AI-система забезпечення доступності (Accessibility)
Web Content Accessibility Guidelines (WCAG 2.1) рівень AA — юридична вимога у дедалі більшій кількості юрисдикцій (ADA США, EN 301 549 ЄС, з 2025 року обов'язкова EAA). Ручний аудит доступності сайту з 5000 сторінок займає 3-4 тижні і коштує $40-80K. AI-система робить це за годинник і продовжує моніторити в CI/CD.
Автоматизований аудит доступності
Що автоматика знаходить, а що ні
Axe-core, Deque, IBM Equal Access Checker - стандартні двигуни. Автоматично детектуються: відсутність alt-тексту, неправильний heading hierarchy, низький контрастний коефіцієнт, відсутність ARIA labels, keyboard trap. Покриття: 30-40% WCAG критеріїв оцінки Deque.
ML закриває частину 60%, що залишилися: - Якість alt-тексту: класифікатор (fine-tuned BERT/RoBERTa) оцінює, чи є alt-текст інформативним чи формальним ("image.jpg", "photo1"). F1 0.84 на датасеті з 50K анотованих зображень. - Смисловий контраст: не просто коефіцієнт контрастності (WCAG 1.4.3), а й читаність шрифту - CNN класифікатор на рендері елемента. - Когнітивна складність тексту: Flesch-Kincaid + readability ML-моделі з метою оцінки complexity рівня AAA (WCAG 3.1.5).
Computer Vision для візуального аудиту
Screenshot rendering → CV pipeline: 1. Playwright headless browser рендерит сторінки 2. DETR (Detection Transformer) детектує UI-компоненти 3. Класифікатор перевіряє touch target size (WCAG 2.5.5: мінімум 44×44px) 4.
Продуктивність: 2500 сторінок за 40 хвилин на 4×A10G GPU.
AI для користувачів з обмеженими можливостями
Автоматична генерація alt-тексту
BLIP-2 або LLaVA (Large Language Vision Model) генерує опис зображення. Для product images в e-commerce: fine-tuning на доменних даних із описами товарів. ROUGE-L 0.67 vs. 0.58 у базового BLIP-2 після fine-tuning на 12K прикладах через QLoRA.
Інтеграція в CMS: webhook під час завантаження зображення → inference endpoint (TorchServe або vLLM) → запис alt-тексту в media library. Latency: 800 мс–1.2 с на зображення.
Субтитри та транскрипція
Whisper large-v3 (OpenAI) - state-of-the-art ASR. WER 3.1% на LibriSpeech clean. Для відеоплатформи: real-time субтитри через streaming inference, транскрипція batch для VOD. Speaker diarization: pyannote.audio для поділу по спікерам у вебінарах.
Адаптація для поганої акустики: доменний fine-tuning через Hugging Face transformers + datasets, 8-bit квантизація через bitsandbytes для деплою на CPU-інфраструктурі.
Ассистивні технології та NLP
Спрощення тексту (Plain Language): T5 або Mistral-7B fine-tuned для перефразування складних юридичних/медичних текстів простою мовою. SARI score - метрика якості спрощення, baseline T5 large: 42.1, після domain fine-tuning: 47.3.
Система аугментативної та альтернативної комунікації (AAC): language model передбачає наступне слово/символ для користувачів з моторними порушеннями. GPT-2 fine-tuned на корпусі AAC-повідомлень знижує кількість натискань на 40% vs. простий n-gram моделі.
Моніторинг у CI/CD
Accessibility regression testing: axe-core + ML-розширення інтегруються до GitHub Actions. Pull Request не мерзне при появі нових WCAG violations. Dashboard: історичні метрики порушень компонентів, trend аналіз.
Типова помилка: команда додає accessibility перевірки тільки в e2e тести, які запускаються раз на добу. До того моменту порушення вже в процесі виробництва. Правильно: unit-level accessibility checks в Storybook + Playwright component tests + full-page scan в CI.
Стек
| Компонент | Инструмент |
|---|---|
| Автоматический аудит | axe-core, Playwright |
| Alt-text генерация | BLIP-2, LLaVA, Hugging Face |
| ASR субтитры | Whisper large-v3 |
| Текстовое упрощение | T5, Mistral-7B fine-tuned |
| CV UI анализ | DETR, torchvision |
| CI/CD интеграция | GitHub Actions, GitLab CI |
Термін розробки: 2-5 місяців для аудитного інструментарію. AI-powered assistive features (alt-text генератор, субтитри, спрощення тексту) - 3-6 місяців додатково.