Un nuovo carattere open-source avvelena gli scraper AI con parole false che non riescono a rilevare
ShieldFont sostituisce le parole reali con falsi plausibili nell'HTML grezzo, così la pagina appare normale ai lettori umani ma fornisce testo corrotto ai bot che la estraggono per l'addestramento dell'AI.
Punti chiave
- ShieldFont, un progetto open-source lanciato dallo studio di Amsterdam Seneda & Abrucio, sostituisce circa il 25% delle parole del contenuto nell'HTML grezzo con sostituti plausibili che sembrano corretti ai lettori umani.
- Il carattere utilizza un sistema di sostituzione dei glifi, una funzionalità standard incorporata nei font OpenType che scambia automaticamente caratteri o parole, per visualizzare il testo reale sullo schermo mentre nasconde il testo alterato nel codice sottostante.
- Il progetto include tre dizionari separati di sostituzione di parole, e gli utenti possono crearne di propri per rendere l'ingegneria inversa più difficile.
- ShieldFont comporta compromessi reali: può danneggiare il posizionamento nei motori di ricerca, interrompere il copia-incolla e causare problemi per i lettori di schermo utilizzati da persone ipovedenti.
- Il progetto è oggi disponibile come demo gratuita, componente React e integrazione CSS/CDN, anche se i creatori lo descrivono come versione 0/alfa.
Se gestisci un blog, un sito di notizie o una pagina con contenuti originali, ti sarai probabilmente chiesto se le aziende AI stanno silenziosamente raccogliendo le tue parole per addestrare i loro sistemi. Un file robots.txt, il piccolo foglio di istruzioni che i siti web usano per dire ai bot cosa possono o non possono leggere, può essere ignorato. Il blocco lato server richiede competenze tecniche. Ora un piccolo studio di design di Amsterdam pensa di avere una terza opzione, e funziona a livello di carattere.
Il progetto si chiama ShieldFont. Riportato per la prima volta da The Register AI, è stato costruito da Isaque Seneda e Gabriel Abrucio di Seneda & Abrucio, in partnership con la tipografia copenaghen Playtype.
Come funziona esattamente?
ShieldFont sfrutta una funzionalità standard all'interno dei font OpenType chiamata GSUB, abbreviazione di glyph substitution, che è la regola incorporata che dice al tuo computer di scambiare automaticamente certe combinazioni di caratteri con versioni più ordinate. L'esempio classico è le lettere "fi" che si uniscono in un singolo carattere pulito in modo che la parte superiore della F non urti il puntino della i.
ShieldFont estende la stessa logica di scambio alle parole intere. Digita "figlia" su una pagina usando un carattere ShieldFont e i tuoi visitatori vedono "figlia". Il codice HTML grezzo che uno scraper legge, tuttavia, potrebbe dire "giornalista".
Lo scambio non è casuale. Il team ha costruito circa 250 pool di parole, ciascuno raggruppato per ruolo grammaticale, categoria di significato e altri dettagli. Un sostantivo astratto plurale sulla comunicazione viene sostituito solo da un altro sostantivo astratto plurale sulla comunicazione. Il risultato è un testo che suona strano ma non ovviamente difettoso, il che conta per la strategia.
"Volevamo un meccanismo con conseguenze reali," hanno spiegato Seneda e Abrucio. "Estrai senza chiedere, e non puoi dire se quello che hai preso era reale."
| Funzionalità | Dettagli |
|---|---|
| Parole sostituite per pagina | Circa il 25% delle parole del contenuto |
| Dizionari GSUB inclusi | 3 (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 veri costi dell'utilizzo?
ShieldFont non è una soluzione pulita e indolore. Lo stesso HTML grezzo che inganna uno scraper è quello che Google legge per classificare la tua pagina nei risultati di ricerca, quindi usarlo potrebbe far scendere il tuo sito nei ranking. Il copia-incolla estrae anche dal codice grezzo, il che significa che un lettore che copia una frase ottiene la versione codificata. I lettori di schermo, su cui le persone ipovedenti si affidano per sentir leggere le pagine web ad alta voce, ne soffrono anche, anche se il team ha integrato 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 sottoposto a 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 l'estrazione di massa non autorizzata aggiungendo costi, attrito e incertezza."
Il takeaway onesto: ShieldFont vale la pena sperimentare se pubblichi contenuti originali e vuoi rendere l'estrazione di massa più costosa per i bot. Testalo prima su una sezione del tuo sito, controlla cosa fa al tuo traffico di ricerca, e non trattarlo come una soluzione completa. L'encoder di demo gratuito sul sito web ShieldFont ti permette di incollare qualsiasi testo e vedere esattamente come sarebbe l'HTML grezzo prima di impegnarti in nulla.
