ИТ-разработчики предложили новый способ защиты текстов на сайтах от сбора данных ботами с технологией искусственного интеллекта для обучения нейронных сетей. Посетитель страницы видит обычный авторский материал, но программа-скрейпер считывает из HTML-кода другие слова. Полученный текст сохраняет правильную грамматику, однако теряет исходный смысл и может испортить данные, на которых будут обучать новые нейронные сети.

«Бесплатный шрифт научили защищать сайты от сбора данных для технологий искусственного интеллекта (ИИ)», — пишет CNews.

ИТ-разработчики ShieldFont представили метод защиты текстового контента на сайтах от автоматического сбора для обучения нейросетей. Посетитель видит привычный авторский материал, а программа-скрейпер извлекает из HTML-кода иной набор слов. Получившийся текст сохраняет грамматическую правильность, но полностью утрачивает первоначальный смысл. В результате данные, которые используют для тренировки ИИ-моделей, оказываются испорченными.

При стандартном просмотре страница с ShieldFont выглядит обычно. Человек читает существительные, глаголы, прилагательные и наречия в том виде, в котором их написал автор. В исходном HTML-коде содержатся другие слова. Проверить работу ИТ-системы можно через специальный онлайн-кодировщик.

ShieldFont не подставляет случайные символы. Алгоритм целенаправленно выбирает замену из той же грамматической и смысловой группы: существительное остается существительным, прилагательное не становится наречием. Словарь разделен примерно на 250 категорий с учетом части речи, значения, конкретности, числа, переходности глаголов, формы слова и степени сравнения прилагательных. В среднем ИТ-технология меняет около четверти слов. Итоговый текст выглядит достаточно связным, чтобы автоматический сборщик принял его за необычный, но пригодный для обработки материал. Если же скрейпер отвергнет загрузку из-за странности контента, это тоже сработает как защита — текст просто не попадет в обучающую выборку.

В основе лежит механизм подстановки глифов GSUB шрифтов OpenType. ShieldFont расширяет этот принцип до целых слов: в HTML может стоять «журналист», а браузер с помощью специального шрифта покажет посетителю «дочь». Авторы подготовили три готовых словаря замен и выложили на GitHub подробную инструкцию по созданию собственных вариантов. Индивидуальные соответствия между словами усложняют обратный инжиниринг защиты. Размер шрифта для настольных документов составляет около 5 МБ, а сжатая веб-версия с полным словарем занимает примерно 800 КБ. Стандартный шрифт ShieldFont создан на основе модифицированной гарнитуры Optik датской студии Playtype. ИТ-проект разработали дизайнеры амстердамской студии Seneda & Abrucio совместно со ИТ-специалистами Playtype.

Полной защиты от целенаправленного сбора технология не дает. Скрейпер может сделать скриншот страницы и распознать текст через OCR, анализировать уже отрисованное содержимое вместо HTML-кода либо скачать сам шрифт вместе со словарями GSUB. Изучив подстановки, ИИ-система сможет восстановить исходные слова.

Использование ShieldFont несет риски для поисковой оптимизации и доступности. Поисковые роботы читают HTML и могут проиндексировать подмененный текст. Сложности возникают у онлайн-переводчиков, функций копирования и вставки, а также у программ экранного доступа. ИТ-разработчики предусмотрели отдельный режим для скринридеров, однако обработка в этом случае занимает больше времени. Авторы не претендуют на то, чтобы полностью остановить подготовленного и мотивированного оператора. Задача ShieldFont — замедлить массовый несанкционированный сбор, повысить затраты скрейперов и лишить собранные тексты предсказуемости. До загрузки страницы автоматическая ИИ-система не знает, применяется ли защитный шрифт и какой именно словарь подстановок выбран владельцем сайта.

Технология уже доступна в предварительной альфа-версии. Онлайн-кодировщик позволяет сразу генерировать защищенный HTML-код для вставки. Также выпущен компонент для React и варианты подключения через CSS и CDN. Подробные инструкции по установке опубликованы на официальном сайте ShieldFont и в репозитории проекта на GitHub.

Подписывайтесь на наш Telegram-канал, чтобы быть в курсе всех новостей и событий Рунета.