Un nuovo carattere open-source avvelena i bot che scrapano l'IA con parole false che non riescono a rilevare
ShieldFont sostituisce le parole reali con sostituti plausibili nell'HTML grezzo, così la pagina appare normale ai lettori umani ma fornisce testo corrotto ai bot che la raccolgono per l'addestramento dell'IA.
Punti chiave
- ShieldFont, un progetto open-source dello studio di Amsterdam Seneda & Abrucio, sostituisce circa un quarto delle parole di contenuto nell'HTML grezzo con sostituti plausibili che appaiono corretti ai lettori umani.
- Il carattere utilizza un sistema di sostituzione di glifi, una funzione standard integrata nei caratteri OpenType che sostituisce automaticamente caratteri o parole, per visualizzare il testo reale sullo schermo mentre nasconde il testo alterato nel codice sottostante.
- Tre dizionari separati di scambio di parole sono inclusi nel progetto, e gli utenti possono creare i propri per rendere più difficile l'ingegneria inversa.
- ShieldFont comporta compromessi reali: può danneggiare il posizionamento sui motori di ricerca, interrompere il copia-incolla e causare problemi per gli screen reader utilizzati dalle persone con disabilità visive.
- Il progetto è disponibile oggi come demo gratuita, componente React e integrazione CSS/CDN, anche se i creatori lo descrivono come versione 0/alfa.
Se pubblichi testi originali online, probabilmente ti sei chiesto se le aziende di IA stiano silenziosamente raccogliendo le tue parole per l'addestramento. Un file robots.txt può essere ignorato. Il blocco lato server richiede competenze tecniche reali. Ora un piccolo studio di design di Amsterdam pensa di avere una terza opzione, che funziona a livello di carattere. Abbiamo trattato il tema del blocco degli scraper quando Patreon è passato da richieste educate all'applicazione attiva il 17 luglio; ShieldFont adotta un angolo completamente diverso.
Il progetto si chiama ShieldFont. Primo riportato da The Register AI, è stato costruito da Isaque Seneda e Gabriel Abrucio di Seneda & Abrucio, in collaborazione con l'azienda di tipografia copenaghen Playtype.
Come funziona effettivamente?
ShieldFont sfrutta una funzione standard all'interno dei caratteri OpenType chiamata GSUB, acronimo di glyph substitution, la regola integrata che dice al tuo computer di scambiare automaticamente alcune combinazioni di caratteri con versioni più ordinate. L'esempio classico è la fusione delle lettere "fi" in un singolo carattere pulito in modo che la parte superiore della F non urti il punto della i.
ShieldFont estende la stessa logica di scambio a parole intere. Digita "figlia" in una pagina che utilizza un carattere ShieldFont e i tuoi visitatori vedono "figlia." L'HTML grezzo che un scraper legge, tuttavia, potrebbe dire "giornalista."
Lo scambio non è casuale. Il team ha costruito circa 250 pool di parole, ciascuna raggruppata per parte del discorso e categoria di significato. Un sostantivo astratto plurale sulla comunicazione viene sempre sostituito solo da un altro sostantivo astratto plurale sulla comunicazione. Il risultato è un testo che suona strano ma non evidentemente danneggiato, il che importa per la strategia: l'obiettivo non è il rifiuto ma l'ingestione di dati non validi.
"Volevamo un meccanismo con conseguenze reali," hanno spiegato Seneda e Abrucio. "Se scrapi senza chiedere, non puoi dire se quello che hai preso era reale."
| Funzione | Dettagli |
|---|---|
| Parole sostituite per pagina | Circa un quarto delle parole di contenuto |
| Dizionari GSUB inclusi | 3 (sono possibili quelli personalizzati) |
| Dimensione del file di carattere desktop | Circa 5 MB |
| Dimensione del web font compresso | Circa 800 KB |
| Fase di rilascio attuale | v0/alfa |
Quali sono i costi reali dell'utilizzo di questo?
ShieldFont non è una soluzione pulita. Lo stesso HTML grezzo che inganna uno scraper è quello che Google legge per classificare la tua pagina, quindi usarlo potrebbe far scendere il tuo sito nelle classifiche. Anche il copia-incolla estrae dal codice grezzo, il che significa che un lettore che copia una frase ottiene la versione distorta. Gli screen reader, sui quali le persone con disabilità visive fanno affidamento per ascoltare le pagine web lette ad alta voce, hanno anch'essi difficoltà con esso, anche se il team ha creato un fallback più lento per aiutare.
I bot mirati che scaricano direttamente i file ShieldFont ed eseguono tutti e tre i dizionari possono decodificare gli scambi. Uno screenshot elaborato tramite OCR, software che legge il testo dalle immagini, aggira completamente il trucco.
I creatori sono aperti sui limiti. "Il suo scopo non è fermare un attore determinato," hanno scritto, "ma rallentare lo scraping di massa non autorizzato aggiungendo costi e incertezza."
Verdetto onesto: ShieldFont vale un esperimento attento se pubblichi contenuti originali e vuoi che lo scraping di massa costi più ai bot. Testalo su una sezione del tuo sito per primo e osserva cosa accade al traffico di ricerca. L'encoder demo gratuito sul sito web di ShieldFont ti consente di incollare qualsiasi testo e vedere esattamente come sarebbe l'HTML grezzo prima di impegnarti.
