آرشیو اینترنت: بایگانی یک تریلیون صفحه وب پس از سه دهه تلاش

چالش ناپایداری محتوای دیجیتال

محتوای دیجیتال ذاتاً زودگذر است و بقای آن معمولاً به تمایل و توانایی افراد یا سازمان‌ها برای نگهداری آن بستگی دارد. نمونه بارز این ناپایداری در سال ۲۰۱۹ رخ داد؛ زمانی که MySpace، یکی از محبوب‌ترین شبکه‌های اجتماعی اولیه اینترنت، اعلام کرد که به دلیل یک خطای پیش‌بینی‌نشده در انتقال سرورها، تمام آپلودهای کاربران بین سال‌های ۲۰۰۳ تا ۲۰۱۵ به طور تصادفی حذف شده‌اند. در یک شب، حدود ۵۰ میلیون آهنگ از ۱۴ میلیون هنرمند برای همیشه از فضای مجازی ناپدید شدند.

نقش حیاتی Internet Archive از سال ۱۹۹۶

وب‌سایت Internet Archive دقیقاً برای جلوگیری از تکرار چنین فجایع دیجیتالی تأسیس شده است. این سازمان غیرانتفاعی از سال ۱۹۹۶ با هدف ایجاد «یک مرجع دائمی از تکامل اینترنت» فعالیت می‌کند. این هدف عمدتاً از طریق استفاده از خزنده‌های وب محقق می‌شود که وب‌سایت‌های عمومی را شناسایی و ذخیره می‌کنند. علاوه بر این، داوطلبان نیز با بارگذاری نسخه‌های چاپی، موسیقی‌ها و فایل‌های صوتی کمیاب و دیگر قالب‌های رسانه‌ای، در این فرآیند حیاتی مشارکت دارند.

• بیش از ۸۶۶ میلیارد صفحه وب
• ۴۱ میلیون متن
• میلیون‌ها شکل دیگر از محتوای دیجیتال

پس از نزدیک به سه دهه فعالیت، این آرشیو اکنون بیش از ۸۶۶ میلیارد صفحه وب، ۴۱ میلیون متن و میلیون‌ها شکل دیگر از محتوای دیجیتال را در خود جای داده است. به طور متوسط، روزانه حدود ۵۰۰ میلیون وب‌سایت جدید به این مجموعه افزوده می‌شود و تاکنون حدود ۱۰۰ هزار ترابایت اطلاعات گردآوری شده است؛ حجمی معادل پر کردن کامل حافظه ۵۰ هزار آیفون رده‌بالای موجود در بازار.

فشارهای ناشی از تغییرات سریع وب

Internet Archive در حال حاضر با فشارهای فزاینده‌ای از سوی وب جهانیِ در حال تغییر و تحول سریع روبرو است. شرکت‌های فناوری که برای آموزش سامانه‌های هوش مصنوعی با یکدیگر رقابت می‌کنند، به طور گسترده‌ای در فضای آنلاین به دنبال مجموعه‌داده‌های جدید هستند. در نتیجه، بسیاری از شرکت‌های بزرگ رسانه‌ای، از جمله نیویورک‌تایمز و گاردین، محتوای جدیدتر خود را از دسترس آرشیو خارج نگه می‌دارند تا از استفاده آن در سامانه‌های هوش مصنوعی مولد جلوگیری کنند. این چالش‌ها بر اهمیت و پیچیدگی مأموریت Internet Archive در حفظ میراث دیجیتال جهان می‌افزایند.