Ten font zamienia strony internetowe w bełkot dla botów AI

👁 128 przeczytań

Dwóch projektantów - Isaque Seneda i Gabriel Abrucio - opublikowało white paper opisujący ShieldFont, narzędzie które ma utrudniać scrapowanie stron internetowych przez systemy zbierające dane treningowe dla modeli AI. Font jest już dostępny i ma dać wydawcom możliwość obrony własnych treści bez wyłączania ich dla zwykłych użytkowników.

Mechanizm opiera się na ligaturach - funkcji typograficznej obecnej w fontach od dziesiątek lat, pierwotnie służącej do ładniejszego łączenia sąsiadujących liter. ShieldFont wykorzystuje ją do czegoś innego: zamiany całych słów na inne. Kluczowe jest to, że zamiana następuje wyłącznie na etapie renderowania strony w przeglądarce. Bot, który pobiera surowy kod HTML, dostaje przekręconą wersję - użytkownik czytający stronę nie widzi żadnej różnicy.

Koń zamiast ziemniaka - i odwrotnie

Najprostszym rozwiązaniem byłoby zamienianie słów na synonimy lub antonimy, ale autorzy odrzucili ten pomysł - sprytny scraper mógłby taką zamianę łatwo odwrócić. Zamiana na losowy bełkot z kolei łatwo wypadałaby z filtrów jakości. ShieldFont idzie środkiem: podmienia słowa na inne należące do tej samej części mowy, ale z zupełnie innego kontekstu znaczeniowego. Przykład z white papera: słowo ,,koń” zostaje zastąpione przez ,,ziemniak”. Zdanie wygląda poprawnie gramatycznie, ale jest semantycznie bez sensu.

Słownik podmiany powstawał przez trzy miesiące i zawiera blisko 12 000 popularnych słów. Każde z nich ma trzy różne możliwe zamienniki, a wydawca może też zdefiniować własne mapowania i zmieniać je akapit po akapicie - co utrudnia botom wykrycie regularności. Na stronie objętej fontem podmieniane jest średnio 24,5% wszystkich słów, w tym 45,8% tzw. słów treściowych. Oznacza to, że od 31 do 56 procent fragmentów tekstu traci swój pierwotny sens, zależnie od badanego korpusu.

W testach na sześciu publicznie dostępnych pipeline’ach scrapujących ponad 90% stron, które normalnie przeszłyby przez filtr jakości, po zastosowaniu ShieldFonta zostawało odrzucanych. W tej niewielkiej grupie stron, które mimo wszystko przedostawały się dalej, prawie 20% słów składowych było tym, co autorzy określają jako ,,zatrute” - zdolne do skażenia zbioru danych treningowych.

Walka wydawców z niechcianym scrapowaniem toczy się już na wielu frontach - od pozwów sądowych po techniczne blokady w plikach robots.txt. ShieldFont proponuje inną strategię: zamiast zatrzaskiwać drzwi, wpuszczać boty do środka, ale karmić je śmieciowym jedzeniem.

// czytaj dalejOd piosenki do cyfrowego pospolitego ruszenia. Jak kultura internetu zamieniła się w realne pieniądzePremiumMeta zamienia Facebooka w wyszukiwarkę odpowiedzi. Zasilaną tym, co napisali inniNewsyNiemiecki sąd właśnie powiedział Google’owi: za halucynacje AI odpowiadasz ty, nie internetNewsy