agendas des cardiologues du Rhône effectivement ouverts le dimanche. Il faut bien sûr que ces données existent et qu’elles soient des ressources exprimées en RDF.

Ontologies et inférences

  • 3 Ibid.

28Si le web des données est dans la suite du web des documents, il se différencie fortement par sa capacité de raisonnement ou d’inférence. Le modèle de données RDF, unité logique, peut être appelé unité minimale de connaissance dans la mesure où, selon Tim Berners-Lee3, « cette description caractérise la donnée en la reliant à une catégorie. Par exemple, la donnée “pêche” sera reliée soit à la catégorie “fruit” soit à la catégorie “poisson”, selon l’objet sur lequel elle porte. Ou une date de naissance sera reliée à la catégorie “date”. […] RDF Resource Data Framework est aux données ce que HTML est aux documents. RDF permet de relier une donnée à une catégorie. »

29Cette capacité logique de connaissance est elle-même formalisée pour le web sémantique. Les taxonomies ou thesaurus sont exprimés en SKOS ou OWL, appelés langages d’ontologies, standardisés par le W3C.

30Ainsi, un modèle d’ontologie pour la description des personnes, le format FOAF (Friend of a Friend) ou ontologie des personnes, est utilisé dans l’organisation notamment des réseaux sociaux. À cet égard, on voit que le web 2.0, ou web collaboratif, n’est nullement disjoint, mais au contraire un élément dynamique de la structuration des données par le web sémantique.

31Cette couche logique, elle-même basée sur des développements des logiques du premier ordre (description logic), permet de raisonner sur les données en liaison avec des références « métier » ou des catégories déjà organisées, propres à un domaine de connaissances, par exemple les relations logiques entre les entités biologiques (notion d’espèce, de classe, de genre, etc.).

  • 4 Ibid.

32L’aspect heuristique (de capacité de découverte) du web des données est sans doute la justification essentielle de cette délégation de pouvoir aux machines, pour le traitement de masses énormes de données, disjoignant l’origine éditoriale de ces données de leur réutilisation : « Beaucoup de grandes découvertes sont nées ainsi de la réutilisation d’informations qui avaient été collectées dans un tout autre but », précise ainsi Tim Berners-Lee4.

33Pour simplifier, on peut dire que l’on passe d’un web des documents à un web des données (ou linked data) avec RDF, mais, grâce aux raisonnements et inférences possibles sur ces données, on passe du linked data au web sémantique, ou web des connaissances.

Automatisation accrue ou nouvelles dimensions humaines du web ?

34Il est important d’insister sur le double aspect technique et humain du web sémantique. Tim Berners-Lee pose comme principe que si, par le passé, on partageait des documents, dans l’avenir, on partagera des données.

35Dans une première approche, nous l’avons souligné fortement, cette avancée technologique se marque par une délégation accrue des traitements des données aux machines, remplaçant ainsi de fastidieuses recherches humaines d’informations, de plus en plus imprécises, du fait de l’hétérogénéité des formats et du cloisonnement des applications.

36Cette montée en puissance des automates de traitement des données est un fait. Mais, paradoxalement, l’avancée du web sémantique fait naître de façon croissante des préoccupations humaines collatérales.

37La question de la qualité des données s’avère stratégique. Certes, plus il y a de données brutes disponibles, plus le web des données peut fonctionner. Mais toute erreur ou approximation introduite en amont se retrouve en aval et peut vicier définitivement des raisonnements apparemment bien construits. Le datajournalisme, par exemple, utilisant de grandes masses de données pour faire naître des informations nouvelles –, comme des statistiques de population carcérale, corrélées à des distributions géographiques d’événements ou de risques – peut conduire à des conclusions erronées si le contexte de validité des informations n’est pas mûrement évalué.

38Plus globalement, c’est toute la problématique de la transparence contre le secret qui se trouve profondément modifiée. Le journalisme, notamment, se trouve confronté au paradoxe de protection accrue des sources à mesure que se développe l’exigence de transparence des données.

39À cet égard, rappelons que le document avait une fonction de preuve (origine, auteur, contexte, références, etc.). Les données sont au contraire « décontextualisées », dispersées, discrètes. Aussi peut-on raisonner logiquement sur des données sans se soucier de leurs références. Le web des données ouvre à la fois plus de possibilités, mais limite aussi les capacités intrinsèques de vérification. La question du contexte de validation de l’information demandera au contraire de nombreux travaux en fonction de nouvelles confrontations pour éclairer précisément les garanties que l’on est en droit d’attendre.

De nouvelles régulations entre transparence et confidentialité

40De même, la nécessité de l’ouverture et la transparence des données publiques, afin que les organismes acceptent d’« exposer » ce qui était souvent au cœur de leurs missions, peut se confronter à des problèmes de limites de confidentialité. Il faut insister sur le fait que nous sommes les héritiers plusieurs fois millénaires de la relation au document, avec ce que cela implique en matière de possibilité de communication (de publication) ou de confidentialité (définissant la sphère privée, la signature). Passer au web des données, c’est aussi affronter un changement de paradigme en matière de transparence et de confidentialité.

41De fait, sous l’impulsion de l’administration américaine (reprise ensuite au Royaume-Uni et dans le reste de l’Europe), le mouvement des data.gov est en pleine expansion.

42La question de la réutilisation des données (une fois réglée leur mise au format RDF) fait naître de nombreuses difficultés sociales de mise en œuvre. Ces situations nécessitent l’élaboration de consensus accrus, au terme de processus de discussion et de démocratie, afin que de nouvelles règles juridiques autorisent et encadrent cette nécessaire transparence. C’est typiquement le cas des données de santé, produites et « contrôlées » par des organismes de sécurité sociale, d’assurance-maladie ou par des institutions médicales. Le croisement de ces données sociales serait de la première importance pour le suivi d’usages de médicaments par exemple. Mais les conditions d’anonymisation sont souvent jugées insuffisantes par tel ou tel acteur des systèmes de santé, au point de refuser cette ouverture des données.

43En tant qu’utilisateur en ligne, je suis identifié, d’autant plus que je suis par ailleurs présent sur des réseaux sociaux. Qui me garantit que mes requêtes (par exemple celle citée plus tôt sur l’identité d’un cardiologue ouvert le dimanche dans le Rhône) ne seront pas utilisées en les croisant avec d’autres données (d’ordre marketing ou d’opinion) ? La question de l’ouverture des données de santé est de fait une des principales problématiques sensibles, avec là encore la même ambivalence. Refuser l’ouverture des données de santé (y compris celles rendues anonymes), c’est s’opposer à des progrès scientifiques ou de services ; exiger une transparence complète, c’est risquer des abus d’effraction dans la vie privée.

44Au sein de secteurs économiques qui gagneraient à une ouverture et à un partage à grande échelle des données, par exemple pour les transports aériens, des résistances socio-économiques à la transparence venant des compagnies aériennes ou des agences de voyage bloquent des avancées possibles.

45Plus généralement encore, avec le développement des réseaux sociaux et des formes contributives du net, la production « humaine » de données est sans limite. Tim Berners-Lee, en 2007, proposait même de laisser le terme « World Wide Web » pour celui de « Giant Global Graph », indiquant cette croissance des données relationnelles. Corrélativement, les « ressources », au sens du linked data, sont de plus en plus des éléments du monde physico-chimique lui-même, data produites automatiquement par toutes sortes de capteurs, de détecteurs ou de procédures de l’« Internet des objets », ou d’« objets communicants ». Comment s’orientera l’architecture, et plus encore l’« urbanisme », qui aura en charge la gestion équilibrée des données et la maîtrise harmonieuse du web sémantique ?

46Enfin, ce n’est pas le lieu ici de traiter du paradoxe qu’il y aurait à voir d’une part se généraliser un système d’intelligence collective et distribuée avec le web sémantique, mais d’autre part observer que cette montée en puissance se réalise et s’organise avec de grands monopoles informatiques et économiques (comme Google, Facebook, Amazon ou Apple) particulièrement jaloux de leurs secrets d’entreprise. Pour le moins, des traditions divergentes de décentralisation et d’hégémonie sont à l’œuvre, sans que l’on sache de quoi sera fait le futur numérique.

47Globalement, avec le web sémantique, c’est donc souvent la frontière entre données publiques et usages privés, et même entre signification du « bien public » et « intérêt privé », qui demande à être redéfinie à nouveaux frais, accentuant le caractère socioculturel du système technologique d’Internet.

Notes

1 « Enjeux et technologies : des données au sens », Documentaliste-Sciences de l’Information, vol. 48, no 4, 2011, p. 24-41.

2 « Le web va changer de dimension », La Recherche, no 413, 2007, p. 34.

3 Ibid.

4 Ibid.

© Presses de l’Université de Montréal, 2014

Conditions d’utilisation : http://www.openedition.org/6540

Lire

Open access

Acheter

Volume papier

Chargement

Unavailable