Новый шрифт показывает людям нормальный текст, а ИИ-скрейперам — его искажённую версию и синтаксический мусор

ShieldFont заменяет слова в HTML на другие по смыслу, но сохраняет их читаемыми на экране

Дизайнеры Исаке Сенеда (Isaque Seneda) и Габриэль Абручи (Gabriel Abruci) разработали ShieldFont — шрифт, который должен мешать ИИ-компаниям собирать содержимое сайтов для обучения моделей, не делая страницы нечитаемыми для людей. При обычном просмотре пользователь видит исходный текст, но в загружаемом HTML слова подменяются другими. В результате скрейпер получает осмысленно выглядящий, но фактически искажённый текст, тогда как браузер отображает оригинал.

Механизм основан на лигатурах — функции шрифтов, которая обычно объединяет определённые сочетания букв в более удобные для чтения символы. ShieldFont использует их иначе: вместо отдельных буквенных сочетаний он подменяет целые слова уже на этапе отображения страницы. Например, слово «лошадь» может быть заменено на «картофель»: оба слова существуют и грамматически подходят к предложению, но передают совершенно разную информацию. Такой подход должен затруднить автоматическое восстановление исходного текста по простым правилам замены синонимов или выявление искажений как бессмысленного мусора.

За 3 месяца авторы подготовили словарь почти из 12 000 часто используемых слов. В среднем ShieldFont заменяет 24,5% всех слов на странице и 45,8% содержательных слов; в зависимости от набора текстов это искажает смысл от 31% до 56% отдельных фрагментов.

В испытаниях на 6 общедоступных системах скрейпинга более 90% страниц, которые без ShieldFont проходили проверку качества, после подмены слов были отброшены. Среди небольшого числа страниц, которые всё же принимались, почти 20% слов авторы назвали «мусором для обучения»: это настоящие, правильно написанные английские слова, которые вместе формируют утверждения, не соответствующие исходной информации.

Защита не является полной: если скрейпер сначала визуально отрисует страницу в браузере, а затем распознает изображение с помощью OCR (оптического распознавания символов), то он сможет получить исходный текст. Однако такая обработка, по оценке авторов ShieldFont, обходится в 5–13 раз дороже обычного скачивания HTML и требует значительно больше вычислительных ресурсов.

У технологии есть и обратная сторона: изменённый HTML может мешать поисковикам, программам экранного доступа, копированию текста и автоматическому переводу. Поэтому ShieldFont прежде всего рассчитан на замедление массового автоматического сбора веб-страниц, а не на абсолютную блокировку доступа ИИ к их содержимому.