Trenowanie AI do rozwiązywania CAPTCHA: Salman i Bicakci testują solver, który się uczy

Oguzhan Salman i Kemal Bicakci raportują 85,4% skuteczności klasyfikacji dla solvera CAPTCHA zaprojektowanego tak, by poprawiał swoje działanie w toku użycia. Ich badania nad trenowaniem AI do rozwiązywania CAPTCHA podważają znane założenie obronne: łamigłówka, która pokonuje automatyczny solver, będzie go pokonywać nadal. Proponowany system łączy wyspecjalizowane rozpoznawanie obrazu z szerszym rozumowaniem wizualnym.

Sednem rywalizacji są stałe zabezpieczenia wizualne i adaptacyjny solver. CAPTCHA, test mający odróżniać ludzi od zautomatyzowanego oprogramowania, stawia problem rozpoznawania. Zmiana tego problemu może zakłócić działanie wyspecjalizowanego modelu. Trudniejsze pytanie brzmi, czy zakłócenie utrzyma się, gdy inny model dostarcza przykładów treningowych.

Google’s reCAPTCHA stanowi praktyczny punkt odniesienia, lecz konsekwencje dotyczą szerzej sposobu, w jaki strony internetowe oceniają ochronę. Skuteczna dziś obrona oparta na łamigłówce nie dowodzi trwałej odporności. Dla programistów i nabywców rozwiązań bezpieczeństwa badanie przesuwa uwagę na czas odzyskania skuteczności, pełne wyniki weryfikacji oraz koszt legalnego dostępu.

Trenowanie AI do rozwiązywania CAPTCHA wykracza poza stałe modele

Salman i Bicakci, badacze z Istanbul Technical University, opublikowali preprint 2 września 2026 roku. Bruce Schneier zwrócił uwagę na badania nad adaptacyjnymi CAPTCHA 19 października. To rozróżnienie ma znaczenie: niedawne zainteresowanie dotyczy istniejącej publikacji badawczej, a nie nowo ogłoszonego produktu komercyjnego.

Kluczową zmianą jest proponowana pętla uczenia się, a nie sama zdolność rozpoznawania obiektów w łamigłówce.

System łączy YOLOv8, wyspecjalizowany model rozpoznawania obrazu, z modelem wizyjno-językowym, który przetwarza obrazy wraz z tekstem. Mechanizm routingu wybiera między nimi w zależności od pewności predykcji. Takie rozwiązanie daje systemowi wyspecjalizowaną ścieżkę i szerszy mechanizm rezerwowy w ramach tej samej architektury.

Autorzy raportują 85,4% ogólnej skuteczności i 84,2% skuteczności makro w 16 klasach. Ogólna skuteczność zlicza predykcje dla wszystkich ocenianych próbek. Skuteczność makro nadaje każdej klasie równą wagę, przez co słabsze kategorie trudniej ukryć za często występującymi. Te pomiary opisują wydajność klasyfikacji, a nie uniwersalny wskaźnik dostępu do stron internetowych.

To rozróżnienie zmienia sposób interpretacji głównej liczby. Strona internetowa nie przyznaje dostępu tylko dlatego, że model poprawnie oznaczył pojedynczy obraz. Ocenia interakcję, która może obejmować wiele wyborów, odświeżone obrazy, decyzje weryfikacyjne i ponowne próby. Benchmark klasyfikacyjny mierzy ważny element tej interakcji.

Artykuł opisuje również test na żywo na stronie demonstracyjnej Google’s reCAPTCHA v2. Spośród 100 sesji wszystkie ostatecznie zakończyły się powodzeniem, a 181 z 206 łamigłówek rozwiązano przy pierwszej próbie. Wyniki te dostarczają dowodów wdrożeniowych wykraczających poza statyczne obrazy. Pozostają jednak obserwacjami z warunków testowych autorów, a nie niezależnym audytem prowadzonym na różnych stronach internetowych.

Dla obrońcy ważne jest rozróżnienie między natychmiastowym rozpoznaniem, ostatecznym ukończeniem zadania i trwałą odpornością. Każde z nich odpowiada na inne pytanie. Połączenie ich w jeden wskaźnik powodzenia zacierałoby granice między miejscami, w których system działa, a tymi, w których nadal istotne są inne zabezpieczenia.

Rozważmy proces rejestracji, który po podejrzanej aktywności wyświetla wyzwanie obrazkowe. Prawidłowe wybory obrazów potwierdzają rozwiązanie zadania wizualnego. Nie potwierdzają jednak, że późniejsze zachowanie na koncie jest akceptowalne. Analiza bezpieczeństwa musi zachować tę granicę, nawet gdy solver obrazów działa dobrze.

Trenowanie AI do rozwiązywania CAPTCHA staje się więc pytaniem o zachowanie podczas powtarzających się spotkań z wyzwaniem. Badanie pyta, czy przyszłe możliwości solvera zmieniają się po napotkaniu czegoś nieznanego. To bardziej wymagający test dla zabezpieczeń niż porównanie niezmienionego modelu ze stałym zbiorem obrazów.

Wyzwanie wizualne może zakłócić działanie bota, nie zatrzymując jego uczenia się

Obrona wywołująca błędy wymaga odrębnego wyjaśnienia, dlaczego te błędy miałyby się utrzymywać.

Presja dotyczy przede wszystkim zespołów bezpieczeństwa traktujących trudność wizualną jako trwałą barierę. Ich bezpośredni pomiar może pokazywać, że zmodyfikowana łamigłówka pokonuje istniejący detektor. Wynik ten jest przydatny, lecz niepełny. Niewiele mówi o tym, co stanie się po otrzymaniu przez solver informacji zwrotnej lub aktualizacji modelu.

Wyobraźmy sobie autoryzowaną ocenę zabezpieczeń rejestracji na stronie internetowej. Nowa kategoria obrazów początkowo frustruje testowany solver. Zespół bezpieczeństwa odnotowuje porażkę i uznaje zmianę za skuteczną. Jeśli ocena kończy się na tym etapie, nie mierzy, czy późniejsza ekspozycja usuwa tę przewagę.

Ocena adaptacyjna byłaby kontynuowana po początkowej porażce. Sprawdzałaby, czy solver się poprawia, jakie informacje napędzają tę poprawę oraz czy chronione działanie pozostaje zablokowane. Decydującym wynikiem jest trwała odporność w zdefiniowanych warunkach. Imponujący początkowy wskaźnik błędów sam w sobie nie odpowie na to pytanie.

Tworzy to również presję na język stosowany w zamówieniach. Twierdzenie o wykrywaniu zautomatyzowanego ruchu wymaga określonego zakresu. Czy dotyczy rozpoznawania obrazów, ukończenia wyzwania, podejrzanych sesji czy nadużywających działań? Kupujący potrzebują tych rozróżnień przed porównaniem produktów lub interpretacją wyniku laboratoryjnego.

To samo rozumowanie dotyczy obciążenia operatora. Zastąpienie wyzwania wizualnego ma sens, gdy zapewnia znaczącą ochronę. Jego wartość staje się mniej jasna, jeśli utrzymanie tej ochrony wymaga częstych zmian utrudniających korzystanie legalnym odwiedzającym. Istotne porównanie obejmuje zarówno korzyść obronną, jak i bieżące utrzymanie.

Istnieje także kwestia czasu. Obrona może zachowywać praktyczną wartość, nawet jeśli ostatecznie traci skuteczność. Tymczasowa bariera może chronić krótkie okno rejestracji lub przerwać trwającą kampanię. Badanie nie dowodzi, że każda tymczasowa obrona jest bezużyteczna.

Zamiast tego sugeruje bardziej precyzyjne pytanie: jak duże użyteczne opóźnienie tworzy interwencja? To opóźnienie należy mierzyć względem celu atakującego i czasu reakcji obrońcy. Krótkie zakłócenie i trwała przeszkoda zasługują na różne opisy operacyjne.

Właściciele stron powinni także odróżniać weryfikację człowieka od autoryzacji. Odwiedzający może ukończyć wyzwanie, a mimo to nie mieć uprawnienia do określonego działania. Z kolei legalny użytkownik może mieć trudności z weryfikacją mimo posiadania uprawnienia. Traktowanie wyniku wizualnego jako kompletnej decyzji o zaufaniu łączy te odrębne osądy.

Dla twórców produktów AI ta sama granica ma znaczenie, gdy agenci wchodzą w interakcje ze stronami internetowymi. Techniczna zdolność do ukończenia ekranu nie ustanawia uprawnienia do dalszego działania. Zachowanie produktu powinno być zgodne z uprawnieniami użytkownika i zasadami usługi docelowej, nawet gdy możliwości wizualne się poprawiają.

Bezpośrednia implikacja jest zatem konkretna. Zespoły silnie polegające na stałej luce w rozpoznawaniu potrzebują dowodów, że luka przetrwa powtarzającą się ekspozycję. Zespoły, które już oceniają pełne interakcje, powinny uwzględnić adaptację w tych ocenach. Żaden z tych wniosków nie wymaga uznania każdego CAPTCHA za przestarzały.

Szybki detektor i szeroki model mają różne zadania

Samodzielny wyspecjalizowany detektor i ogólny model wizualny działają pod różnymi ograniczeniami. Detektor skupia się na wzorcach reprezentowanych w danych treningowych. Szerszy model oferuje inny sposób interpretacji nieznanych treści. Ich połączenie zmienia to, który komponent musi obsłużyć każde spotkanie z wyzwaniem.

Argument architektoniczny głosi, że ogólne rozumowanie powinno pomagać usprawniać wyspecjalizowane wykonanie, zamiast bez końca powtarzać każdą znaną decyzję.

Autorzy opisują router oparty na pewności predykcji, komponent kierujący niepewne przewidywania do szerszego modelu. Zasada działania przypomina eskalację w procesie wsparcia. Rutynowe przypadki podążają wyspecjalizowaną ścieżką. Przypadki wymagające innego rodzaju osądu otrzymują dodatkową uwagę.

To rozwiązanie sprawia, że jakość pewności predykcji staje się ważnym problemem ewaluacyjnym. Pewny błąd nie trafia automatycznie do mechanizmu rezerwowego. Nadmiernie ostrożny router może skierować rutynowe zadania przez bardziej wymagającą ścieżkę. Pomiar połączonego systemu wymaga więc zbadania jego decyzji o eskalacji.

W tym miejscu przydatne staje się porównanie wyspecjalizowanej i ogólnej AI. Szeroki model może obsługiwać przypadki wykraczające poza ustalone kategorie detektora. Wyspecjalizowany model może koncentrować się na powtarzających się wzorcach. Badanie traktuje te mocne strony jako uzupełniające się elementy adaptacyjnego solvera CAPTCHA.

Wcześniejsze prace dostarczają kontekstu historycznego, nie ustanawiając jednak bezpośrednio porównywalnego rankingu. Andreas Plesner, Tobias Vontobel i Roger Wattenhofer zgłosili pełny sukces w rozwiązywaniu wyzwań w swoich warunkach w badaniu reCAPTCHA v2 z 2024 roku. Ich praca wykorzystywała rozpoznawanie oparte na YOLO i badała również kontekst przeglądarki.

Wcześniejszy wynik zapobiega przesadnej interpretacji obecnych doniesień. Automatyczne rozwiązywanie wyzwań obrazkowych nie zaczęło się wraz z tym preprintem. Różne badania stosują też odmienne protokoły, ponowne próby, środowiska i miary wyników. Ich wartości procentowe nie mogą ustanowić przejrzystej hierarchii wydajności bez kontrolowania tych różnic.

Bardziej użyteczne porównanie dotyczy tego, co każda architektura zachowuje po spotkaniu z wyzwaniem. Stały klasyfikator stosuje istniejące parametry. Ogólny model może interpretować nowe dane wejściowe bez konieczności zmiany otaczającego systemu. Architektura adaptacyjna wprowadza ścieżkę, dzięki której doświadczenie może wpływać na późniejszą wydajność.

To rozróżnienie pozwala również zachować właściwą perspektywę wobec szerszych twierdzeń dotyczących AI. Agent pamiętający rozmowę to coś innego niż aktualizacja modelu rozpoznawania. Przywołanie wcześniejszego przykładu to coś innego niż nauczenie się nowej kategorii. Doniesienia o poprawie powinny wskazywać, który mechanizm faktycznie się zmienił.

Dla obrony wizualnej te różnice implementacyjne wpływają na oceniane zagrożenie. Wyzwanie może pokonać konkretny klasyfikator, pozostając czytelne dla innego modelu. Jeśli system potrafi produktywnie wykorzystać ten drugi osąd, porażka komponentu nie musi oznaczać trwałej porażki systemu.

Ocena hybrydowego solvera przedstawiona w artykule dostarcza podstawowego opisu eksperymentu. Jego ustalenia należy oceniać jako wyniki raportowane przez autorów. Centralne pytanie architektoniczne pozostaje zrozumiałe bez akceptowania uniwersalnego twierdzenia: czy doświadczenie niezawodnie poprawia późniejsze wykonanie?

Pytanie to wykracza poza badania CAPTCHA, lecz wniosek artykułu dotyczący bezpieczeństwa pozostaje węższy. Stała bariera wizualna staje wobec innego przeciwnika, gdy solver potrafi się adaptować. Oceny projektowane wokół niezmienionego modelu mogą mierzyć przewagę, która znika po wdrożeniu.

Interfejs oparty na zrzutach ekranu zmienia test, a nie znaczenie zaufania

Badacze opisują system, który odczytuje zrzuty ekranu i wysyła zdarzenia wejściowe systemu operacyjnego. Nie opiera się on na automatyzacji przeglądarki ani na DOM, czyli uporządkowanej reprezentacji strony w przeglądarce. Przeglądarka działa jako widoczny interfejs dla solvera.

Usunięcie dostępu do struktury strony wzmacnia twierdzenie o interakcji wizualnej, lecz nie dowodzi uniwersalnej niewidoczności.

To ma znaczenie, ponieważ rozpoznanie zagadki i obsługa jej interfejsu to odrębne zadania. Model może rozumieć obraz, a jednocześnie nie wybrać właściwej lokalizacji. Pełna interakcja musi również obsługiwać zmiany na ekranie i określić, czy zadanie zostało ukończone.

Podejście oparte na zrzutach ekranu umieszcza te wymagania interakcyjne wewnątrz ocenianego systemu. Wspiera twierdzenie dotyczące działania za pośrednictwem widocznej treści. Jest to istotne dla agentów korzystających z komputerów, którzy muszą łączyć interpretację wizualną z działaniami. Nadal należy jednak opisywać je w ramach testowanego środowiska.

Strona internetowa może oceniać więcej niż sposób odczytania obrazu. Dlatego brak konkretnego mechanizmu automatyzacji nie dowodzi braku każdego wykrywalnego sygnału. Twierdzenia o niewykrywalności wymagałyby własnych dowodów. Opisany projekt interfejsu nie rozstrzyga tej szerszej kwestii.

Wyniki demonstracji na żywo również wymagają ostrożnego wyznaczenia granic. Ostateczne ukończenie sesji obejmuje odzyskiwanie po nieudanych próbach. Sukces w rozwiązaniu zagadki za pierwszym podejściem opisuje inny rezultat. Oba są użyteczne, ale wspierają różne decyzje dotyczące doświadczenia użytkownika, niezawodności i tarcia ochronnego.

Kupujący oceniający system ochrony powinien zapytać, który wynik odpowiada celowi biznesowemu. Zapobieganie nadużyciowej rejestracji dotyczy tego, czy działanie ostatecznie następuje. Ograniczanie obciążenia interakcyjnego dotyczy ilości pracy poprzedzającej ten rezultat. Sam pomiar dokładności wizualnej nie odpowie na oba pytania.

Istniejące produkty pokazują również, dlaczego rynku nie można sprowadzać do zagadek obrazkowych. Google dokumentuje ocenę ryzyka interakcji dla reCAPTCHA v3, która zwraca wynik bez prezentowania interaktywnego wyzwania. Dokumentacja łączy ten wynik z działaniami wybranymi przez operatora strony.

Cloudflare opisuje nieinteraktywne wyzwania przeglądarkowe dla Turnstile, wykorzystujące sygnały ze środowiska przeglądarki odwiedzającego. Te opisy produktów ilustrują szerszą powierzchnię ochrony. Nie dowodzą, że którakolwiek z tych usług pokonuje system badawczy.

Neutralne porównanie dotyczy tego, co jest mierzone. Solver wizualny obsługuje zadania rozpoznawania i interakcji, które napotyka. Usługa oparta na ryzyku ocenia dodatkowy kontekst zgodnie z własnym projektem. Ocena jednego nie jest automatycznie oceną drugiego.

Dla zespołów produktowych oznacza to, że znajome pole wyboru nie powinno definiować całej dyskusji o bezpieczeństwie. Znaczenie mają chronione działanie, otaczające je mechanizmy kontroli oraz zaobserwowane nadużycia. Autoryzowany test powinien wskazywać, które z tych warstw faktycznie sprawdził.

Trenowanie AI do rozwiązywania CAPTCHA stawia konkretne wyzwanie przed weryfikacją wizualną. Nie uzasadnia jednak wrzucania każdego produktu weryfikacyjnego do tej samej kategorii. Architektura zasługuje na uwagę właśnie dlatego, że jej zademonstrowany zakres można opisać bez przekształcania go w twierdzenie o uniwersalnym dostępie.

Dowody muszą wytrzymać adaptację po obu stronach

Adaptacyjny solver zasługuje na adaptacyjną ocenę, obejmującą obronę zmieniającą się w reakcji na jego zachowanie.

Najbardziej sceptyczna interpretacja pyta, czy raportowana przewaga utrzymuje się poza wybranymi warunkami. System badawczy może przynosić istotny wynik, nie obejmując każdego środowiska działania. Replikacja powinna sprawdzać, czy ten sam mechanizm pozostaje użyteczny, gdy jego założenia stają się mniej korzystne.

Jedno ważne pytanie dotyczy jakości informacji zwrotnej. Odpowiedź wygenerowana przez model jest prognozą, a nie niezależną prawdą referencyjną. Jeśli późniejsze uczenie opiera się na tych odpowiedziach, oceniający muszą zbadać, co dzieje się, gdy są one błędne. Poprawę należy mierzyć wraz z utrzymującymi się błędami.

Kolejne pytanie dotyczy zachowania dotychczasowej wydajności. Uczenie się czegoś nowego ma mniejszą wartość, jeśli system traci kompetencje w przypadku znanych danych wejściowych. Wiarygodna ocena musi śledzić oba aspekty. W przeciwnym razie pozorny postęp w niedawno napotkanych przypadkach może ukrywać regresję gdzie indziej.

Pewność siebie zasługuje na podobną analizę. Router może eskalować przypadki wyłącznie na podstawie dostępnych mu informacji. Jeśli trudne dane wejściowe powodują nieuzasadnioną pewność, zachowanie awaryjne może być słabsze, niż oczekiwano. Testowanie decyzji routingu jest ważne obok testowania samych modeli.

Są to pytania dotyczące oceny, a nie twierdzenia, że raportowany system musi zawodzić. Wskazują dowody, które wzmocniłyby lub zawęziły argument. Ostrożna interpretacja oddziela zaobserwowany wynik od założeń dotyczących każdego przyszłego rozkładu danych wejściowych.

Niezależne odtworzenie zapewniłoby kolejną użyteczną granicę. Udostępnienie artefaktów pozwala zewnętrznym badaczom analizować i testować metodę. Samo w sobie nie dowodzi jednak, że osoby z zewnątrz uzyskały takie same rezultaty. Odtworzenie powinno obejmować porównywalne warunki i wyraźnie wskazane odstępstwa od nich.

Znaczenie ma również kontekst operacyjny. Strona demonstracyjna jest użytecznym środowiskiem testowym, ale usługa produkcyjna chroni konkretny przepływ pracy. Ten przepływ może wprowadzać dodatkowe decyzje przed wyzwaniem lub po nim. Uogólnianie na różne usługi wymaga dowodów dotyczących tych pełnych interakcji.

Zmiany obronne muszą także uwzględniać uzasadniony dostęp. Analiza dostępności CAPTCHA przygotowana przez W3C analiza dostępności CAPTCHA dokumentuje bariery związane z zadaniami weryfikacji człowieka. Wyjaśnia również, dlaczego alternatywa dźwiękowa nie zapewnia automatycznie równoważnego dostępu.

Ta perspektywa komplikuje najprostszą odpowiedź na silniejsze rozpoznawanie obrazów: utrudnianie zagadek. Większa trudność wymaga dowodów poprawy ochrony przy jednoczesnym zachowaniu akceptowalnych wyników dla ludzi. W przeciwnym razie zmiana może narzucić tarcie, nie ustanawiając trwałej odporności na automatyzację.

Istotnym wynikiem jest relacja między ochroną a dostępem. Obrona blokująca uprawnionych użytkowników ma koszt, nawet jeśli jej wskaźnik porażek automatyzacji wygląda korzystnie. Adaptacyjna ocena powinna zachować tę widoczność, zamiast raportować wyłącznie wydajność solvera.

Dla zespołów śledzących badania przeszukiwalna baza wiedzy może pomóc przechowywać protokoły, wyniki i ograniczenia razem. Praktyczna wartość polega na zachowaniu kontekstu. Zapamiętany procent bez warunków jego pomiaru może wprowadzić w błąd późniejszą decyzję dotyczącą bezpieczeństwa.

Obserwuj replikację, kompletne sesje i reakcję obronną

Kolejne użyteczne dowody powinny wyjaśniać trwałość, zamiast dodawać kolejny odizolowany nagłówek z wartością procentową. W nadchodzących miesiącach czytelnicy mogą szukać konkretnych postępów w niezależnej ocenie i reakcji produktów. Są to priorytety obserwacji, a nie ogłoszone kamienie milowe.

Decydujące pytanie brzmi, czy przewaga solvera pozostaje użyteczna, gdy reagują zarówno środowisko, jak i obrońca.

Po pierwsze, warto obserwować niezależne odtworzenia adaptacyjnego zachowania. Przekonująca replikacja zbadałaby, czy powtarzana ekspozycja poprawia późniejsze wyniki w udokumentowanych warunkach. Powinna odróżniać zmiany w rozpoznawaniu od zmian w ponownych próbach lub obsłudze interakcji.

Udane odtworzenie wzmocniłoby twierdzenie, że adaptacja stanowi istotną przewagę architektoniczną. Brak możliwości jej odtworzenia zawęziłby wniosek do pierwotnej konfiguracji. Każdy z tych wyników byłby bardziej informacyjny niż kolejne podsumowanie powtarzające dane benchmarkowe.

Po drugie, warto obserwować szersze raportowanie dotyczące kompletnych sesji weryfikacyjnych. Oceny powinny odróżniać prognozy obrazów, próby rozwiązania zagadek, ostateczne ukończenie i poświęcony czas. Powinny także wskazywać, jakie chronione działanie — o ile w ogóle — nastąpiło po weryfikacji.

Spójne ukończenie w zróżnicowanych, autoryzowanych środowiskach wzmocniłoby argument operacyjny. Silna klasyfikacja przy zawodnym ukończeniu sesji wskazywałaby na węższą zdolność. To rozróżnienie daje obrońcom sposób na proporcjonalną reakcję zamiast reagowania na niejednoznaczny wskaźnik sukcesu.

Po trzecie, warto obserwować oceny obronne, które pozwalają solverowi adaptować się po zmianie. Użyteczna odpowiedź mierzyłaby, czy ochrona się utrzymuje, jakie opóźnienie powoduje i co dzieje się z uprawnionymi odwiedzającymi. Początkowa porażka niezmienionego modelu jest jedynie obserwacją wyjściową.

Jeśli zmiany obronne zachowają skuteczność po wielokrotnej ekspozycji, osłabią najszerszą interpretację adaptacyjnego zagrożenia. Jeśli przewaga wielokrotnie zanika, wzmocnią argument za przeniesieniem uwagi poza trudność wizualną. Wyniki ukończenia przez ludzi powinny towarzyszyć każdemu z tych rezultatów.

Dla programistów te sygnały zapewniają konkretną dyscyplinę interpretacji. Pytaj, co zmieniło się między próbami, co uznano za sukces i kto zweryfikował wynik. Kupujący powinni pytać, jak te pomiary łączą się z chronionym działaniem. Użytkownicy AI powinni odróżniać zdolnego agenta interfejsowego od uprawnionego.

Trenowanie AI do rozwiązywania CAPTCHA uzasadnia teraz dyskusję o trwałości, informacji zwrotnej i pełnych interakcjach. Przeczytaj warunki oceny, zanim przeniesiesz odsetek sukcesu do decyzji produktowej. Zachowaj różnicę między modelem rozpoznającym obraz a usługą odporną na nadużycia. Gdy pojawi się kolejne twierdzenie, szukaj niezależnej replikacji, wyników na poziomie sesji oraz obrony testowanej po adaptacji. Te obserwacje pokażą, czy ta architektura zapewnia powtarzalną przewagę, czy pozostaje zależna od pierwotnych warunków. Dla każdego obsługiwanego przepływu pracy zacznij od chronionego działania i prześledź dowody wstecz: co wykazałoby, że bariera nadal działa po tym, jak solver miał okazję się nauczyć?