En tant que leader mondial des tests d’accessibilité des actifs numériques, Deque s’engage à fournir des outils permettant aux développeurs de créer des produits accessibles à la vitesse la plus élevée possible. Parallèlement, nous nous engageons également à fournir des tests de haute qualité selon des modèles de prestation entièrement évolutifs et en constante amélioration. Ces exigences nous obligent à automatiser autant que possible, mais nous devons le faire de manière intelligente et en mettant clairement l’accent sur l’aspect le plus important de l’accessibilité : les personnes qui l’utilisent.
Collaborer au quotidien avec nos équipes de développement internes pour concrétiser notre vision de l’accessibilité numérique n’est pas seulement un objectif personnel pour nous. Il s’agit avant tout de veiller à ne jamais perdre de vue les personnes qui sont au cœur de notre action. Cette perspective se reflète clairement dans notre approche unique de l’apprentissage automatique et, en particulier, dans la manière dont nous utilisons nos données et la vision par ordinateur.
La « vision par ordinateur », telle que nous la définissons, désigne la manière dont les ordinateurs et les technologies logicielles peuvent aider les utilisateurs à mieux comprendre les ressources numériques. Nous l'utilisons de manière très ciblée pour surmonter des difficultés spécifiques liées aux tests manuels d'accessibilité numérique.
Dans cet article, je vais vous expliquer comment nous y parvenons.
Une base de données inégalée sur les tests d'accessibilité
Deque Nous avons créé la bibliothèque de tests d'accessibilité la plus utilisée au monde, axe-core, qui, selon les derniers chiffres, compte plus de 600 000 000 de téléchargements. Nous avons également réalisé des dizaines de milliers d'évaluations pour des milliers d'entreprises, portant sur des centaines de milliers d'écrans d'interface utilisateur. Nos produits gratuits comptent chaque semaine des centaines de milliers d'utilisateurs.
Nous nous appuyons sur notre base de données regroupant les évaluations précédentes pour hiérarchiser les modèles d'interface utilisateur les plus courants et les erreurs d'accessibilité les plus fréquentes. Les données fournies par nos utilisateurs sont intégrées à notre pipeline de données d'apprentissage automatique de pointe afin d'obtenir des capacités de vision artificielle parmi les meilleures de leur catégorie.
Une approche centrée sur l'humain
Les données que nous collectons sur les problèmes d’accessibilité ne se limitent pas non plus à de simples informations brutes. Elles gagnent en pertinence grâce à l’ajout de résultats de tests réels, validés par de véritables utilisateurs de nos produits. Notre base de données de tests d’accessibilité numérique s’enrichit en permanence, car les utilisateurs acceptent de nous communiquer leurs données anonymisées à toute heure, tous les jours. Cela signifie que nos modèles s’adaptent en permanence aux dernières avancées en matière de modèles et de tendances d’interface utilisateur.
Cela donne naissance à une intelligence artificielle véritablement intelligente et dynamique, que nous utilisons pour soutenir la vision par ordinateur. Le fait de définir des priorités en nous appuyant sur des données issues du monde réel signifie que nos capacités répondent à des besoins humains concrets et pratiques.
Pour continuer à avancer dans la bonne direction, nous nous efforçons de déterminer quels éléments des tests d’accessibilité nécessitent réellement l’intervention d’un être humain. C’est ainsi que nous avons développé et que nous utilisons aujourd’hui plusieurs modèles de vision par ordinateur qui, associés à des informations sémantiques et à des heuristiques, offrent des capacités d’automatisation très avancées, en complément de ce qu’ axe-core propose en tant que bibliothèque de règles.
Nous utilisons cette méthode dans plusieurs domaines très ciblés des tests d'accessibilité numérique afin d'obtenir des résultats plus rapides et plus précis, tout en réduisant l'effort manuel. Nous avons sélectionné ces domaines car ils posent des défis particulièrement difficiles aux testeurs manuels.
Voici quelques exemples illustrant comment notre technologie de vision par ordinateur permet de résoudre des problèmes concrets :
1. Problème : Qu'est-ce que c'est, ça, à l'écran ?
En général, les testeurs d'accessibilité doivent examiner un élément à l'écran et dire, par exemple : « C'est un tableau de données, mais cet élément d'apparence similaire est un tableau de mise en page. » Les êtres humains sont très doués pour aller au-delà des variations de taille, de forme et de couleur afin de déterminer la fonction d'un objet. Mais cela peut prendre beaucoup de temps et n'est pas toujours conforme aux normes.
Ainsi, Deque utilise un modèle de détection d'objets que nous avons développé pour identifier et classer les objets de l'interface utilisateur (UI). Ce modèle est spécialement conçu pour prendre en charge les particularités propres à la détection des objets d'interface utilisateur. Notre modèle évalue efficacement les différents formats et tailles des objets de l'interface utilisateur, ainsi que la forte densité d'objets au sein d'une interface. Il analyse également les relations qui existent entre ces interfaces.
Ce type d’objets pose des défis à de nombreux modèles de vision par ordinateur, car ils peuvent comporter de nombreux éléments différents qui ont tous un aspect totalement distinct. Par exemple, ils peuvent comporter des tableaux de mise en page qui s’étendent sur la quasi-totalité de l’interface utilisateur, ainsi que des objets petits et de forme irrégulière, tels que des icônes ou des cases à cocher. Ils peuvent également comporter des curseurs ou des barres de menu courts et très larges, ou encore des éléments tels que des barres de navigation verticales ou des menus très hauts et étroits. Comment un logiciel peut-il faire la différence ?
Ensuite, notre algorithme unique de détection d’objets encode les informations relatives aux relations entre les objets, fournissant ainsi un contexte pour chaque élément. À lui seul, ce petit pas améliore considérablement la précision de détection du logiciel. Par exemple, le fait de savoir qu’une barre de navigation est présente donne des indices sur ce que cet objet peut contenir d’autre, comme d’autres éléments de navigation, des champs de recherche, etc.
Notre technologie associe ensuite ce contexte de classification à des informations sémantiques, provenant par exemple du DOM d'une application web. Enfin, elle combine ces éléments avec les données saisies par l'utilisateur et collectées par nos outils, notamment dans le cadre d'un test guidé intelligent (IGT), afin de détecter la présence éventuelle de problèmes d'accessibilité.
Axe DevTools tient également compte du fait qu’un même élément peut correspondre à plusieurs significations possibles. Nous respectons toujours le manifeste « axe-core », qui prône l’absence totale de faux positifs. Notre objectif est de réduire l’effort nécessaire pour créer des expériences utilisateur accessibles de bout en bout, et non d’identifier le plus grand nombre possible de cas « incertains ».
2. Problème : Qu'est-ce qui va ensemble ?
Les testeurs humains sont généralement capables de reconnaître les textes qui leur indiquent quoi saisir dans un champ de saisie sur une page web, mais combien de ces champs faut-il tester ? Combien de temps cela prendra-t-il ?
Pour déterminer « ce qui correspond à quoi » sans avoir à recourir à une recherche manuelle fastidieuse, Deque utilise un modèle de reconnaissance optique de caractères (OCR) afin de générer le texte associé aux libellés des formulaires et d'utiliser ce texte pour valider automatiquement les noms accessibles des champs de formulaire. Ce processus est à la fois rapide et précis.
3. Problème : y a-t-il des problèmes cachés liés aux couleurs ou au contraste ?
L'utilisation avancée des feuilles de style en cascade (CSS) et des techniques de conception sophistiquées peut entraîner des problèmes de couleur et de contraste difficiles à détecter, tels que du texte superposé à un dégradé ou à une image. Cela peut, une fois encore, nécessiter des tests manuels fastidieux et chronophages.
Pour remédier à cette difficulté, Deque utilise des rendus visuels automatisés du texte et des vérifications en arrière-plan afin de calculer la plage des valeurs de contraste des couleurs détectées et de les afficher au testeur, ce qui permet de gagner un temps considérable dans la détection de problèmes qui, sans cela, pourraient passer inaperçus.
4. Problème : comment vérifier les nombreux états différents pouvant exister dans une interface utilisateur moderne ?
Les interfaces utilisateur modernes comportent de nombreux états et combinaisons d'états qui doivent être testés. De plus, les normes WCAG ne cessent d'accroître la complexité liée aux tests de ces états. Une fois de plus, cela s'annonce comme un long processus manuel.
Ce n'est pas le cas avec Deque. Notre technologie repose sur une combinaison de déclenchements automatisés de différents états et de représentations visuelles de ces états (par exemple, « mis au point » ou « non mis au point ») afin d'évaluer si des indicateurs visuels de mise au point existent et s'ils respectent les seuils requis en matière de contraste et de perception. En effet, notre modèle pour cette solution est déjà conforme aux exigences des WCAG 2.2.
Conclusion
L'IA et l'apprentissage automatique sont des sujets très en vogue aujourd'hui. C'est passionnant d'entendre les auteurs de science-fiction évoquer des entités dotées d'IA qui arpenteraient les lieux de travail de demain. Mais c'est encore plus passionnant lorsque la vision par ordinateur, grâce à une IA et à un apprentissage automatique concrets, facilite l'accessibilité pour tous, y compris pour les développeurs.
Contactez-nous dès aujourd’hui pour découvrir comment la vision par ordinateur intelligente d’ Dequepeut vous aider à simplifier vos tests d’accessibilité.
