Das Streben nach digitaler Gleichberechtigung ist kein leichtes Unterfangen. Meine Kollegen und ich bei Deque sind davon überzeugt, dass die Umsetzung digitaler Barrierefreiheit eine Teamleistung ist. Eine, die eine Kombination aus automatisierten und manuellen Prozessen erfordert, um die Testabdeckung so effizient wie möglich zu maximieren. Automatisierung bezieht sich in diesem Zusammenhang natürlich auf die automatische Erkennung von Barrieren – nicht auf deren automatische Behebung. Durch die Arbeit im Team und den Einsatz von Automatisierung, die den Großteil der Arbeit übernimmt, hat ein Unternehmen eine realistische Chance, die kontinuierliche Vermeidung von Mängeln bei der digitalen Barrierefreiheit aufrechtzuerhalten.
Auch die automatische Erkennung von 57 % aller Barrierefreiheitsprobleme und von 80 % aller Barrierefreiheitsprobleme in Verbindung mit halbautomatischen Tests ist keine leichte Aufgabe. Unser Ansatz in Sachen Barrierefreiheit besteht darin, das Entwicklungsteam zu stärken. Das bedeutet, die Grenzen dessen, was vollautomatisch getestet werden kann, zu erweitern und anschließend Tools bereitzustellen, die die Tests beschleunigen, die menschliche Eingaben erfordern. Unsere Vision ist es, KI und ML so einzusetzen, dass sie den Menschen unterstützen – und genau das ist der Grundstein dafür, dass wir heute eine Abdeckung von 80 % erreichen und diese kontinuierlich weiter steigern können.
Deque Wir nehmen insofern eine einzigartige Position ein, als wir über Jahre hinweg Daten zu umfassenden Barrierefreiheitsprüfungen für Tausende von Organisationen und Anwendungen sammeln konnten. Dies gibt uns Einblicke in die Häufigkeit, mit der Entwickler bestimmte Arten von Fehlern begehen, was wiederum unseren Fokus darauf lenkt, welche Probleme zuerst gelöst werden sollten. Zudem verfügen wir über eine große Anzahl von Nutzern unserer kostenlosen und kostenpflichtigen Tools, die eine Fülle von Daten liefern, und wir nutzen diese Daten, um Fortschritte im Bereich des maschinellen Lernens (ML) sowie weitere heuristische Verbesserungen voranzutreiben.
Wie bei jeder strategisch wichtigen Funktion verfügen wir über interne ML-Kompetenzen, die hier eine Vorreiterrolle einnehmen, doch müssen wir auch die besten Technologien der Branche nutzen, um in wichtigen, aber nicht strategischen Bereichen so effizient wie möglich zu arbeiten. Einer unserer wichtigsten Technologiepartner ist Labelbox, ein ML-Anbieter, dessen Hilfe wir in Anspruch nehmen, um Rohdaten in wertvolle a11y-Analysen umzuwandeln.
Einsatz von ML zur Verbesserung der digitalen Barrierefreiheit
Bevor wir Labelbox in unsere ML-Pipeline integriert haben, waren unsere Datensätze unorganisiert und unsere Datenerfassung hinkte hinterher, sodass wir Zeit damit verbrachten, unnötige Daten zu kennzeichnen, die unsere Modelle nicht verbesserten. Labelbox bot uns zunächst eine Plattform, um die grundlegende manuelle Arbeit der Datenkennzeichnung zu beschleunigen, hat aber im Laufe der Zeit Funktionen wie die Modelldiagnose und den Katalog hinzugefügt, die es uns ermöglichen, schneller und effektiver nach Schwachstellen in den Vorhersagen und Inkonsistenzen in den Daten zu suchen sowie bestimmte Merkmalstypen gezielt zur Verbesserung der Modellleistung anzusprechen. Mittlerweile automatisieren oder halbautomatisieren wir viele unserer Pipeline-Abläufe – wodurch wir Kosten senken und bei der Modelloptimierung insgesamt Zeit und Ressourcen einsparen.
Dank besserer und schnellerer Modellierungsprozesse haben wir auch unsere Verfahren zur Datenerfassung und Qualitätsbewertung verbessert. Durch die Auswertung und Visualisierung der Modellleistung und der Fehler innerhalb der Labelbox-Plattform stellte unser Team fest, dass ein Teil unseres Datensatzes verrauscht war und die Wirksamkeit unseres Gesamtmodells beeinträchtigte. Die Modellleistung stieg um 5 %, als wir ein Drittel der Datenpunkte entfernten, die Labelbox als qualitativ minderwertig identifiziert hatte. Außerdem konnten wir die Datenerfassung gezielter gestalten und so die Menge der Daten reduzieren, die erfasst, beschriftet und getestet werden mussten.
KI und die Zukunft der digitalen Barrierefreiheit
Zwar konnten wir dank der Integration von maschinellem Lernen bereits erhebliche Verbesserungen bei unseren automatisierten Tests zur digitalen Barrierefreiheit verzeichnen, doch dies ist nur die Spitze des Eisbergs. Maschinelles Lernen – und KI insgesamt – bergen ein immenses Potenzial, die digitale Barrierefreiheit und die Fähigkeit jeder Organisation, inklusive digitale Räume zu schaffen, grundlegend zu verändern.
Wir hören oft, dass Zeit ein großes Hindernis für eine breitere und proaktive digitale Barrierefreiheit darstellt. Für große globale Konzerne oder Organisationen, die sich noch in einem frühen Stadium der digitalen Barrierefreiheit befinden, sind manuelle Tests als Standardansatz selten durchführbar. In diesen Fällen weckt KI die Hoffnung auf eine Zukunft mit einer effizienteren und konformen automatisierten Erkennung. Sicherlich ist ein gewisses Maß an manuellen und halbautomatisierten Tests für eine umfassende Abdeckung der Barrierefreiheit nach wie vor notwendig, doch KI verringert den Aufwand – und bietet oft bereits ausreichende Unterstützung, um Unternehmen dabei zu helfen, ihren eigenen Weg zur digitalen Barrierefreiheit einzuschlagen.
„Wir haben uns sehr gefreut, gemeinsam mit Deque an der Mission zu arbeiten, die digitale Welt für alle zugänglicher zu machen. Dies ist eine wichtige Initiative, und die Nutzung von Labelbox durch Dequeals zentraler Bestandteil ihrer Daten-Engines ist sehr ausgereift und beeindruckend. Unser Ziel war es, das Unternehmen dabei zu unterstützen, mühsame – wenn auch äußerst wichtige – manuelle Prozesse in automatisierte Abläufe umzuwandeln, die Zeit und Aufwand sparen. Es war uns eine Freude, unsere Technologien zu bündeln, um den Ruf von Dequeals Branchenführer zu stärken und die Leistungsfähigkeit in Bezug auf Geschwindigkeit und Genauigkeit zu verbessern.“ – Manu Sharma, CEO, Labelbox
Im Rahmen unseres Engagements, 100 % der Barrierefreiheitsprobleme durch Automatisierung zu erkennen, werden wir weiterhin eine Vorreiterrolle bei der Entwicklung leistungsfähigerer und ausgefeilterer KI- und ML-Systeme einnehmen. Die mit Unterstützung von Labelbox entwickelte Daten-Engine wird für diese Bemühungen von entscheidender Bedeutung sein.
Da die DevTools-Anwendung von axe Daten an unser ML-System übermittelt, erhalten wir bessere und umfassendere Informationen, die uns dabei helfen, Möglichkeiten zur weiteren Verbesserung der automatisierten Erkennung zu identifizieren. Wir sind besser denn je gerüstet, um bei neuen Technologietrends immer auf dem neuesten Stand zu bleiben und neue Wege hin zu vollständig inklusiven digitalen Umgebungen zu beschreiten.
Vorwärts und aufwärts
Labelbox hat unseren Teams die Ressourcen und das Know-how zur Verfügung gestellt, um maschinelles Lernen effektiver in automatisierte Barrierefreiheitstests zu integrieren und so schnellere und genauere Ergebnisse zu erzielen – und wir würden es nicht mehr missen wollen.
Auch wenn KI und ML in der Welt der digitalen Barrierefreiheit noch relativ neue Werkzeuge sind, weisen die enormen Fortschritte dieser Technologien in anderen Branchen auch auf die Zukunft unserer Branche hin. Verbesserte, automatisierte Barrierefreiheitstests mit schneller, präziser und umfassender Erkennung werden zum Standard für Diskussionen und Anforderungen im Bereich der digitalen Barrierefreiheit werden. Kunden von „ Deque “ können darauf vertrauen, dass ihre Organisationen dazu beitragen, das Internet zu einem inklusiveren Ort zu machen.
Kontaktieren Sie unser Team, um mehr über unsere automatisierten Tools für digitale Barrierefreiheit und den Einsatz für inklusivere digitale Räume zu erfahren.
