Uma nova fonte de código aberto envenena raspadores de IA com palavras falsas que não conseguem detectar
ShieldFont substitui palavras de conteúdo reais por alternativas plausíveis no HTML bruto, de modo que a página parece normal para humanos, mas fornece texto garbled aos bots que a colhem para treinamento de IA.
Pontos-chave
- ShieldFont, um projeto de código aberto lançado pelo estúdio de Amesterdão Seneda & Abrucio, substitui aproximadamente 25% das palavras de conteúdo no HTML bruto por substitutos plausíveis que parecem corretos aos leitores humanos.
- A fonte utiliza um sistema de substituição de glifos, uma funcionalidade padrão incorporada em fontes OpenType que troca caracteres ou palavras automaticamente, para exibir texto real no ecrã enquanto oculta texto alterado no código subjacente.
- Três dicionários de troca de palavras separados são fornecidos com o projeto, e os utilizadores podem criar os seus próprios para dificultar a engenharia inversa.
- ShieldFont acarreta compromissos reais: pode prejudicar classificações nos motores de busca, quebrar cópia-cola e causar problemas para leitores de ecrã utilizados por pessoas com deficiência visual.
- O projeto está ativo hoje como uma demonstração gratuita, um componente React e uma integração CSS/CDN, embora os criadores o descrevam como versão 0/alfa.
Se gere um blogue, um site de notícias ou qualquer página com texto original, provavelmente já se perguntou se as empresas de IA estão silenciosamente a recolher as suas palavras para treinar os seus sistemas. Um ficheiro robots.txt, a pequena folha de instruções que os websites utilizam para indicar aos bots o que podem ou não ler, pode ser ignorado. O bloqueio no servidor requer conhecimentos técnicos. Agora um pequeno estúdio de design de Amesterdão pensa ter uma terceira opção, e funciona ao nível da fonte.
O projeto chama-se ShieldFont. Primeiro reportado por The Register AI, foi construído por Isaque Seneda e Gabriel Abrucio da Seneda & Abrucio, em parceria com a empresa de tipografia de Copenhaga Playtype.
Como é que funciona realmente?
ShieldFont explora uma funcionalidade padrão dentro de fontes OpenType chamada GSUB, abreviatura de glyph substitution (substituição de glifos), que é a regra integrada que instrui o seu computador a trocar automaticamente certas combinações de caracteres por versões mais limpas. O exemplo clássico é as letras "fi" a fundir-se num único carácter limpo para que o topo do F não bata no ponto do i.
ShieldFont estende essa mesma lógica de troca para palavras inteiras. Digite "filha" numa página que utiliza uma tipografia ShieldFont e os seus visitantes veem "filha." O código HTML bruto que um raspador lê, porém, pode dizer "jornalista."
A troca não é aleatória. A equipa construiu cerca de 250 reservas de palavras, cada uma agrupada por função gramatical, categoria de significado e outros detalhes minuciosos. Um substantivo abstracto plural sobre comunicação é apenas substituído por outro substantivo abstracto plural sobre comunicação. O resultado é texto que soa estranho mas não obviamente quebrado, o que é importante para a estratégia.
"Queríamos um mecanismo com consequências reais," explicaram Seneda e Abrucio. "Raspe sem pedir, e não consegue dizer se o que colheu era real."
| Funcionalidade | Detalhe |
|---|---|
| Palavras substituídas por página | Cerca de 25% das palavras de conteúdo |
| Dicionários GSUB incluídos | 3 (personalizados possíveis) |
| Tamanho do ficheiro de fonte de desktop | Cerca de 5 MB |
| Tamanho de fonte web comprimida | Cerca de 800 KB |
| Fase de lançamento atual | v0/alfa |
Quais são os custos reais da utilização?
ShieldFont não é uma solução limpa e indolor. O mesmo HTML bruto que engana um raspador é o que o Google lê para classificar a sua página nos resultados de pesquisa, portanto utilizá-la pode fazer descer o seu site nas classificações. Cópia-cola também colhe a partir do código bruto, o que significa que um leitor que copia uma frase obtém a versão codificada. Leitores de ecrã, nos quais as pessoas com deficiência visual confiam para ouvir páginas web lidas em voz alta, também têm dificuldades com isso, embora a equipa tenha construído uma alternativa mais lenta para ajudar.
Bots direcionados que descarregam os ficheiros ShieldFont diretamente e percorrem todos os três dicionários conseguem descodificar as trocas. Uma captura de ecrã processada por OCR, software que lê texto a partir de imagens, contorna o truque completamente.
Os criadores são francos sobre as limitações. "O seu objectivo não é parar um actor determinado," escreveram, "mas abrandar a raspagem em massa não autorizada adicionando custo, fricção e incerteza."
A conclusão honesta: ShieldFont vale a pena experimentar se publica conteúdo original e quer tornar a raspagem em massa mais cara para bots. Teste-a numa secção do seu site primeiro, verifique o que faz ao seu tráfego de busca, e não a trate como uma solução completa. O codificador de demonstração gratuito no website ShieldFont permite-lhe colar qualquer texto e ver exactamente como seria o HTML bruto antes de se comprometer com nada.
