Sécurité de l’IA générative et protection contre l’extraction non autorisée de contenu

Jim Downey

Imaginez que vous soyez un expert qui gagne sa vie en vendant des informations : les gens paient pour vous poser des questions. Soudain, une machine aspire l’expertise contenue dans votre esprit, apprend à répondre aux questions plus vite que vous et vous prive de votre gagne-pain. Avec l’essor de l’IA générative, les entreprises dont le modèle économique repose sur le contenu sont confrontées précisément à ce dilemme.

Nous ne savons peut-être pas où l’IA générative nous mènera, mais il est clair qu’elle va transformer notre façon de consommer les contenus et, ce faisant, bouleverser les entreprises qui dépendent de leur diffusion, tout comme Internet a transformé notre manière de consommer l’actualité et les divertissements, portant un coup fatal à de nombreux médias traditionnels.

Les bouleversements liés à l’IA générative toucheront les entreprises qui vendent du contenu, notamment dans les secteurs des médias, de l’information et des photos de stock, ainsi que celles qui s’appuient sur le contenu pour attirer les internautes vers des publicités payantes. Ils affecteront également les entreprises qui cherchent à attirer des prospects afin de promouvoir des produits et services, de renforcer leur image de marque et leurs relations clients, ou d’inciter les clients à passer à l’action.

Si l’exploration de contenus à des fins de recherche remonte aux débuts du Web, les applications fondées sur des LLM, comme ChatGPT, fonctionnent de manière fondamentalement différente. Les moteurs de recherche fournissent des résumés accompagnés de liens vers les contenus d’origine, auxquels ils apportent de la valeur en facilitant leur découverte. À l’inverse, les applications conversationnelles alimentées par des LLM ne proposent pas nécessairement de liens vers les contenus d’origine ; elles incitent plutôt les utilisateurs à rester dans la conversation et à approfondir le sujet au moyen de requêtes supplémentaires, privant ainsi l’entreprise à l’origine du contenu de toute la valeur qu’il génère.

Les organisations ne peuvent pas se fier uniquement au fichier robots.txt, qui leur permet de définir le périmètre d’action des robots d’exploration, car les organisations qui explorent des contenus pour entraîner des LLM ne respecteront pas toutes le fichier robots.txt. La question de savoir si les LLM se contentent de copier et de reproduire du contenu ou s’ils en synthétisent à la manière de tout créateur fait débat. L’importance du droit d’auteur dans l’exploration de contenus par les LLM est actuellement examinée par les tribunaux. Il est difficile de prévoir comment les lois et les normes évolueront, mais les organisations devraient dès maintenant réfléchir à la manière de protéger les contenus dont dépend leur activité.

Le scraping peut être limité, bien que cela ne soit pas facile. En réalité, le problème n’est pas nouveau. Les scrapers cherchent depuis longtemps à recueillir des données concurrentielles sur les compagnies aériennes, les chaînes de magasins et les hôtels en collectant les tarifs et les prix. Non seulement ces entreprises veulent éviter la perte de données concurrentielles, mais la charge de trafic générée par les scrapers — en particulier ceux qui recherchent les données les plus récentes — peut, dans certains cas, représenter jusqu’à 98 % de l’ensemble du trafic d’un site, ce qui nuit aux performances et peut même provoquer son indisponibilité.

Les extracteurs de données utilisent des bots pour automatiser la collecte de données. Malheureusement, les mécanismes traditionnels de lutte contre les bots, tels que les CAPTCHA et les listes de blocage d’adresses IP, sont inefficaces contre les bots d’extraction. Le scraping étant généralement considéré comme légal, de nombreux services en ligne permettent de contourner les CAPTCHA. Grâce à l’apprentissage automatique ou à des fermes à clics pour résoudre les CAPTCHA, ces services sont rapides et peu coûteux, et bien plus efficaces que la plupart d’entre nous pour venir à bout de ces casse-têtes agaçants. La solution de remplacement la plus simple aux CAPTCHA, à savoir les listes de blocage d’adresses IP, est elle aussi inefficace en raison des services proposés aux extracteurs de données. Ces services leur permettent d’envoyer leurs requêtes via des dizaines de millions d’adresses IP résidentielles — un nombre si élevé et en constante augmentation que la gestion de listes de blocage est totalement irréalisable.

Même de nombreuses solutions spécialisées de gestion des bots peinent à lutter contre le scraping, car elles reposent sur des instruments de collecte de signaux. La connexion en est un exemple classique. Le navigateur envoie d’abord une requête HTTP GET afin de récupérer une page web contenant un formulaire de connexion. Sur cette page, JavaScript s’exécute en arrière-plan et recueille des données sur le navigateur, ainsi que sur les habitudes de frappe et les mouvements de souris de l’utilisateur. Lorsque l’utilisateur envoie ses identifiants, JavaScript insère les données de signal dans la requête HTTP POST, que la solution de gestion des bots, agissant comme un proxy inverse, intercepte et analyse afin de déterminer si l’agent à l’origine de la requête est un bot.

Cependant, de nombreux sites de contenu ne nécessitent pas de combiner des requêtes GET et POST pour accéder à leur contenu, qu’il s’agisse d’articles de blog, d’actualités ou de tarifs. Une seule requête HTTP GET suffit à renvoyer tout ce que le scraper recherche, ce qui exclut toute possibilité de recourir à l’instrumentation.

Nous savons que de nombreuses solutions de gestion des bots ne parviennent pas à empêcher le scraping, car il existe plusieurs services qui permettent d’accéder facilement, via une API, aux contenus à extraire. ZenRows, par exemple, répertorie les fournisseurs de solutions anti-bots qu’il peut contourner.

Heureusement, F5 Distributed Cloud Bot Defense résout ce problème grâce à une technique appelée page interstitielle : une page qui se charge rapidement, collecte rapidement des données, puis charge le contenu de la page demandée. Après plusieurs années passées à protéger les plus grandes compagnies aériennes et enseignes de distribution contre le scraping, F5 a perfectionné cette technique pour la rendre rapide, efficace et performante. La page interstitielle ne s’exécute qu’une seule fois par session utilisateur, car dès lors qu’un agent est identifié comme humain, aucune vérification supplémentaire n’est nécessaire, hormis pour se prémunir contre les attaques par rejeu.

En tant que solution de gestion des bots la plus efficace du marché, Distributed Cloud Bot Defense offre aux créateurs de contenu la meilleure protection contre l’extraction de leurs contenus à des fins d’entraînement de modèles LLM. Pour les organisations qui souhaitent protéger leurs contenus et leur activité, Distributed Cloud Bot Defense constitue la meilleure option.

À propos de l’auteur

Jim Downey

Autres articles de Jim Downey