Une nouvelle police open-source empoisonne les scrapers d'IA avec de faux mots indétectables
ShieldFont remplace les mots de contenu réels par des doublons plausibles dans le HTML brut, de sorte que la page semble normale aux humains mais alimente les robots de récolte avec du texte brouillé pour l'entraînement de l'IA.
Points clés
- ShieldFont, un projet open-source lancé par le studio d'Amsterdam Seneda & Abrucio, remplace environ 25 % des mots de contenu dans le HTML brut par des substituts plausibles qui semblent corrects pour les lecteurs humains.
- La police utilise un système de substitution de glyphes, une fonction standard intégrée aux polices OpenType qui échange automatiquement des caractères ou des mots pour afficher le texte réel à l'écran tout en masquant le texte modifié dans le code sous-jacent.
- Trois dictionnaires distincts d'échange de mots accompagnent le projet, et les utilisateurs peuvent en créer leurs propres pour rendre l'ingénierie inverse plus difficile.
- ShieldFont s'accompagne de vrais compromis : il peut nuire au classement des moteurs de recherche, interrompre le copier-coller et causer des problèmes pour les lecteurs d'écran utilisés par les personnes malvoyantes.
- Le projet est lancé aujourd'hui sous forme de démo gratuite, de composant React et d'intégration CSS/CDN, bien que les créateurs le décrivent comme version 0/alpha.
Si vous gérez un blog, un site d'actualités ou toute page avec du contenu original, vous vous êtes probablement demandé si les entreprises d'IA ne sont pas en train de récupérer discrètement vos textes pour entraîner leurs systèmes. Un fichier robots.txt, la petite feuille d'instructions que les sites web utilisent pour dire aux robots ce qu'ils peuvent ou ne peuvent pas lire, peut être ignoré. Le blocage côté serveur nécessite des compétences techniques. Un petit studio de design d'Amsterdam pense maintenant avoir une troisième option, qui fonctionne au niveau des polices.
Le projet s'appelle ShieldFont. D'abord signalé par The Register AI, il a été créé par Isaque Seneda et Gabriel Abrucio de Seneda & Abrucio, en partenariat avec la typographe Playtype de Copenhague.
Comment ça marche vraiment ?
ShieldFont exploite une fonction standard des polices OpenType appelée GSUB, pour glyph substitution, qui est la règle intégrée qui indique à votre ordinateur d'échanger automatiquement certaines combinaisons de caractères pour des versions plus nettes. L'exemple classique est les lettres « fi » fusionnées en un seul caractère propre pour que le haut du F ne heurte pas le point du i.
ShieldFont étend cette même logique d'échange à des mots entiers. Tapez « fille » sur une page utilisant une police ShieldFont et vos visiteurs voient « fille ». Le code HTML brut qu'un scraper lit, cependant, pourrait dire « journaliste ».
L'échange n'est pas aléatoire. L'équipe a créé environ 250 pools de mots, chacun regroupé par rôle grammatical, catégorie de signification et autres détails fins. Un nom abstrait pluriel concernant la communication est toujours remplacé uniquement par un autre nom abstrait pluriel concernant la communication. Le résultat est un texte qui semble étrange mais pas évidemment brisé, ce qui importe pour la stratégie.
« Nous voulions un mécanisme avec de véritables conséquences », ont expliqué Seneda et Abrucio. « Récolter sans demander, et vous ne pouvez pas dire si ce que vous avez pris était réel. »
| Fonctionnalité | Détail |
|---|---|
| Mots remplacés par page | Environ 25 % des mots de contenu |
| Dictionnaires GSUB inclus | 3 (des dictionnaires personnalisés sont possibles) |
| Taille du fichier de police de bureau | Environ 5 Mo |
| Taille de la police web compressée | Environ 800 Ko |
| Phase de publication actuelle | v0/alpha |
Quels sont les vrais coûts de l'utilisation de cela ?
ShieldFont n'est pas une solution propre et indolore. Le même HTML brut qui trompe un scraper est ce que Google lit pour classer votre page dans les résultats de recherche, donc l'utiliser pourrait faire baisser le classement de votre site. Le copier-coller extrait également du code brut, ce qui signifie qu'un lecteur qui copie une phrase obtient la version brouillée. Les lecteurs d'écran, sur lesquels les personnes malvoyantes s'appuient pour écouter les pages web lues à haute voix, ont également du mal avec cela, bien que l'équipe ait créé un repli plus lent pour aider.
Les bots ciblés qui téléchargent directement les fichiers ShieldFont et parcourent les trois dictionnaires peuvent décoder les échanges. Une capture d'écran traitée par OCR, un logiciel qui lit le texte à partir d'images, contourne complètement le truc.
Les créateurs sont ouverts sur les limites. « Son objectif n'est pas d'arrêter un acteur déterminé », ont-ils écrit, « mais de ralentir le raclage non autorisé en masse en ajoutant du coût, des frictions et de l'incertitude. »
La conclusion honnête : ShieldFont vaut la peine d'être expérimenté si vous publiez du contenu original et souhaitez rendre la récolte en masse plus coûteuse pour les bots. Testez-le sur une section de votre site d'abord, vérifiez ce qu'il fait à votre trafic de recherche, et ne le traitez pas comme une solution complète. L'encodeur de démo gratuit sur le site web de ShieldFont vous permet de coller n'importe quel texte et de voir exactement à quoi le HTML brut ressemblerait avant de vous engager à quelque chose.
