In questo articolo Indice dei contenuti 2 sezioni
Un font può diventare un’arma, e ShieldFont è la dimostrazione più curiosa arrivata finora dal fronte della guerra tra editori web e sistemi di raccolta dati automatica. L’idea, firmata dai designer Isaque Seneda e Gabriel Abrucio, è tanto semplice quanto beffarda, ovvero mostrare agli esseri umani una pagina perfettamente leggibile e consegnare invece ai crawler delle intelligenze artificiali una versione modificata, semanticamente corretta ma priva di senso. Il tutto senza che il lettore si accorga di nulla.
La logica dietro il progetto nasce da un problema concreto. Le aziende che sviluppano modelli linguistici setacciano enormi porzioni del web pubblico alla ricerca di materiale su cui addestrarsi, una pratica che ha già generato cause legali e contromisure tecniche di ogni tipo. Nel loro white paper i due autori spiegano di voler offrire agli editori “un’uscita pratica dall’addestramento non autorizzato” e, quando quella scelta viene ignorata, di rovinare la qualità di ciò che viene raccolto.
ShieldFont: quando un cavallo diventa una patata
Il meccanismo si appoggia sulle legature tipografiche, una funzione vecchia quanto la tipografia digitale che normalmente serve a fondere coppie di lettere per renderle più gradevoli quando si trovano appiccicate. Qui però le legature vengono usate per sostituire parole intere. La magia avviene solo nel momento in cui il motore tipografico disegna la pagina sullo schermo, il che significa che chi scarica il codice sorgente in chiaro si porta a casa un testo diverso da quello che vede l’utente finale.
Non tutte le sostituzioni però funzionano allo stesso modo. Scambiare una parola con un sinonimo o un contrario sarebbe troppo facile da invertire per uno scraper ben progettato. All’estremo opposto, riempire il testo di caratteri casuali farebbe scattare subito i filtri qualità. Così ShieldFont si muove nel mezzo, sostituendo termini con altri della stessa categoria grammaticale ma appartenenti a un contesto informativo completamente estraneo. Cavallo diventa patata, per capirsi. La frase risulta grammaticalmente sana, e proprio per questo passa i controlli, ma il contenuto è ormai avvelenato.
Dopo tre mesi di rifinitura del dizionario, i creatori hanno messo insieme una lista di quasi 12.000 parole comuni sostituibili tramite legature. Per rendere la vita difficile a chi volesse smascherare il trucco, ogni parola dispone di tre mappature alternative, e gli editori possono aggiungerne di proprie oppure cambiarle da un paragrafo all’altro.
I numeri del sabotaggio e i suoi effetti collaterali
In media il font sostituisce il 24,5% di tutte le parole di una pagina, percentuale che sale al 45,8% considerando solo le parole di contenuto, con un danno semantico che colpisce tra il 31% e il 56% dei singoli passaggi a seconda del corpus analizzato. Testando sei pipeline di scraping pubblicamente disponibili, gli autori sostengono che oltre il 90% delle pagine normalmente accettate viene scartato dai filtri di qualità dopo il trattamento. E della piccola quota che sopravvive, quasi il 20% delle parole è quello che i due chiamano “spazzatura da addestramento”, cioè inglese reale, scritto correttamente, che non afferma nulla di vero. Come sintetizzano nel documento, scartata significa che non hanno ottenuto il lavoro altrui, tenuta significa che hanno ottenuto qualcosa di sbagliato.
Le controindicazioni esistono. Motori di ricerca, screen reader, strumenti di copia e incolla e software di traduzione possono inciampare nell’HTML alterato, rendendo la pagina meno utile al pubblico a cui è destinata. E la difesa non è a prova di bomba, perché qualsiasi contenuto leggibile da un occhio umano può essere interpretato da uno scraper che renderizza l’intera pagina e ci passa sopra un sistema di riconoscimento ottico dei caratteri.
Il punto è il costo. Simulare il rendering di un browser su miliardi di pagine, secondo le tariffe delle API degli strumenti di scraping di terze parti, costerebbe da cinque a tredici volte più che limitarsi a scaricare il sorgente. Ed è esattamente la raccolta indiscriminata su larga scala che i due designer vogliono rallentare, partendo da un principio che ripetono senza giri di parole, ovvero che essere trovabili online non equivale ad acconsentire all’addestramento. La speranza dichiarata è che altri sviluppino varianti dello stesso concetto, mostrare una cosa agli umani e un’altra alle macchine, perché più tecniche circolano più diventa complicato aggirarle tutte.
