Chapitre 1. Voir le Web
p. 25-34
Texte intégral
« The discovery of scale-free networks induced a paradigm shift: They taught us that the many complex webs surrounding us are far from random, but are characterized by the same robust and universal architecture. I am repeatedly asked a few basic questions when I lecture about networks: Why did it take this long?
Why did we have to wait until 1999 to discover the impact of hubs and power laws on the behavior of complex networks? The answer is simple: We lacked a map », Albert-László Barabási, Linked, 2003.

1Lorsque je finis de lire en 2001 “Graph Structure in the Web”, l’article retentissant d’Andrei Broder et de ses collègues, la question s’est imposée avec évidence : le Web pouvait-il avoir une forme ? Peut-on en produire une image ou un modèle et, si oui, selon quels procédés, selon quelles méthodes, avec quels instruments ? Je me souvins alors qu’il existait déjà des travaux connus sur la cartographie de l’Internet comme structure physique reliant par câbles différents points du globe, ou alors comme réseau distribué de routers par où transitent les masses d’informations1. Mais de là à imaginer que l’on puisse cartographier le Web dans ce qu’il a de plus abstrait à titre d’espace de publication de documents, d’images et de sons, il y avait manifestement un pas qui venait d’être franchi. Une géographie documentaire…
2L’article du groupe de chercheurs visait à étudier quelques-unes des propriétés statistiques du Web sous la forme d’un graphe contenant plus de 200 millions d’éléments (les pages web étant considérées comme des nodes) reliés entre eux par plus d’un milliard et demi de liens (les liens hypertextes entre les pages ou links). Rien que cela ! Pour ceux qui ne maîtrisent pas les mathématiques statistiques, il est difficile d’apprécier les méthodes développées dans l’article.
3Mais on aperçoit rapidement que les auteurs cherchent à traduire les masses d’informations accessibles sur le Web en un ensemble de propriétés physiques, comme s’il s’agissait d’un espace mesurable, gouverné par des propriétés matérielles comme le diamètre, la densité, les composants et leur hiérarchie. Autrement dit, toute une géographie d’un nouveau genre dans laquelle les liens hypertextes distribuent les documents dans des clusters, entre lesquels s’exercent des forces d’attraction, incarnés par des flux de liens entrants et sortants dessinant ainsi des distances, des zones, un centre, une périphérie et même des excroissances !
Image 1.2

Le modèle du Web en nœud papillon, d’après : A. Broder, R. Kumar, F. Maghoul, P. Raghavan, S. Rajagopalan, R. Stata, A. Tomkins et J. Wiener, “Graph Structure in the Web”, Computer Networks, 33 (1-6), 2000, pp. 309-320.
4L’article est passé à la postérité pour le schéma du Web « en nœud papillon » qui y figure, et l’on ne compte plus aujourd’hui les ouvrages qui le reprennent tel quel comme une sorte de « plan » général du réseau. L’idée a de quoi fasciner : plus de 200 millions de documents y sont placés dans des zones identifiables, chacune d’elles gouvernée par la façon dont les liens s’y distribuent. Autour d’un ensemble central, très dense de connexions internes, s’étirent à gauche et à droite deux « oreilles » qui comportent à peu près le même nombre de pages web, à la différence majeure que l’ensemble de gauche génère des liens qui pointent vers l’ensemble central et celui de droite reçoit des liens qui en proviennent. Le Web semble massivement gouverné par une sorte de magnétisme massif, accompagné de quelques particularités remarquables comme ces excroissances (tendrils) sur les pôles de gauche et de droite, des tubes qui mènent directement de l’un à l’autre (autrement dit, on peut passer de l’un à l’autre via des chemins hypertextes de documents à documents) et quelques disconnected components qui posent question dès qu’on aperçoit que des « bouts du Web » semblent fonctionner de façon autonome (est-ce l’effet d’un corpus parcellaire puisque ce ne sont que des données partielles, un échantillon ? Ou bien y a-t-il réellement des « territoires autonomes », cachés au reste du Web, parce que non connectés ? Et, si oui, que recèlent-ils en termes de contenus particuliers ? Peut-être des entrées sur ce que l’on appelle aujourd’hui le dark web…).
5Ce plan schématique avait tout d’un genre inédit de boussole, une synthèse puissante qui laissait entrevoir des propriétés essentielles de ce réseau qui engouffrait autant de données et qui commençait, en ces années 2000-2003, à tisser sa toile jusque dans nos maisons et nos objets quotidiens. Rétrospectivement, le nœud papillon semblait représenter une promesse, un projet, un défi : je compris en l’étudiant qu’il ne s’agissait pas seulement d’un exercice de synthèse où se trouvait articulé graphiquement l’essentiel des propriétés statistiques de l’étude, comme on en trouve souvent dans les publications scientifiques. Cette figure spatialisante du Web annonçait le moment où deviennent nécessaires des modèles opérationnels d’un réseau dont on commence à apercevoir les propriétés, ces « patterns robustes » ou ces « lois » qui en règlent l’architecture comme l’évolution. Une fois ses propriétés essentielles identifiées, une foule de technologies pouvait être développée et mobilisée pour l’exploiter. Une source d’innovation inépuisable pour ceux qui ont commencé les premiers à dresser cette carte du réseau, les pionniers de la Silicon Valley. La publication de ce modèle graphique et logique du Web était le premier pas de l’exploration et de l’arpentage méthodique de ces territoires numériques peuplés d’informations organisées en réseaux. Et participer à cette expédition eut tout pour moi d’une évidence, d’autant plus que j’étais entouré de jeunes ingénieurs qui se sont plongés dans l’observation de ce vaste système d’informations distribuées qu’est le Web et dont très peu de propriétés étaient connues avant les années 2000. Mais observer le Web, le voir, n’avait rien d’une évidence : les instruments dont nous avions besoin devaient être développés et, pour partie, inventés. Le genre de photographie que nous espérions pouvoir produire supposait la mise en œuvre de techniques et de méthodes conçues pour un univers ouvert et distribué, et d’une croissance exponentielle. C’est ce genre de défi qu’aiment à relever parfois de jeunes ingénieurs, être en limite de la science pour ouvrir de nouvelles voies en termes de technologies dédiées aux data, de méthodes de calcul ou de réflexions théoriques sur la topologie des systèmes d’information. De nouvelles voies, certes, mais aussi une série de décalages, voire de ruptures avec les cadres habituels à partir desquels étaient pensés jusqu’alors les systèmes d’information ou les systèmes de connaissance.
*****
6L’idée de voir le Web fit vite office d’objectif commun de recherche technologique pour les jeunes ingénieurs qui travaillèrent au lancement de notre programme d’expérimentations. Cet enthousiasme s’expliquait par le fait qu’il devenait enfin envisageable d’explorer la structure réelle du Web comme une architecture documentaire à part entière et dont nos usages quotidiens ne révèlent qu’une vue très parcellaire. Usuellement, l’accès à cet espace dépend le plus souvent de ces deux instruments que sont les navigateurs, puis les moteurs de recherche qui nous renvoient leurs résultats sous forme de listes ou d’éléments ordonnés selon différents critères. Nos accès au Web comme nos activités passent essentiellement par ces deux filtres, pratiquement transparents et naturalisés pour les internautes. Il nous fallait donc passer de l’autre côté, oublier le Web comme instrument ou vecteur de production d’informations ou de connaissances pour en faire un objet d’investigation, assuré comme phénomène observable, attesté dans ses frontières matérielles. Il fallait donc réunir des instruments d’observation ou d’inspection, les imaginer et les développer si nécessaire, pour apercevoir nous aussi ce vaste système distribué de documents et des flux qu’y dessinent les liens hypertextes.
7Certes, il s’agit encore d’instrumentation, donc d’un autre type de filtres tout aussi artificiels que le navigateur et le moteur de recherche. Mais cet appareillage de traitement des données serait tourné cette fois sur l’arrière-cour du système, de son ossature informationnelle, des lois qui gouvernent son architecture. Et quelle architecture ! Dès le départ de nos premières expérimentations, elle se révéla fascinante, mais aussi déstabilisante pour des héritiers de la culture du XXe siècle et de ses instruments de prédilection comme peut l’être une bibliothèque (les livres ordonnés par dates, thèmes ou auteurs) ou une arborescence (les éléments distribués à des niveaux stricts de hiérarchie). La visualisation des connexions de document à document (ou de page web à page web) laissa rapidement apparaître un nouveau type d’architecture documentaire, une géographie foisonnante dont il allait falloir extraire des lois fondées sur le nouveau principe de proximité qu’induisait le lien hypertexte, et sa distribution à grande échelle. À ce titre, le langage HTML à partir duquel est construit le document web (ou la « page ») offre l’avantage remarquable d’agréger des contenus entre eux, mais aussi d’insérer dans les balises des ancres et des cibles qui sont écrites, donc accessibles depuis la chaîne de caractères. On pouvait donc relever automatiquement la liste des connexions de page à page, sans aucune idée des patterns qui allaient apparaître aussitôt passés certains seuils quantitatifs. Les web crawlers ont ainsi joué un rôle majeur dans nos premières expéditions sur le Web et ils concourent encore aujourd’hui à analyser les documents accessibles sur le réseau pour les moteurs de recherche, et à repérer la publication de nouvelles sources d’information… ou leur disparition.
8Il est d’ailleurs important de souligner combien les moteurs de recherche ont contribué à traduire les données web en instruments presque « naturels » pour les usagers. Ils affichent leurs résultats sous forme de listes et pas de cartes, ils intègrent des principes de classification avec leurs catégories de recherche et restent basés sur l’extraction des « contenus » textuels ; les algorithmes parmi les plus connus, comme le pagerank, s’inspirent des techniques d’analyse des citations en bibliométrie qui les précèdent historiquement. Ces aspects nourrissent finalement l’idée que le Web est un produit de l’univers de la bibliothèque, sa filiation dans le monde numérique. Oui, mais le modèle d’organisation que décrivait l’article d’Andrei Broder et ses collègues où figurait le schéma en nœud papillon ne correspondait à rien de connu et, si l’on pouvait tirer de ce schéma un instrument d’aide à la navigation sur le Web, il n’aurait rien de commun à une liste ou à une arborescence.
9Le projet d’analyser la distribution de la connectivité (parallèlement à l’indexation des contenus) constituait une voie ouverte depuis longtemps comme je l’appris petit à petit. Le nœud papillon ne venait en réalité que couronner une série de travaux expérimentaux entamés plusieurs années auparavant. Le principe de la mesure des espaces en différents types de réseaux à partir de la distribution des liens ou des connexions a représenté une voie grandissante du domaine du data mining puis du web mining, qui donnera d’ailleurs le jour aux web sciences. Dès la naissance des premiers systèmes hypertextes (avant le Web), on a appliqué ainsi aux données réseau une série de techniques issues de la tradition de la théorie des graphes, cette branche des mathématiques appliquées qui cultivait déjà un intérêt certain pour les méthodes de projection graphique. Mais l’arrivée de données massives sur la distribution des liens hypertextes entre les pages avait permis de franchir un cap décisif : on pouvait enfin apercevoir des principes d’organisation générale ou, plutôt, des régularités statistiques fortes2 comme certaines formes de hiérarchisation entre les documents à moyenne échelle (quelques milliers d’éléments) ou encore des différences de densité hypertexte repérables dans les corpus.
10Ces premières avancées illustraient déjà la nécessité d’être équipé techniquement, entouré de compétences avancées et convaincu que l’exploration du Web prendrait la forme d’un lent arpentage de sa structure, comme s’il s’agissait de reconstruire le guide de la bibliothèque en parcourant soi-même, et petit à petit, tous ses rayonnages et leurs livres. L’image est à peine exagérée et résumerait presque l’essentiel des technologies d’exploration du Web développées depuis les années 1990 : les crawlers qui « sautent » de lien hypertexte en lien hypertexte pour dénombrer les pages en suivant les fils de la « toile », les bases où les contenus comme les liens sont archivés, les algorithmes de traitement de contenu et les calculs associés qui permettent de faire émerger des principes de classification, de regroupement en clusters, de hiérarchisation des pages selon des règles de ranking qui vont être retournées à l’internaute lors de ses requêtes. Nombre de ces technologies ont contribué et contribuent encore aujourd’hui à identifier les multiples propriétés du Web dont certaines se révèlent surprenantes. L’efficacité vient du fait qu’elles épousent les contraintes des propriétés connues du Web comme les patterns que forment les liens hypertextes à grande échelle : c’est par l’étude des phénomènes d’agrégation de connexions que l’on identifie des groupes ou des communautés sur le Web et les réseaux sociaux. C’est en comparant les liens entre des pages web et leurs contenus (disons, les keywords auxquels on peut les résumer) que l’on arrive à isoler un silo d’informations pertinentes sur un sujet donné, cet « endroit » du réseau où les internautes contribuent à alimenter des connaissances collectives. Plus encore que l’information ou le document, c’est avec le lien hypertexte qu’il fallait commencer nos explorations, ce qui nous apparaissait comme la clef de voûte du système. Comme les nanomatériaux, il tisse sur différentes échelles, de la plus singulière à la plus vaste, des propriétés uniques et originales qui semblent s’emboîter pour donner naissance à des formes jusque-là insoupçonnées.
11On comprend mieux alors tout l’intérêt porté au premier modèle du Web en nœud papillon, car il annonce ce que tout le monde attend : un gigantesque travail de recensement pour savoir ce qu’est donc devenu ce vaste système depuis la publication de son protocole en 1989. Ce modèle n’est pourtant pas le plan général qui permettrait de concentrer les propriétés génériques de cette architecture documentaire distribuée à grande échelle et de décrire les lois qui en gouvernent l’évolution. Pour y parvenir, il faut encore parcourir un long chemin. Mais il restera le premier modèle graphique présentant l’articulation logique de plusieurs propriétés statistiques du Web comme système de documents, enfin concentrées de façon cohérente.
*****
12Personne n’a encore les clefs globales du système. Chacun aimerait en détenir les plans, pas seulement par curiosité scientifique, mais aussi pour assurer l’efficience d’un service offert aux réseaux sociaux d’acteurs, pour suivre des phénomènes informationnels propagatoires comme les rumeurs ou les tendances, ou encore lancer des opérations de détection et de tracking de certaines thématiques ou d’entités nommées – des personnes physiques ou morales. Posséder le plan global de la distribution complète des contenus dans la structure hyperliée du système nous ferait passer de la toile indistincte à l’encyclopédie numérique universelle, contributive et raisonnée. Une façon de valider l’image développée au milieu des années 1990 d’une « bibliothèque universelle et ouverte à toutes les contributions ». Mais on est encore loin, à vrai dire, d’avoir isolé toutes les propriétés du Web et de pouvoir le penser comme un tout, comme un système. Des pans entiers de son architecture restent encore dans l’ombre et l’objectif de pouvoir les photographier est d’autant plus difficile qu’il faut accepter d’évoluer dans un univers qui ne semble admettre ni la clôture, ni l’exhaustivité, ni la classification hiérarchique ou arborescente. Le Web n’est pas contrôlable, du moins avec les instruments classiques de gestion des systèmes de connaissances.
13On peut même se demander s’il s’agit tout simplement d’un système d’information. La question paraît toujours aussi curieuse pour un pur produit de la technologie numérique, peuplé d’autant de machines et d’ingénieurs, un artefact culturel nourri de bases de données, d’algorithmes et d’archives, de supports réductibles à une suite de 0 et de 1… et dont personne, en réalité, n’arrive à maîtriser réellement les masses, la diversité ou la dynamique évolutive. À bien des égards, le Web reste encore un mystère. Depuis le lancement de la première page web en 1989 par une équipe du CERN (Organisation européenne pour la recherche nucléaire), notre ignorance a grandi au fur et à mesure de son développement exponentiel, le Web conservant toujours un temps d’avance sur l’observation. Tim Berners-Lee, son inventeur officiel, a même lancé le projet d’en faire une science, les web sciences, en affirmant en 2006 : « Nous avons créé le Web, et nous avons pour devoir de le comprendre ». Depuis lors, nous vivons encore dans l’effervescence associée à l’arrivée d’un nouveau champ de recherche, un moment privilégié où une grande variété de disciplines viennent se confronter aux web data, le trésor de guerre des géants californiens de l’information. On a ainsi vu mobilisée la physique, pour étudier la logique des flux de liens et leurs concentrations comme des masses. La physique et la chimie pour essayer de comprendre les moments de mutation du système web – la percolation – puisqu’il ne semble pas évoluer de façon uniforme ou unilinéaire. La biologie pour le saisir comme un être vivant complexe, auto-organisé. On peut aussi le définir comme un écosystème, tout à la fois hiérarchisable sous forme d’arborescence (comme la pyramide des espèces) et décomposable en une multitude d’éléments interdépendants. On peut aussi demander à la sociologie d’expliquer les logiques sociales à l’œuvre derrière les phénomènes massifs de connexion entre des acteurs-producteurs d’informations via des documents interposés. On peut même faire appel à des réflexions plus abstraites sur le Web comme système complexe ou encore en faire l’objet de prédilection d’une science à venir sous la forme d’une sorte d’anthropologie du numérique et des réseaux.
Image 1.3

La première page web publiée à partir des protocoles sur lesquels a travaillé Tim Berners-Lee depuis 1989. Le Web y est défini comme un projet hypermédia ouvert et participatif : « The World Wide Web (W3) is a wide-area hypermedia information retrieval initiative aiming to give universal access to a large universe of documents ».
14Le chemin que notre petite équipe a emprunté n’avait rien, quant à lui, d’un travail théorique et nous n’abordions pas le champ des web data pour valider des hypothèses préconçues. Nous avons adopté une démarche inductive en faisant le pari que les données ouvriraient sur des idées nouvelles, sans nous soucier du genre de recherche auquel nous appartenions. Officiellement, nous ne faisions donc rien, les programmes scientifiques officiels et la gestion des disciplines n’autorisant guère en France les aventures comme celle dans laquelle nous nous sommes lancés il y a plus de dix ans. Pour certains, il s’agissait seulement d’un bricolage ingénieux de code informatique pour « faire des cartes » ; pour nous, il s’agissait d’entrer de plain-pied dans une branche (seulement) de ce qui allait devenir les data sciences. À force de lectures, de discussions et de nombreuses expérimentations, le tableau général du Web a avancé par petites touches successives depuis une quinzaine d’années. J’ose espérer y avoir contribué.
15Le schéma du Web en nœud papillon, comme d’autres travaux dont les nôtres, s’inscrit dans un espace borné intellectuellement, remplissant un vide entre deux repères communs qui font les deux limites du tableau. La première, c’est ce fameux nuage3 qui accompagne tant de documents scientifiques ou pédagogiques pour symboliser le Web dont le cloud computing est aujourd’hui l’écho.
Image 1.4

Représentation d’Internet ou du Web dans la littérature scientifique, d’après le travail de Noah Veltman, “What shape is the internet?” : https://noahveltman.com/internet-shape/.
16Je n’ai jamais su s’il s’agissait ainsi de se dispenser des détails (on dessine le nuage comme on dit la « toile ») ou bien d’un aveu d’ignorance, symbolisant ainsi une sorte d’extériorité incompréhensible. L’autre limite, ou borne conceptuelle, est constituée par toute une lignée de travaux sur le deep web4, au départ nommé invisible web ou hidden web. On range dans cette catégorie l’ensemble des documents ou des informations inaccessibles aux moteurs de recherche et à leurs « robots » d’indexation en y mêlant les sites illégaux, les bases de documents formalisés (publications scientifiques, informations juridiques…), des sites gouvernementaux. Volontairement ou non, ces données à l’accès difficile semblent faiblement reliées au reste du Web, le Web de surface tel que nous le présentent les moteurs de recherche. On pourrait aussi y ranger le dark web autour duquel gravitent des sites de transactions commerciales illégales ou liés aux activités des hackers. Certains ont estimé qu’il pouvait abriter 90 % de l’information du réseau, mais accessible seulement à des profondeurs insondables, et seulement avec une logistique comme celle du projet Memex7 lancé en 2014 par la DARPA (Defense Advanced Research Projects Agency). Ces profondeurs extrêmes fascinent toujours, mais restent hors de portée des projets comme le nôtre.
Image 1.5

Le Web se présente différemment selon sa profondeur, à mesure qu’on s’éloigne la surface, c’est-à-dire l’information présentée par les moteurs de recherche.
17C’est là, entre ces deux extrêmes, le nuage et le deep web, que s’étend le Web tel que nous le connaissons et dont il s’agit de trouver le plan, le modèle, la carte. Pour l’instant, il ne s’agit que d’une esquisse, mais, en traduisant patiemment les masses de données en propriétés statistiques et visuelles, le Web commence à « prendre corps ».
Notes de bas de page
1 Center for Applied Internet Data Analysis, http://www.caida.org/home/.
2 B.A. Huberman, The Laws of the Web: Patterns in the Ecology of Information, Cambridge (MA), MIT Press, 2001.
3 http://noahveltman.com/internet-shape/.
4 “The Deep Web: Surfacing Hidden Value”, The Journal of Electronic Publishing, 7 (1), juillet 2001, http://www.press.umich.edu/jep/07-01/bergman.html.

Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
What is the Text Encoding Initiative?
How to add intelligent markup to digital resources
Lou Burnard
2014
What is digital identity?
Issues, tools, methodologies
Olivier Ertzscheid Helen Tomlinson (trad.)
2016
Sur quoi reposent nos infrastructures numériques ?
Le travail invisible des faiseurs du web
Nadia Eghbal
2017
Qu’est-ce qu’un forum internet ?
Une généalogie historique au prisme des cultures savantes numériques
Camille Paloque-Bergès
2018
Qu’est-ce qu’une archive du web ?
Francesca Musiani, Camille Paloque-Bergès, Valérie Schafer et al.
2019
Qu’est-ce que le travail scientifique des données ?
Big data, little data, no data
Christine L. Borgman Charlotte Matoussowsky (trad.)
2020
Qu’est-ce que la cartographie du web ?
Expéditions scientifiques dans l’univers des données numériques et des réseaux
Franck Ghitalla Dominique Boullier et Mathieu Jacomy (éd.)
2021