Fuentes contra scrapers: una tipografía para confundir a la IA

⏱ Tiempo de lectura: 4 min

Dos diseñadores presentaron ShieldFont, una tipografía que muestra contenido legible a los usuarios pero transmite texto alterado a los scraper de IA. La herramienta busca proteger a creadores de contenido del entrenamiento no autorizado de modelos de lenguaje, usando ligaduras tipográficas para reemplazar palabras con otras semánticamente válidas pero sin relación contextual.

Cómo ShieldFont confunde a los scrapers sin afectar a los lectores

El sistema aprovecha las ligaduras, una característica tradicional de fuentes tipográficas que reemplaza pares de letras específicas con versiones más legibles. ShieldFont invierte este mecanismo: cuando la fuente se renderiza en pantalla, reemplaza palabras completas con otras que mantienen la misma parte del discurso pero pertenecen a contextos completamente distintos. Por ejemplo, la palabra "caballo" se sustituye por "papa". Los scrapers que descargan solo código HTML plano reciben la versión alterada, mientras que los usuarios ven el contenido original intacto. Este reemplazo ocurre únicamente durante la representación visual, sin modificar el código fuente que ven los bots.

Datos técnicos y resultados de pruebas

Los creadores, Isaque Seneda y Gabriel Abrucio, refinaron un diccionario de sustituciones durante tres meses que alcanzó casi 12.000 palabras comunes remplazables mediante ligaduras. El sistema permite a los editores elegir entre tres asignaciones diferentes para cada palabra y cambiar las asignaciones de párrafo a párrafo, aumentando la complejidad de detección. En promedio, ShieldFont reemplaza 24,5 por ciento de todas las palabras en una página, incluyendo 45,8 por ciento de las "palabras de contenido", afectando entre 31 y 56 por ciento del significado de pasajes individuales según el corpus estudiado. En pruebas sobre seis pipelines de scraper disponibles públicamente, más del 90 por ciento de páginas que serían aceptadas normalmente fueron rechazadas por el filtro de calidad después de aplicar ShieldFont. Del pequeño subconjunto que pasó los filtros, cerca del 20 por ciento de palabras son lo que los autores llaman "basura de tiempo de entrenamiento": inglés real y correctamente deletreado que no afirma nada verdadero. Consulta más sobre ética en IA.

Limitaciones y costo de adaptación para los scrapers

ShieldFont no es impenetrable. Cualquier página legible por humanos podría interpretarse correctamente por una herramienta de scraping que renderice la página completa y aplique reconocimiento óptico de caracteres (OCR) sobre una imagen del resultado. Sin embargo, ese proceso requeriría significativamente más trabajo que descargar código HTML plano. Según datos de costos de APIs de herramientas de scraping de terceros, el pre-renderizado costaría entre cinco y trece veces más que scraping simple de HTML, multiplicando dramáticamente el tiempo y gasto para scrapers operando a escala masiva. Los creadores aclaran que buscan ralentizar o prevenir el scraping indiscriminado y a gran escala. Fuente original: arstechnica.com.

Aspecto	Detalle
Creadores	Isaque Seneda y Gabriel Abrucio
Nombre del proyecto	ShieldFont
Mecanismo	Ligaduras tipográficas que reemplazan palabras en HTML sin afectar renderizado visual
Diccionario de palabras	Aproximadamente 12.000 palabras comunes remplazables
Porcentaje de palabras alteradas (promedio)	24,5% de todas las palabras; 45,8% de palabras de contenido
Impacto en significado	Afecta entre 31% y 56% del significado de pasajes individuales
Rechazo por filtros de calidad (prueba)	Más del 90% de páginas aceptables normalmente fueron rechazadas
Efectividad en páginas aceptadas	Aproximadamente 20% de palabras son "basura de entrenamiento" sin sentido
Costo relativo del OCR/renderizado	Entre 5 y 13 veces más costoso que scraping HTML simple
Limitaciones conocidas	Pueden afectar buscadores, lectores de pantalla, copiar/pegar y traducción; vulnerable a OCR si se implementa

Preguntas frecuentes sobre ShieldFont

¿Cómo afecta ShieldFont a la experiencia del usuario normal?

Los lectores ven el contenido original sin cambios porque la sustitución ocurre únicamente en el HTML subyacente durante la descarga del bot. Sin embargo, buscadores, lectores de pantalla para accesibilidad, herramientas de copiar/pegar y software de traducción pueden experimentar problemas al procesar la página alterada.

¿Es ShieldFont una solución definitiva contra scrapers?

No es infalible. Un scraper sofisticado que renderice la página completa y use OCR podría eludir la protección, aunque ese enfoque es significativamente más caro y lento que el scraping convencional de HTML.

¿Cuál es el propósito principal según los creadores?

Los autores afirman que buscan "hacer que la extracción no autorizada sea menos útil y más costosa" y enfatizan que "ser descubrible no significa consentir el entrenamiento de IA". Esperan que otros desarrolladores creen implementaciones alternativas para multiplicar los métodos de defensa en la web.

El contexto detrás de la herramienta

ShieldFont emerge en un contexto donde empresas de IA enfrentan demandas por scraping masivo de contenido web sin consentimiento. La herramienta representa un enfoque técnico de "consentimiento a nivel de fuente", permitiendo a creadores optar por no participar en el entrenamiento de modelos de lenguaje. Su efectividad dependerá de cuántos sitios la adopten y cuán rápido se adapten los scrapers a nuevas defensas.

En Inteligencia Artificial creemos que iniciativas técnicas como ShieldFont refuerzan el debate fundamental sobre propiedad de contenido y consentimiento informado en la era del entrenamiento masivo de IA. ¿Debería la responsabilidad recaer más en creadores o en reguladores?

Fuente: arstechnica.com