reCAPTCHA: quand le spam améliore les logiciels d'OCR

Publié par Adrien le 22/06/2007 à 00:00
Source: BE Etats-Unis numéro 81 (1/06/2007) - Ambassade de France aux Etats-Unis / ADIT
4
Restez toujours informé: suivez-nous sur Google Actualités (icone ☆)

Une équipe de Carnegie Mellon University vient de proposer une amélioration de son système de filtre sur des pages Internet connu sous le nom Completely Automated Public Turing Test to Tell Computers and Humans Apart (CAPTCHA). Le procédé est désormais courant: des lettres déformées et barrées apparaissent à l'écran et l'utilisateur doit trouver le mot qu'elles forment. Le mécanisme avait été à l'origine commandé par Yahoo pour éviter l'enregistrement de comptes e-mail frauduleux par des robots. Il a été depuis largement repris par eBay, Hotmail, Paypal (PayPal est un service de paiement en ligne qui permet de payer des achats, de recevoir des...) et dans de nombreux sites d'entreprises et de particuliers pour s'assurer que la saisie de données (Dans les technologies de l'information (TI), une donnée est une description élémentaire, souvent...) a bien été effectuée par un humain et non pas par une machine.

L'évolution de CAPTCHA a été baptisée reCAPTCHA (reCAPTCHA est un système mettant à profit les capacités de reconnaissance des...). Elle tire profit d'une double constatation: plus de 60 millions de CAPTCHA sont résolus chaque jour (Le jour ou la journée est l'intervalle qui sépare le lever du coucher du Soleil ; c'est la...), chaque test prenant environ 10 secondes. Au total ( Total est la qualité de ce qui est complet, sans exception. D'un point de vue comptable, un...), plus de 150 000 heures (L'heure est une unité de mesure  :) d'analyse humaine sont ainsi consommées quotidiennement. D'un autre côté, de nombreux projets d'OCR (Optical Character Recognition) sont ralentis dans la numérisation (La numérisation est le procédé permettant la construction d'une représentation...) de livres à cause de mots non reconnus, déformés par le vieillissement (La notion de vieillissement décrit une ou plusieurs modifications fonctionnelles diminuant...) des ouvrages ou par une mauvaise qualité d'acquisition (En général l'acquisition est l'action qui consiste à obtenir une information ou à acquérir un...).

reCAPTCHA apporte une solution originale: le système propose deux mots à déchiffrer. Le premier est un mot connu qui sert à s'assurer que la personne en face de l'écran est bien un humain. Le deuxième est un mot rejeté par un logiciel d'OCR, déformé comme pour un CAPCHA classique. Quand un certain nombre (La notion de nombre en linguistique est traitée à l’article « Nombre...) d'utilisateurs a déchiffré de la même manière le deuxième mot, celui-ci est validé et peut alors être substitué dans le processus de numérisation du livre. Cette méthode est aujourd'hui utilisée au profit de l'Internet Archive (L’Internet Archive (IA) est une organisation à but non lucratif consacrée à...), une association à but non lucratif de l'Open Content Alliance, pour l'aider dans son travail de numérisation de contenus libres de droits.

Intel a développé un web-service qui permet à tous les webmestres d'utiliser le mécanisme de filtrage sur leur site Internet. Il est disponible sur le site de reCAPTCHA (lien) sous forme de plugins compatibles avec la plupart des CMS (WordPress, MediaWiki, Typo3, ...), de bibliothèques pour langages orientés web (PHP, Python, Perl, Ruby) et d'une API Java. Les avantages du web-service sont doubles: au cas où un logiciel arriverait à déchiffrer le premier mot, le système de déformation des lettres peut être mis à jour sans intervention des webmestres. De plus, le service inclut un système de détection (Un système de détection est un système permettant à l'utilisateur d'observer un événement...) et de bannissement d'adresses IP pour ces logiciels frauduleux.

Par la même occasion, l'équipe de Carnegie Mellon University propose sur son site un service gratuit de protection d'adresse mail par reCAPTCHA et une version audio du système de protection pour les personnes malvoyantes. L'objectif clairement affiché est de remplacer un maximum de CAPTCHA par leur successeur.

Page générée en 0.217 seconde(s) - site hébergé chez Contabo
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
A propos - Informations légales | Partenaire: HD-Numérique
Version anglaise | Version allemande | Version espagnole | Version portugaise