Uma nova fonte de código aberto envenena raspadores de IA com palavras falsas que não conseguem detetar
ShieldFont substitui palavras de conteúdo real por alternativas plausíveis no HTML bruto, de modo que a página parece normal aos humanos, mas fornece texto distorcido aos bots que a recolhem para treino de IA.
Pontos-chave
- ShieldFont, um projeto de código aberto do estúdio de Amesterdão Seneda & Abrucio, substitui aproximadamente um quarto 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 integrada em fontes OpenType que troca caracteres ou palavras automaticamente, exibindo texto real no ecrã enquanto oculta texto alterado no código subjacente.
- Três dicionários de troca de palavras distintos acompanham o projeto, e os utilizadores podem criar os seus próprios para dificultar a engenharia inversa.
- ShieldFont tem custos reais: pode prejudicar o posicionamento em motores de busca, quebrar cópia-cola e causar problemas para leitores de ecrã utilizados por pessoas com deficiência visual.
- O projeto está disponível hoje como demonstração gratuita, componente React e integração CSS/CDN, embora os criadores o descrevam como versão 0/alfa.
Se publica escritos originais online, provavelmente já se perguntou se as empresas de IA estão silenciosamente a recolher as suas palavras para dados de treino. Um ficheiro robots.txt pode ser ignorado. O bloqueio do lado do servidor requer competências técnicas reais. Agora um pequeno estúdio de design de Amesterdão acredita que tem uma terceira opção, e funciona ao nível da fonte. Abordámos o tema de bloqueio de raspadores quando Patreon mudou de pedidos educados para execução ativa em 17 de julho; ShieldFont adota um ângulo completamente diferente.
O projeto chama-se ShieldFont. Inicialmente 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), a regra integrada que diz ao seu computador para trocar automaticamente certas combinações de caracteres por versões mais limpas. O exemplo clássico é as letras "fi" fundirem-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. Escreva "filha" numa página usando tipografia ShieldFont e os seus visitantes veem "filha." O HTML bruto que um raspador lê, porém, pode dizer "jornalista."
A troca não é aleatória. A equipa construiu cerca de 250 agrupamentos de palavras, cada um agrupado por categoria de parte do discurso e sentido. Um substantivo abstrato plural sobre comunicação é sempre substituído apenas por outro substantivo abstrato plural sobre comunicação. O resultado é texto que soa estranho, mas não obviamente quebrado, o que importa para a estratégia: o objetivo não é rejeição, mas ingestão de dados ruins.
"Queríamos um mecanismo com consequências reais," explicaram Seneda e Abrucio. "Raspe sem pedir, e não consegue saber se o que tirou era real."
| Funcionalidade | Detalhe |
|---|---|
| Palavras substituídas por página | Aproximadamente um quarto das palavras de conteúdo |
| Dicionários GSUB inclusos | 3 (dicionários personalizados possíveis) |
| Tamanho do ficheiro de fonte para 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. O mesmo HTML bruto que engana um raspador é o que o Google lê para classificar a sua página, portanto utilizá-lo pode empurrar o seu site para baixo no posicionamento. Cópia-cola também extrai do código bruto, o que significa que um leitor que copia uma frase obtém a versão distorcida. Leitores de ecrã, em que as pessoas com deficiência visual confiam para ouvir páginas web lidas em voz alta, também têm dificuldades com este, embora a equipa tenha incorporado um retorno mais lento para ajudar.
Bots direcionados que transferem diretamente ficheiros ShieldFont e percorrem todos os três dicionários podem descodificar as trocas. Uma captura de ecrã processada através de OCR, software que lê texto de imagens, contorna o truque completamente.
Os criadores são abertos sobre os limites. "O seu propósito não é deter um ator determinado," escreveram, "mas abrandar raspagem em massa não autorizada ao adicionar custo e incerteza."
Veredicto honesto: ShieldFont vale a pena uma experiência cuidadosa se publica conteúdo original e quer que a raspagem em massa custe mais aos bots. Teste-o numa secção do seu site primeiro e observe o que acontece com o tráfego de busca. O codificador de demonstração gratuito no website ShieldFont permite-lhe colar qualquer texto e ver exatamente como seria o HTML bruto antes de se comprometer.
