Spamvédelem segít a régi iratok digitalizálásában

A CAPTCHA a Completely Automated Public Turing test to tell Computers and Humans Apart rövidítése, ami annyit tesz: teljesen automatizált nyilvános Turing-teszt a számítógép és az ember megkülönböztetésére. A gyakorlatban a CAPTCHA felismeri azokat az eltorzult betűket, amelyek megnehezítik a szöveg értelmezését. Az emberek pedig, akiknek a vizuális felismerő-képessége messze felülmúlja a legjobb számítógépekét is, általában nagyon jól elboldogulnak ezekkel az eltorzított betűkkel. Ezek a tulajdonságok tették a CAPTCHA-t hasznos eszközzé az email-címeket vagy nyilvános üzeneteket veszélyeztető spambotok kiszűrésében (bár a rosszfiúk azóta felzárkóztak).

Azt a Carnegie Mellon kutatói vették észre, hogy a CAPTCHA-k és a beszkennelt szövegek problémás szavai között párhuzam figyelhető meg: a szavak mindkét esetben oly mértékben torzultak, hogy a számítógép nem képes az adott szó felismerésére. Így létrehoztak egy olyan rendszert, a reCAPTCHA-t, amelyben a betűfelismerő szoftver által fel nem ismert, eltorzult szavakat CAPTCHA-kká alakítják. A Science című tudományos folyóirat legutóbbi száma a módszer sikeréről számolt be.

A szerzők szerint az ember naponta több mint 100 millió CAPTCHA-t képes kezelni. "Ez a mentális teljesítmény igen értékes, mivel a CAPTCHA-k megfejtése olyan feladat, amellyel a számítógép nem tud megbirkózni" - írják. A kutatók automatikus rendszere ezt az értékes emberi tulajdonságot próbálja meg kiaknázni. A beszkennelt szöveget két optikai karakterfelismerő program elemzi; ha az egyik program megtorpan, a kérdéses szót átalakítják CAPTCHA-vá. Ezt aztán egy azonosított kontrolszóval együtt (olyan esetekre, ahol a bot megpróbálja feltörni a CAPTCA-t) a részt vevő weboldalakra továbbítják. Jelenleg több mint 40 ezer oldal használja a reCAPTCHA-t.

A számítógépes programmal végzett azonosítás 0,5 pont értékű, míg az emberi értelmezés teljes pontot ér. Ha egy megadott azonosítás 2,5 szavazatot kap, a szó megfejtettnek tekintendő. Azokat a szavakat, amelyekre az ember folyamatosan ugyanazt a megoldást adja, kontrolszóként használják fel.

A kutatók úgy tesztelték a rendszert, hogy 250, különböző korszakból származó New York Times cikkből véletlenszerűen kiválasztottak egy mintát, ahol minden egyes szó azonosítását két független írásszakértő is megerősítette. Mindegyik OCR-szoftver 84%-os pontossággal dolgozott, de amikor az eredményeket reCAPTCHA-rendszerrel kombinálták, a találati pontosság 99,1 %-ra nőtt. Mindez a profi írásszolgáltatásokon belül, amelyek két független szakértőt használnak másolatok készítésére, amelyeket aztán egy harmadik fél is megvizsgál. A néhány megmaradt probléma abból adódott, hogy az OCR-szoftver nem érzékelte a szótörést.

A szerzők a CAPTCHA-k feltörésére tervezett szoftvert is tesztelték a reCAPTCHA-val készült képekkel szemben, de nem jártak sikerrel. Az eredményt azzal magyarázzák, hogy a szkennelt képek karakterei olyan torzulásokat tartalmaznak, amelyek nem tisztán matematikai átalakításból származnak. A felhasználói válaszidőt is lemérték, de nem volt számottevő különbség a hagyományos rendszereket és a reCAPTCHA-t használó felhasználók válaszideje között.

A rendszernek azonban még mindig vannak korlátai; a rövid szavak felismerése nem elég pontos, az angolt második nyelvként használó országok eredményei és a nem angol nyelvű billentyűzet hibaforrást jelent, a felhasználók pedig nagyon esetlegesen alkalmazzák a nagybetűket, az írásjeleket és a helyesírást. Jó hír a reCAPTCHA-rendszert használó oldalak számára, hogy a felhasználók szeretik, mivel a folyamat sokkal több, mint egy értelmetlen biztonsági intézkedés. Nagyszerű dolog látni, hogy a "kihasználatlan emberi feldolgozó-képesség" alkalmazása miként teszi a processzorokat csupán közreműködővé.