Osmišljen je font koji štiti tekstove od "scrapinga" i strojne krađe
Inovativni open-source projekt ShieldFont koristi tipografske ligature kako bi zamijenio riječi u izvornom kodu i onemogućio AI modele u besplatnom korištenju pisanog sadržaja s Interneta
Razvoj jezičnih modela od svojih se početaka temelji na prikupljanju golemih količina tekstualnih podataka s Interneta (ili skeniranjem knjiga), često bez dopuštenja izdavača i bez plaćanja naknada autorima. Kako bi stala na kraj tom problemu, dvojica kreativaca predstavila su projekt ShieldFont – koji izdavačima omogućuje praktičan način isključivanja iz postupaka neovlaštenog treniranja modela na svojem sadržaju.
Ljudi vide jedno, botovi drugo
Sustav funkcionira tako što u izvornom kodu internetskih stranica zamjenjuje dio riječi, dok ih njihovo tipografsko rješenje istodobno ispravno prikazuje krajnjim korisnicima. Ovaj se mehanizam oslanja na standardne tipografske ligature, tj. način spajanja znakova koji digitalni fontovi već desetljećima koriste za estetsko prilagođavanje slova zamjenom određenih znakova spojenima, no ovdje sustav ima novu primjenu.
U ovom slučaju tablica zamjene obuhvaća cijele riječi umjesto parova slova, što dovodi do toga da automatizirani sustavi za prikupljanje podataka preuzimaju izmijenjen i netočan tekst. Ljudski čitatelji, pak, vide izvorni rad u izvornom obliku, dok masovni "scraperi" skupljaju kompromitirane podatke i tako unose šum u skupove za učenje i treniranje modela – pa im se "pročitani" tekst napisan ovim fontom pokazuje kao beskoristan.
Pozitivne i negativne strane
Testiranja su pokazala da primjena ovakve zaštite funkcionira kod više od devedeset posto stranica, onih koje bi inače prošle standardne filtre kvalitete, pa ih se automatski uklanja iz setova podataka za treniranje modela. Kod preostalih stranica gotovo petina riječi nosi pogrešno značenje, čime se narušava pouzdanost materijala prikupljenih za strojno učenje.
Autorima ShieldFonta cilj je ponuditi alat koji uskraćuje besplatne ulazne podatke velikim tehnološkim sustavima. Ipak, primjena ove tehnologije donosi i određena ograničenja u praksi.
Internetske tražilice također čitaju izvorni kod pa mogu indeksirati zamijenjeni (tj. nesuvisao) tekst, a isto tako alati za prevođenje i automatsko čitanje sadržaja mogu naići na određene prepreke. Iako se fotografiranjem ekrana ili ciljanim prilagodbama ova zaštita može zaobići, cilj projekta nije sprječavanje pojedinačnih slučajeva "scrapinga", već stvaranje troškova masovnim sustavima za automatsko prikupljanje sadržaja, kako bi oni na vrijeme odustali od prikupljanja tako napisanog sadržaja.
