Œuvrer en faveur de l’égalité numérique n’est pas une mince affaire. Mes collègues et moi-même, chez Deque , sommes convaincus que la mise en œuvre de l’accessibilité numérique est un travail d’équipe. Un travail qui nécessite de combiner des processus automatisés et manuels afin d’optimiser la couverture des tests de la manière la plus efficace possible. Dans ce contexte, l’automatisation fait bien sûr référence à la détection automatique des barrières à l’accessibilité – et non à leur correction automatique. En travaillant en équipe et en s’appuyant sur l’automatisation pour effectuer l’essentiel du travail, une organisation a alors toutes ses chances de parvenir à prévenir durablement les défauts d’accessibilité numérique.
Détecter automatiquement 57 % de l’ensemble des problèmes d’accessibilité, et 80 % de ces problèmes lorsqu’on y ajoute des tests semi-automatisés, n’est pas non plus une mince affaire. Notre approche de l'accessibilité consiste à donner les moyens d'agir à l'équipe de développement, ce qui implique de repousser les limites de ce qui peut être testé de manière entièrement automatique, puis de fournir des outils qui accélèrent les tests nécessitant une intervention humaine. Notre vision est que l'IA et l'apprentissage automatique doivent être mis à profit pour donner plus de moyens à l'humain, et c'est ce qui a constitué la pierre angulaire de notre capacité à atteindre aujourd'hui une couverture de 80 % et à la faire progresser sans cesse.
Deque Notre position est unique en ce sens que nous avons pu recueillir, au fil des années, des données issues d’audits d’accessibilité complets portant sur des milliers d’organisations et d’applications. Cela nous permet de mieux cerner la fréquence à laquelle les développeurs commettent certains types d’erreurs, ce qui nous aide à déterminer les problèmes à résoudre en priorité. Nous comptons également un grand nombre d’utilisateurs de nos outils gratuits et payants, qui nous fournissent une mine de données ; nous exploitons ces données pour faire progresser nos techniques d’apprentissage automatique (ML) et nos approches heuristiques.
Comme pour toute fonction d'importance stratégique, nous disposons de capacités internes en matière d'apprentissage automatique (ML) qui jouent un rôle moteur, mais nous devons également tirer parti des meilleures technologies disponibles pour optimiser notre efficacité dans des domaines importants, mais non stratégiques. L'un de nos principaux partenaires technologiques est Labelbox, un fournisseur de solutions d'apprentissage automatique auquel nous faisons appel pour transformer nos données brutes en une mine d'informations précieuses pour l'analyse de l'accessibilité (a11y).
Utiliser l'apprentissage automatique pour améliorer l'accessibilité numérique
Avant d'intégrer Labelbox à notre pipeline d'apprentissage automatique, nos ensembles de données étaient désorganisés et nos efforts de collecte de données prenaient du retard ; nous passions du temps à étiqueter des données superflues qui n'amélioraient pas nos modèles. Labelbox nous a d’abord fourni une plateforme permettant d’accélérer le travail manuel de base lié à l’étiquetage des données, mais a, au fil du temps, ajouté des fonctionnalités telles que « Model Diagnostics » et « Catalog », qui optimisent la rapidité et l’efficacité avec lesquelles nous pouvons identifier les faiblesses des prédictions, les incohérences dans les données, mais aussi cibler des types spécifiques de caractéristiques pour améliorer les performances des modèles. Aujourd’hui, nous automatisons ou semi-automatisons bon nombre des opérations de notre pipeline, ce qui nous permet de réduire les coûts et d’économiser du temps et des ressources à tous les niveaux dans le cadre de l’amélioration des modèles.
Grâce à des processus de modélisation plus performants et plus rapides, nous avons également amélioré nos pratiques de collecte de données et d’évaluation de la qualité. En effet, en évaluant et en visualisant les performances et les erreurs des modèles au sein de la plateforme Labelbox, notre équipe a constaté qu’une partie de notre ensemble de données était bruitée et nuisait à l’efficacité globale de notre modèle. Les performances du modèle ont augmenté de 5 % lorsque nous avons supprimé un tiers des points de données que Labelbox nous a aidés à identifier comme étant de mauvaise qualité. Nous avons également pu cibler la collecte de données avec plus de précision, ce qui a permis de réduire la quantité de données à collecter, à étiqueter et à tester.
L'IA et l'avenir de l'accessibilité numérique
Même si nous avons déjà constaté des améliorations significatives dans nos tests automatisés d’accessibilité numérique grâce à l’intégration du machine learning, ce n’est que la partie émergée de l’iceberg. Le machine learning — et l’IA dans son ensemble — recèlent un immense potentiel pour transformer l’accessibilité numérique et la capacité de toute organisation à créer des espaces numériques inclusifs.
On entend souvent dire que le temps constitue un obstacle majeur à une accessibilité numérique plus généralisée et proactive. Pour les grandes entreprises internationales ou les organisations qui en sont encore aux prémices de l’accessibilité numérique, les tests manuels sont rarement envisageables comme approche standard. Dans ces cas-là, l’IA laisse entrevoir l’espoir d’un avenir où la détection automatisée sera plus efficace et conforme aux normes. Certes, un certain niveau de tests manuels et semi-automatisés reste nécessaire pour garantir une couverture complète de l’accessibilité, mais l’IA allège la charge de travail — et constitue souvent un soutien suffisant pour aider les entreprises à se lancer dans leur propre démarche d’accessibilité numérique.
« Nous avons été ravis de nous associer à Deque autour de la mission visant à rendre le monde numérique plus accessible à tous. Il s’agit d’une initiative importante, et la mise en œuvre de Labelbox par Deque, en tant qu’élément central de ses moteurs de données, est très aboutie et impressionnante. Notre objectif était de leur permettre de transformer des processus manuels fastidieux — bien qu’extrêmement importants — en pratiques automatisées permettant de gagner du temps et de réduire les efforts. Ce fut un plaisir de combiner nos technologies pour renforcer la réputation d’ Dequeen tant que leader du secteur et améliorer ses capacités en termes de rapidité et de précision. » – Manu Sharma, PDG de Labelbox
Dans le cadre de notre engagement à détecter 100 % des problèmes d'accessibilité grâce à l'automatisation, nous continuerons à mener des efforts visant à développer des systèmes d'IA et d'apprentissage automatique plus performants et plus sophistiqués. Le moteur de données développé avec le soutien de Labelbox jouera un rôle essentiel dans ces efforts.
À mesure que l'application DevTools de Axe transmet des données à notre système d'apprentissage automatique, nous recueillons des informations de meilleure qualité et plus complètes qui nous aident à identifier les possibilités d'améliorer la détection automatisée à l'avenir. Nous sommes mieux armés que jamais pour rester à la pointe des nouvelles tendances technologiques et ouvrir de nouvelles voies vers des environnements numériques pleinement inclusifs.
En avant et vers de nouveaux sommets
Labelbox a fourni à nos équipes les ressources et les connaissances nécessaires pour intégrer plus efficacement l'apprentissage automatique (ML) dans les tests d'accessibilité automatisés, afin d'obtenir des résultats plus rapides et plus précis — et nous ne reviendrons plus en arrière.
Bien que l’IA et l’apprentissage automatique soient encore des outils relativement récents dans le domaine de l’accessibilité numérique, les progrès considérables réalisés par ces technologies dans d’autres secteurs laissent entrevoir l’avenir de notre secteur également. Des tests d’accessibilité améliorés et automatisés, offrant une détection rapide, précise et exhaustive, deviendront la norme dans les discussions et les besoins en matière d’accessibilité numérique. Les clients d’ Deque peuvent être assurés que leurs organisations contribuent à rendre le Web plus inclusif.
Contactez notre équipe pour en savoir plus sur nos outils automatisés d'accessibilité numérique et sur notre engagement en faveur d'espaces numériques plus inclusifs.
