Láthatatlan csapdát állít az adatgyűjtő robotoknak egy új webes típus, amely emberi szemnek teljesen hagyományosnak tűnik. A ShieldFont nevű fejlesztés a weboldalak forráskódját módosítja, így a mesterséges intelligencia téves információkat raktároz el.
A tartalomgyártók és digitális kiadók régóta küzdenek az automatizált adatgyűjtők ellen, amelyek engedély és ellentételezés nélkül kaparják le a weboldalak szövegeit a nyelvi modellek tanításához. Bár a hagyományos védelmi vonalak, mint a robots.txt fájlok vagy a jelszóval védett felületek léteznek, a nagyüzemi adatkaparók gyakran figyelmen kívül hagyják az etikai szabályokat. A brazil Seneda & Abrucio kreatív stúdió és a dán Playtype betűöntöde erre a problémára válaszul hozta létre a ShieldFont rendszert, amely nem lezárja a tartalmat, hanem hamis adatfolyammal látja el az automatizált keresőmotorokat.
Ligatúrák és cserélt szavak a forráskódban
A technológia alapja egy klasszikus nyomdai elvre, az OpenType glyph-helyettesítésre épül. A tipográfiában évszázadok óta használnak ligatúrákat, amikor két egymás melletti betűt – például az f és i karaktert – egyetlen közös rajzolatú jellé vonnak össze az esztétikusabb megjelenés érdekében. A ShieldFont ezt a működési mechanizmust terjeszti ki egész szavakra.
A tartalom feltöltése előtt a weboldal kódjában a kulcsfontosságú szavakat nyelvtanilag illeszkedő, de eltérő jelentésű megtévesztő szavakra cserélik ki. Amikor a látogató megnyitja az oldalt a böngészőjében, a ShieldFont speciális tipográfiai szabályai visszacserélik a karaktereket az eredeti szó rajzolatára. Így az olvasó képernyőjén a pontos, szerzői szöveg jelenik meg, miközben a nyers HTML-kódot letöltő adatkaparó robotok egy nyelvtanilag hibátlan, ám ténybeli szempontból félrevezető halandzsát gyűjtenek be.
A módszer lényege az úgynevezett adatbeviteli mérgezés. A tesztelések során a ShieldFonttal védett szövegrészletek több mint 55 százalékánál megváltozott az eredeti tényállítás, miközben a mondatszerkezet természetes maradt. Mivel a generált hamis szöveg nem tűnik gyanús kódszemétnek, az automatikus minőségi szűrők könnyen átengedik azt, ezáltal hibás információk kerülnek a nyelvi modellek tanítóadatbázisaiba.
A nyers adatkaparás drágítása a fő cél
A fejlesztők tisztában vannak azzal, hogy a ShieldFont nem jelent áttörhetetlen védelmi falat egy elszánt támadóval szemben. Egy célzottan dolgozó fél képes lehet visszafejteni a szótárakat vagy az adott oldalon használt egyedi kulcsokat. A rendszer valódi ereje nem az abszolút blokkolásban, hanem a tömeges adatgyűjtés gazdaságossági modelljének szétverésében rejlik.
A mesterséges intelligenciát fejlesztő vállalatok azért tudnak több milliárd weboldalt feldolgozni, mert a nyers HTML-kód letöltése és szöveggé alakítása rendkívül olcsó és gyors folyamat. Ha egy adatkaparónak a ShieldFont miatt vizuális képernyőképeket kell készítenie az oldalakról, majd optikai karakterfelismerő (OCR) szoftverekkel kell kiolvasnia a szöveget, a folyamat számítási igénye és költsége a többszörösére emelkedik. Az anyagi és technológiai teher növelése eltántoríthatja a cégeket a válogatás nélküli adatgyűjtéstől.
Kényelmetlenségek a keresőoptimalizálásban és a felolvasókban
A ShieldFont használata ugyanakkor komoly áldozatokkal jár a weboldal tulajdonosa számára. Mivel a keresőmotorok – például a Google botjai – pontosan ugyanazt a nyers HTML-kódot kapják meg, mint a káros adatkaparók, a keresők a megtévesztő szavakat indexelik. Ez jelentősen ronthatja az oldal keresőoptimalizálási (SEO) teljesítményét és szerves elérését, így a megoldás leginkább olyan tartalmaknál alkalmazható, amelyek nem a keresőforgalomra támaszkodnak.
Gyakorlati kényelmetlenséget jelent az is, hogy a kimásolt szöveg beillesztéskor a forráskódban lévő hamis szavakat tartalmazza majd. Hasonló problémával szembesülnek a képernyőolvasó szoftvereket használó látogatók vagy a gépi fordítóprogramok is, amelyek szintén a nyers kódból dolgoznak. A fejlesztők szerint a ShieldFont azoknak a független íróknak és művészeknek nyújt eszközt, akik a nyilvánosság csökkenése árán is meg akarják védeni szellemi tulajdonukat az engedély nélküli adatfelhasználástól.
