Nový font mate AI scr scrapers: lidem ukáže text, robotům jeho nesmyslnou verzi
Font ShieldFont má webům pomoci ztížit hromadné stahování obsahu pro trénování umělé inteligence. Člověk stránku přečte normálně, zatímco program získá z HTML text s pozměněným významem.
Slova, která se mění až na obrazovce
ShieldFont vytvořili designéři Isaque Seneda a Gabriel Abrucio jako technickou možnost, jak se bránit neoprávněnému využívání webového obsahu. Jejich řešení využívá ligatury – funkci známou z typografie, která obvykle spojuje některé dvojice písmen do lépe čitelného znaku.
V tomto případě však ligatury nespojují písmena, ale nahrazují celá slova jinými výrazy. Změna se provede až při vykreslení stránky v prohlížeči. Uživatel proto vidí původní text, zatímco program, který pouze stáhne zdrojový HTML kód, narazí na pozměněnou verzi.
Kůň se změní v bramboru
Autoři se nesnaží nahrazovat slova běžnými synonymy nebo antonymy. Takové změny by mohl chytrý scraper snadno odhalit a zpětně opravit. Zároveň by náhodný nesmysl mohl systémy pro stahování obsahu upozornit, že stránka používá ochranu.
ShieldFont proto vyměňuje slova za výrazy se stejným slovním druhem, ale zcela jiným významovým kontextem. Slovo „horse“ se například změní na „potato“. Výsledná věta může vypadat gramaticky správně, její informační obsah je ale převrácený. Autoři tak chtějí, aby vadný text buď neprošel kontrolou kvality, nebo se dostal do trénovacích dat v chybné podobě.
Výsledky testů a rozsah ochrany
Po třech měsících úprav obsahuje slovník ShieldFontu téměř 12 000 běžných slov, která lze tímto způsobem nahradit. Vydavatelé si mohou pro jednotlivé výměny vybrat ze tří možných mapování a vytvářet vlastní kombinace, případně je měnit mezi odstavci. To má ztížit rozpoznání pravidel, podle kterých se text mění.
V průměru font nahradí 24,5 procenta všech slov na stránce a 45,8 procenta obsahových slov. Význam je podle autorů narušen u 31 až 56 procent jednotlivých pasáží, podle použitého korpusu. Při testování na šesti veřejně dostupných scraperových pipelinech po použití ShieldFontu odmítly kontrolní filtry kvality více než 90 procent stránek, které by jinak přijaly.
Ochrana má i slabiny
Řešení však může zkomplikovat používání stránky lidem. Pozměněný HTML kód může zmást vyhledávače, čtečky obrazovky, nástroje pro kopírování a vkládání i překladače. ShieldFont navíc není neproniknutelný: scraper může stránku vykreslit jako běžný prohlížeč a pomocí optického rozpoznávání znaků přečíst to, co vidí člověk.
Takový postup je ale podle autorů výrazně nákladnější. U služeb třetích stran může předchozí vykreslení stránky stát pětkrát až třináctkrát více než prosté stažení HTML. Smyslem proto není zastavit každý možný způsob získávání obsahu, ale zdražit a zpomalit masové automatické stahování. Tvůrci to shrnují zásadou: „Being discoverable does not mean consenting to AI training.“