Les archives ne sont plus de simples espaces de stockage passifs. À l'ère du numérique, elles se transforment en systèmes opérationnels où la donnée historique est filtrée, interprétée et parfois générée par des machines. Que se passe-t-il lorsqu'un réseau de neurones artificiels est invité à "imaginer" le passé ? Le code informatique peut-il devenir une forme de curation patrimoniale à part entière ?
C'est à ces questions vertigineuses que tente de répondre le projet "Algorithmic Memory" (La Mémoire Algorithmique). Ce prototype de recherche interactif, conçu pour notre interface d'accueil, explore la manière dont l'Intelligence Artificielle (IA) lit et réinterprète les archives photographiques africaines. Plutôt que de proposer un montage vidéo passif, nous avons fait le choix de créer une négociation en direct entre la curation humaine et la perception algorithmique, rendue visible grâce à des shaders GLSL et React Three Fiber.
Dans cet article, nous décortiquons les enjeux techniques, éthiques et curatoriaux de la mémoire algorithmique appliquée au patrimoine africain, en utilisant notre prototype comme étude de cas.
1. De l'Archive Statique à la Curation Algorithmique
Pendant des décennies, l'archive photographique africaine a été figée dans des institutions souvent lointaines, indexée selon des taxonomies coloniales ou eurocentrées. La numérisation massive de ces fonds a permis une réappropriation progressive, mais l'introduction de l'Intelligence Artificielle modifie fondamentalement la donne.
L'IA n'est pas un outil neutre. Elle agit comme un médiateur algorithmique. Lorsqu'un modèle de Machine Learning traite une base de données d'images historiques, il ne se contente pas de les trier : il en extrait des motifs (patterns), identifie des récurrences et, dans le cas des IA génératives, extrapole de nouvelles représentations.
C'est ce que les chercheurs appellent la censure algorithmique ou, à l'inverse, l'hallucination systémique. Si un modèle a été entraîné sur un jeu de données biaisé, il reproduira ces biais à l'infini, invisibilisant certaines histoires ou altérant les marqueurs culturels spécifiques (textiles, architectures, physionomies). C'est pour contrer cette "dérive épistémique" que nous avons conçu un flux de travail où l'humain garde le contrôle absolu sur la machine.
2. Architecture du Projet : Rendre l'IA Tangible
L'objectif principal de notre prototype était de rendre lisibles les processus invisibles de l'IA pour un large public. Nous voulions que le visiteur ressente le travail de la machine, ses hésitations et ses interpolations, à travers le mouvement, la lumière et l'interaction.
2.1. La Stack Technique
Pour atteindre ce niveau de fluidité dans un navigateur web sans nécessiter de plugins, nous avons opté pour une architecture hybride alliant développement web moderne et programmation graphique bas niveau :
- Interface et Routage : Next.js 16 (App Router) orchestré avec Tailwind CSS pour la chorégraphie des composants et des textes.
- Rendu 3D : React Three Fiber (R3F) gérant des scènes Three.js au sein d'un
<Canvas>optimisé. - Effets Visuels : Des fragment shaders GLSL sur mesure gérant les déplacements de pixels (displacement), les distorsions chromatiques et le mélange de masques en temps réel.
- Actifs IA : Une combinaison de Stable Diffusion (pour le contrôle précis) et de Midjourney (pour la stylisation), générant des séquences d'images optimisées au format WebP.
2.2. Le Cœur du Réacteur : Les Shaders GLSL
Plutôt que d'utiliser une simple vidéo pré-calculée — qui aurait figé l'expérience —, nous avons développé un système de shaders pour que l'archive soit constamment réévaluée par le processeur graphique (GPU) de l'utilisateur.
Voici un extrait simplifié du code au cœur de notre fragment shader, responsable du déplacement des pixels pour révéler les "hallucinations" de l'IA :
// Déplacement au niveau du pixel pour simuler le processus latent
float noise = fract(sin(uv.y * 50.0 + uTime * 2.0) * 43758.5453);
displacedUv.x += (noise - 0.5) * strength;
Dans ce bloc :
uvreprésente les coordonnées normalisées de chaque pixel à l'écran.uTimeest une variable de temps global (uniform) injectée directement depuis React, garantissant une animation fluide.strengthest un paramètre dynamique, calibré selon les performances de la machine cible (budget GPU) pour assurer 60 images par seconde (fps) sur ordinateur tout en se dégradant gracieusement sur mobile.
Cette approche permet de lier la force de la distorsion à l'interaction de l'utilisateur (le mouvement de la souris ou le défilement de la page), créant une sensation de "dialogue" avec l'archive.
3. Le "Human-in-the-Loop" : Préserver l'Intégrité Culturelle
La technologie ne vaut rien si elle écrase le sens. Pour éviter de tomber dans les clichés visuels ou l'exotisme de bas étage souvent générés par les IA grand public, nous avons mis en place une architecture de prompting extrêmement rigoureuse, ancrée dans la réalité archivistique.
3.1. L'Ingénierie du Prompt Culturel
Chaque requête envoyée à nos modèles d'IA suit une structure stricte :
- Ancrage Factuel : Nous partons de descripteurs authentiques fournis par des archivistes et historiens africains (lieu exact, date approximative, événement, type de procédé photographique).
- Indices Sensoriels : Nous ajoutons des couches descriptives pour orienter la texture visuelle ("teinture indigo cobalt", "lumière de studio ouest-africaine des années 60", "grain argentique").
- Filtre Culturel : Chaque prompt est verrouillé par un contexte culturel spécifique pour empêcher le modèle de dériver vers des stéréotypes génériques.
3.2. Le Flux de Travail Éditorialisé
Le processus de création des actifs visuels de notre page d'accueil ne s'est pas fait en un clic. Il s'agit d'une boucle itérative :
- Génération initiale : Stable Diffusion produit des images candidates basées sur nos prompts structurés.
- Validation humaine : Un curateur examine les résultats, écarte les aberrations culturelles (anachronismes, tenues inappropriées) et annote les compositions intéressantes.
- Enrichissement : Les images sélectionnées passent par des variations (via Midjourney ou des modèles Image-to-Image) pour diversifier la lumière et la profondeur.
- Optimisation : Les séquences finales sont étalonnées, compressées (texture atlases) et intégrées au pipeline GLSL.
4. Sauvegardes Éthiques et Transparence
Manipuler la mémoire photographique avec l'IA soulève d'immenses questions éthiques. Sommes-nous en train de falsifier l'histoire ? Pour répondre à cette préoccupation légitime, notre prototype intègre plusieurs garde-fous.
Premièrement, nous maintenons un registre de provenance cryptographique : chaque frame générée par l'IA peut être retracée jusqu'à l'image d'archive (ou au texte) qui l'a inspirée.
Deuxièmement, l'intervention de l'IA est explicitement déclarée dans l'interface utilisateur. Nous refusons catégoriquement les prompts qui visent à déformer des identités historiques précises ou à créer des deepfakes d'événements tragiques. Chaque expérience visuelle est signée et assumée comme une interprétation algorithmique, non comme un document historique brut.
5. L'Avenir de la Curation Augmentée
Ce que nous avons appris en développant The Algorithmic Memory, c'est que l'ambiguïté de l'espace latent (l'état transitoire de l'IA avant qu'elle ne finalise une image) est une puissante métaphore de la mémoire elle-même. La mémoire n'est pas un disque dur ; elle se recompose, elle est en mouvement. Les utilisateurs se sont montrés plus captivés par les transitions fluides entre les états d'images que par les images finalisées.
En combinant la spécificité de la curation humaine et la puissance d'extrapolation de l'IA, nous ne détruisons pas l'archive : nous lui donnons une nouvelle voix. Une voix capable de combler visuellement les silences de l'histoire coloniale, de proposer des futurs alternatifs, et d'engager une nouvelle génération avec son patrimoine de manière radicalement interactive.
Construisons ensemble des plateformes culturelles inclusives avec Ibeji Systems :