AI キャプチャソルバーの仕組み: モデル、トークン、制限
AI キャプチャソルバーは、機械学習モデルを使ってキャプチャへの回答をあなたの代わりに行うソフトウェアです。答えがコンテンツ自体から読み取れるチャレンジ、たとえばゆがんだ文字や画像のグリッドで最もよく機能します。トークン型のウィジェットでは、モデルの仕事はサイトのサーバーが受け入れる応答を作ることであり、これは別の問題です。このガイドでは両方のケース、限界、そして解決サービスから実際に受け取るものを説明します。
このガイドは一般的な技術を説明するもので、特定のサービスの内部構造は扱いません。開発者にとって重要なのは契約内容です。キャプチャの詳細を送ると、トークンが返ってきます。
キャプチャの3つのタイプ
ほとんどのキャプチャは次の3つのどれかに当てはまり、AI はそれぞれを異なる方法で扱います。
コンテンツのチャレンジ。 訪問者が何かを読んだり識別したりします。ゆがんだ文字、番地の列、グリッド内の信号機、回転した物体などです。正解は画像や音声そのものに含まれています。機械学習が最も強い領域です。
行動のスコアリング。 目に見えるチャレンジがまったくない場合があります。サイトはブラウザの振る舞いを観察し、リクエストの履歴を見て、訪問者にスコアを付けます。reCAPTCHA v3 はこの方式で、パズルではなく数値を返します。ここではモデルが答えを「読む」ことはできません。読み取る答えが存在しないからです。問題は、信号が十分に人間らしく見えるかどうかです。
トークン型ウィジェット。 ウィジェットがページ内で動作し、チェックを行い、非表示のフォームフィールドにトークンを書き込みます。その後サイトのバックエンドが、そのトークンをプロバイダーに照会して検証します。PopularCaptcha はこの方式で動作し、reCAPTCHA v2 や Cloudflare Turnstile も同様です。
コンテンツのチャレンジをモデルはどう扱うか
ゆがんだ文字には、標準的なアプローチとして光学文字認識（OCR）モデルを使います。畳み込みネットワークやトランスフォーマーベースの視覚モデルが画像を読み、文字列を出力します。学習には、正解が分かっている大量の生成済みキャプチャを使うため、モデルは一般的なゆがみ、つまり歪み、ノイズの線、重なった字形、背景のテクスチャを学習します。
画像のグリッドでは、タスクは分類です。モデルは各タイルを見て、チャレンジが求める物体を含むかどうかを判断します。難しいのは、一部が隠れている物体、タイルの端にある物体、曖昧な物体です。たとえば、ほとんどがフレームの外にあるバスなどです。こうした場合の精度は下がり、優れたソルバーは、推測すべきか、もう一度ラウンドを要求すべきかを判断しなければなりません。
音声によるチャレンジには音声認識を使います。モデルが音声クリップを文字に起こし、その文字起こしが答えになります。主な難しさは背景ノイズと意図的な歪みです。
画像を回転させたり、ピースをはめ込んだりするパズル型のチャレンジには、別の種類のモデルが必要です。モデルは画像から角度や位置を推定し、それに合うドラッグやクリックを生成します。
スコアリングとトークンをモデルはどう扱うか
行動のスコアリングやトークン型ウィジェットは、ページを読むだけでは解きにくいものです。プロバイダーのチェックは訪問者のブラウザ内で動作し、その出力はブラウザ環境、入力イベントのタイミング、セッションの履歴といった信号に依存します。ソルバーは外部からスコアや信号を詳しく見ることはできません。
こうしたケースでは、プロバイダーが期待する応答を返すソルバーが実用的なアプローチです。有効なトークンを作るように組まれたパイプラインを使います。あなたの側から見て重要な性質は単純です。トークンかエラーを受け取り、トークンはサイト側で検証されます。
Scarnox の API がその形になっているのもそのためです。タスク種別、sitekey、ページの URL を送ると、solution フィールドにトークンが返ります。
{"errorId": 0, "solution": {"token": "..."}, "cost": ...}トークンはサイトが期待するフォームフィールドに入れます。有効期限は約2分です。リクエストの全体はキャプチャソルバー API ガイドで扱っています。
AI が役立つ場面と限界
AI ソルバーが得意なのは次の点です。
- キャプチャ種別に合わせて調整されていれば、ゆがんだ文字を一貫して読むこと。
- 明確な例では、画像グリッドの分類を高い精度で行うこと。
- 同期リクエストに対応できる速さで返すこと。
- ソルバーが失敗した解決にコストをかけない設計であれば、失敗してもあなたに費用がかからないこと。
苦手なのは次の点です。
- チャレンジの設計が頻繁に変わるパズル。先月のバージョンで学習したモデルは転用できないかもしれません。
- 行動チェック。結果は答えだけでなく、あなたが動かしている環境にも左右されます。
- 意味や文脈についての問いのように、コンテンツについて人間の判断が必要なチャレンジ。
どのモデルでも取り除けない実務上の制限もあります。キャプチャは意図的な障壁であり、ベンダーはチャレンジを更新します。今日動くソルバーも来月には失敗するかもしれません。ソルバーの出力は、ずっと動き続けると仮定するものではなく、監視すべきものとして扱ってください。
ソルバーの選び方
どのソルバーサービスを評価するにも、次の4つの質問が役立ちます。
- ロードマップ上ではなく、今日サポートしているキャプチャ種別はどれか。
- 失敗した解決にはいくら課金されるか。失敗に課金するソルバーはリトライが高くつきます。
- タイムアウトや応答の遅延時にどう振る舞うか。コードが対処できる明確なエラーが必要です。
- キャプチャが変わったとき、コードをどれだけ変更する必要があるか。少ないほど良いです。
Scarnox が現在サポートしているのは PopularCaptcha で、プロキシなしのライブ提供です。他の種別は近日公開予定です。各種別の状況はキャプチャの種類ガイドで解説しています。