ಉತ್ಪನ್ನ ತಂಡಗಳು Accessibility ಅನ್ನು ಕೊನೆಯಲ್ಲಿ ಹಚ್ಚುವ ಬಣ್ಣದಂತೆ (final coat of paint) ಪರಿಗಣಿಸುವ ಅಭ್ಯಾಸವನ್ನು ಹೊಂದಿವೆ. ಅವರು ಫೀಚರ್ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತಾರೆ, ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಪ 마찬가지ಗೊಳಿಸುತ್ತಾರೆ, ಮತ್ತು ನಂತರ—ಲಾಂಚ್ ಮಾಡುವ ಎರಡು ದಿನಗಳ ಮೊದಲು—ಒಂದು ಸ್ಕ್ಯಾನರ್ ರನ್ ಮಾಡುತ್ತಾರೆ. ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಕೆಂಪು ಬಣ್ಣದಿಂದ ಕೂಡಿರುತ್ತದೆ. ಮಿಸ್ಸಿಂಗ್ ಫಾರ್ಮ್ ಲೇಬಲ್ಗಳು. ಸುಲಭ ಲಭ್ಯತೆಯ ಹೆಸರು ಇಲ್ಲದ ಬಟನ್ಗಳು. ಎಚ್ಚರಿಕೆ ಇಲ್ಲದೆ h1 ನಿಂದ h4 ಕ್ಕೆ ಜಿಗಿಯುವ ಹೆಡಿಂಗ್ ಮಟ್ಟಗಳು. ಪಠ್ಯವನ್ನು ಹಿನ್ನೆಲೆ ಶಬ್ದವನ್ನಾಗಿ ಮಾಡುವ ಬಣ್ಣದ ಸಂಯೋಜನೆಗಳು. ಈ ಪಟ್ಟಿ ಅತಿಯಾದ ಕೆಲಸದಂತೆ ಕಾಣುತ್ತದೆ ಏಕೆಂದರೆ ಇದು ಸಮಯ ಮೀರಿ ಹೋಗಿದೆ.
ಈ ಕೊನೆಯ ಕ್ಷಣದ ಆತಂಕವು ಸಂಭವಿಸುವುದು ಏಕೆಂದರೆ Accessibility ಕೆಲಸವು ಮ್ಯಾನುಯಲ್ ಮತ್ತು ನಿಧಾನ ಎಂದೆನಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಕೈಯಿಂದ ಕ್ಲಿಕ್ ಮಾಡುವ ಟೆಸ್ಟರ್ ಒಬ್ಬರು ಒಂದು ಸ್ಪ್ರಿಂಟ್ನಲ್ಲಿ ಅಷ್ಟೇ ಪ್ರಮಾಣದ ಕೆಲಸವನ್ನು ಮಾಡಬಲ್ಲರು. ಆದರೆ ಇಲ್ಲಿ ಗಮನಿಸದ ವಿಷಯವೆಂದರೆ: ತಡವಾಗಿ ಕಂಡುಬರುವ ಹೆಚ್ಚಿನ ವೈಫಲ್ಯಗಳು ಸೂಕ್ಷ್ಮವಾದ ಅಥವಾ ಕೇವಲ ಕಲಾತ್ಮಕ ಆಯ್ಕೆಗಳಲ್ಲ. ಅವು ಡಜನ್ಗಟ್ಟಲೆ ಅಥವಾ ನೂರಾರು ಪುಟಗಳಲ್ಲಿ ಪುನರಾವರ್ತನೆಯಾಗುವ ಸಾಂಸ್ಥಿಕ ಸಮಸ್ಯೆಗಳು. ಆ ಪುನರಾವರ್ತನೆಯೇ ಆಟೊಮೇಷನ್ (automation) ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ನಿಖರವಾದ ಕಾರಣ.
ಯಂತ್ರಗಳು ನಿಜವಾಗಿಯೂ ಯಾವುದರಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ
Accessibility ತಂಡಗಳಿಗೆ ಮ್ಯಾಜಿಕ್ ಅಗತ್ಯವಿಲ್ಲ. ಅವರಿಗೆ ಕವರೇಜ್ (coverage) ಅಗತ್ಯವಿದೆ. ಒಬ್ಬ ನುರಿತ ಮಾನವ ಆಡಿಟರ್ ಪುಟಗಳ ಪ್ರತಿನಿಧಿ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಬಹುದು, ತೀರ್ಮಾನ ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಸಂದರ್ಭಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಬೇಕಾದ ಸೂಕ್ಷ್ಮ ಸಮಸ್ಯೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಬಹುದು. ಮತ್ತೊಂದೆಡೆ, ಒಂದು ಯಂತ್ರವು ಯಾವುದೇ ಹಂತಗಳನ್ನು ಬಿಡದೆ ಅಥವಾ ಸುಸ್ತಾಗದೆ ಪ್ರತಿ ರಾತ್ರಿ ಪ್ರತಿಯೊಂದು ಪುಟವನ್ನು ಪರೀಕ್ಷಿಸಬಲ್ಲದು. ಈ ಸಮೀಕರಣದಲ್ಲಿ AI ನ ಮೌಲ್ಯವು ಅದು WCAG ಮಾನದಂಡಗಳನ್ನು ಬದಲಾಯಿಸುವುದಲ್ಲ. ಬದಲಾಗಿ ಅದು ತಂಡಗಳು ಕೆಲಸ ಮಾಡುವ ವಿಧಾನವನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಟೆಸ್ಟರ್ ಕೇವಲ ಎರರ್ ಲಾಗ್ಗಳಲ್ಲಿ ಮುಳುಗುವ ಬದಲು ಅಥವಾ ಪ್ರತಿಯೊಂದು ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಕ್ಲಿಕ್ ಮಾಡುವ ಬದಲು, AI ಒಂದೇ ರೀತಿಯ ಸಮಸ್ಯೆಗಳನ್ನು ಗುಂಪು ಮಾಡಬಹುದು, ಅವುಗಳ ಆವರ್ತನಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಶ್ರೇಣೀಕರಿಸಬಹುದು ಮತ್ತು ಯಾವ ವೈಫಲ್ಯಗಳು ಬಳಕೆದಾರರ ಅನುಭವವನ್ನು (user experience) ಹೆಚ್ಚು ಹಾಳುಮಾಡುತ್ತಿವೆ ಎಂದು ನಿಮಗೆ ತಿಳಿಸಬಹುದು.
ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಕೆಲಸ, ವರ್ಗೀಕರಣ (triage) ಮತ್ತು ಮಾದರಿ ಗುರುತಿಸುವಿಕೆಗಾಗಿ (pattern recognition) AI ಅನ್ನು ಬಳಸಿ. ನಿಮ್ಮ ತಂಡವು ಸಮಸ್ಯೆಗಳನ್ನು ಸರಿಪಡಿಸುವುದರ ಮೇಲೆ ಗಮನ ಹರಿಸಲು ಅದು ಸ್ಕ್ಯಾನಿಂಗ್ ಕೆಲಸವನ್ನು ನಿಭಾಯಿಸಲಿ.
ಸಾಮಾನ್ಯ ವೈಫಲ್ಯಗಳನ್ನು ತೋರಿಸುವ ಸಂಕೇತಗಳು
ಹೆಚ್ಚಿನ Accessibility ವೈಫಲ್ಯಗಳು ಸ್ಪಷ್ಟವಾದ, ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ಸಂಕೇತಗಳನ್ನು ನೀಡುತ್ತವೆ. ಒಂದು ಸ್ಕ್ಯಾನರ್ alt attribute ಇಲ್ಲದ ಚಿತ್ರವನ್ನು ಪತ್ತೆಹಚ್ಚಬಹುದು. DOM ನಲ್ಲಿ ಇರುವ ಆದರೆ ಯಾವುದೇ ಪಠ್ಯ ಅಥವಾ aria-label ಇಲ್ಲದ ಬಟನ್ಗಳನ್ನು ಅದು ಕಂಡುಕೊಳ್ಳಬಹುದು, ಇದರಿಂದ ಸ್ಕ್ರೀನ್ ರೀಡರ್ ಬಳಕೆದಾರರಿಗೆ ಆ ಬಟನ್ ಏನು ಮಾಡುತ್ತದೆ ಎಂಬ ಅರಿವು ಇರುವುದಿಲ್ಲ. "click here" ಅಥವಾ "read more" ಎಂದು ಹೇಳುವ ಲಿಂಕ್ಗಳನ್ನು ಅದು ಗುರುತಿಸಬಹುದು, ಇದು ಪುಟಗಳ ಮೂಲಕ ಹೋಗುವ ಬಳಕೆದಾರರಿಗೆ ಗುರಿಯ ಬಗ್ಗೆ ಮಾಹಿತಿ ನೀಡುವುದಿಲ್ಲ. ಕಾಂಟ್ರಾಸ್ಟ್ (contrast) ಅಗತ್ಯತೆಗಳನ್ನು ಪೂರೈಸದ ಬಣ್ಣದ ಸಂಯೋಜನೆಗಳನ್ನು ಇದು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ. ಹೆಡಿಂಗ್ಗಳ ಮೂಲಕ ಪುಟವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಜನರಿಗೆ ನ್ಯಾವಿಗೇಷನ್ ತೊಂದರೆಯಾಗುವಂತೆ, ಹಂತಗಳನ್ನು ಬಿಟ್ಟುಹೋಗುವ ಹೆಡಿಂಗ್ ಹಿರಾರ್ಕಿಗಳನ್ನು (heading hierarchies) ಇದು ಗಮನಿಸುತ್ತದೆ.
ಇವು ಮಾದರಿ ಆಧಾರಿತ ಸಮಸ್ಯೆಗಳು. ಇವು ಮುನ್ಸೂಚನೆ ನೀಡಬಹುದಾದ ಕೋಡ್ ಮಾರ್ಕರ್ಗಳಾಗಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ, ಅಂದರೆ ಆಟೊಮೇಷನ್ ಪತ್ತೆಹಚ್ಚಲು ಅತ್ಯುತ್ತಮವಾಗಿರುವ ಕೆಲಸಗಳೇ ಇವು.
ನೈಜ ಸಮಸ್ಯೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಪೈಪ್ಲೈನ್ ನಿರ್ಮಿಸುವುದು
ಒಂದು ಉತ್ತಮ ಸೆಟಪ್ ಎಂದರೆ ಒಮ್ಮೆ ರನ್ ಆಗುವ ಒಂದೇ ಸಾಧನವನ್ನು ಅವಲಂಬಿಸುವುದಲ್ಲ. ಇದು ವಿವಿಧ ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಮೊದಲ ಹಂತವು ಕೋಡ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವ ರೂಲ್ ಇಂಜಿನ್ (rule engine). ಈ ಇಂಜಿನ್ಗಳು ಡೆವಲಪರ್ಗಳು ಘಟಕಗಳನ್ನು (components) ಬರೆಯುವಾಗ ಮಾರ್ಕ್ಅಪ್ ಅನ್ನು WCAG ಮಾರ್ಗಸೂಚಿಗಳ ವಿರುದ್ಧ ಪರಿಶೀಲಿಸುತ್ತವೆ, ಬ್ರೌಸರ್ ತಲುಪುವ ಮೊದಲೇ ಲೇಬಲ್ ಇಲ್ಲದ ಇನ್ಪುಟ್ಗಳು ಅಥವಾ ಅಮಾನ್ಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು (invalid attributes) ಗುರುತಿಸುತ್ತವೆ.
ಎರಡನೇ ಹಂತವು ಬ್ರೌಸರ್ ಆಟೊಮೇಷನ್ (browser automation). ಸ್ಟ್ಯಾಟಿಕ್ ಕೋಡ್ ಅನಾಲಿಸಿಸ್ ಮೂಲಕ ಮಾಡಲ್ (modal) ತೆರೆದ ನಂತರ, ಡ್ರಾಪ್ಡೌನ್ ವಿಸ್ತರಿಸಿದ ನಂತರ ಅಥವಾ ಫಾರ್ಮ್ ವ್ಯಾಲಿಡೇಶನ್ ಎರರ್ ಕಾಣಿಸಿಕೊಂಡ ನಂತರ ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಾಧ್ಯವಿಲ್ಲ. ಆಟೊಮೇಟೆಡ್ ಬ್ರೌಸರ್ಗಳು ಬಳಕೆದಾರರ ನೈಜ ಪ್ರಯಾಣಗಳನ್ನು—ಸೈನ್ ಅಪ್ ಪ್ರಕ್ರಿಯೆಗಳು, ಚೆಕ್ಔಟ್ ಪ್ರಕ್ರಿಯೆಗಳು, ಅಕೌಂಟ್ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳು—ಎಲ್ಲವನ್ನೂ ಪರೀಕ್ಷಿಸಬೇಕಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಬಳಕೆದಾರರ ಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಕಂಟೆಂಟ್ ಡೈನಾಮಿಕ್ ಆಗಿ ಬದಲಾಗುತ್ತದೆ. ನಿಮ್ಮ ಪಾಸ್ವರ್ಡ್ ಅಗತ್ಯತೆಗಳು ಫೀಲ್ಡ್ನಿಂದ ಗಮನ ಹೊರಟ ನಂತರವಷ್ಟೇ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತಿದ್ದರೆ, ಕೇವಲ ಕೋಡ್ ಸ್ಕ್ಯಾನರ್ ಆ ಅಧಿಸೂಚನೆಯ ವೈಫಲ್ಯವನ್ನು ಎಂದಿಗೂ ನೋಡದಿರಬಹುದು.
ಮೂರನೇ ಹಂತವು AI ಸಂಶೋಧನೆಗಳನ್ನು ಅರ್ಥೈಸುತ್ತದೆ ಮತ್ತು ಡ್ಯುಪ್ಲಿಕೇಟ್ಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುತ್ತದೆ. ಒಂದೇ ರೀತಿಯ ಲೇಬಲ್ ಇಲ್ಲದ ಐಕಾನ್ ಬಟನ್ ಎಂಬುದು ಎಂಬತ್ತು ಪುಟಗಳಲ್ಲಿ ಬಳಕೆಯಾಗುವ ಹೆಡರ್ ಕಾಂಪೊನೆಂಟ್ನಲ್ಲಿ ಇದ್ದರೆ, ಸಿಸ್ಟಮ್ ಅದನ್ನು ಎಂಬತ್ತು ಪ್ರತ್ಯೇಕ ಪುಟ ಮಟ್ಟದ ಬಗ್ಗಳಾಗಿ ವರದಿ ಮಾಡುವ ಬದಲು, ಕಾಂಪೊನೆಂಟ್ ಮಟ್ಟದ ದೋಷವಾಗಿ ಒಮ್ಮೆ ವರದಿ ಮಾಡಬೇಕು. ಇದು ತಂಡಗಳು ಅತಿಯಾದ ಮಾಹಿತಿಯಲ್ಲಿ ಮುಳುಗುವುದನ್ನು ತಪ್ಪಿಸುತ್ತದೆ.
ನಾಲ್ಕನೇ ಹಂತವು ಮಾನವ ವಿಮರ್ಶೆ (human review). ಯಂತ್ರವು ನಿರಂತರವಾಗಿ ಪರೀಕ್ಷಿಸಬೇಕು, ಆದರೆ ಬಿಡುಗಡೆ ಮಾಡುವ ಮೊದಲು ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಎಡ್ಜ್ ಕೇಸ್ಗಳನ್ನು (edge cases) ಪರಿಶೀಲಿಸಬೇಕು. ಯಾವುದೇ ಆಟೊಮೇಟೆಡ್ ಪೈಪ್ಲೈನ್ ತನ್ನದೇ ಆದ ಅಂತಿಮ ತೀರ್ಪನ್ನು ನೀಡಬಾರದು.
ತಾಂತ್ರಿಕ ಪದಗಳನ್ನು ಕ್ರಿಯೆಯಾಗಿ ಪರಿವರ್ತಿಸುವುದು
ಸ್ಕ್ಯಾನರ್ನ ಕಚ್ಚಾ ಔಟ್ಪುಟ್ (raw output) ಹೆಚ್ಚಾಗಿ ಬ್ಯಾಕ್ಲಾಗ್ಗಳಲ್ಲಿ ಉಳಿಯುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ಡೆವಲಪರ್ಗಳಿಗಾಗಿ ಅಲ್ಲದೆ ಆಡಿಟರ್ಗಳಿಗಾಗಿ ಉದ್ದೇಶಿಸಿದ ವಿಶೇಷಣದಂತೆ ಕಾಣುತ್ತದೆ. "ಅಪೂರ್ಣ ಬಣ್ಣದ ಕಾಂಟ್ರಾಸ್ಟ್ ಅನುಪಾತ" (insufficient color contrast ratio) ಎಂದು ಹೇಳುವ ವರದಿಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ಅಮೂರ್ತವಾಗಿ ಮತ್ತು ಕಡಿಮೆ ಆದ್ಯತೆಯಂತೆ ಕೇಳಿಸುತ್ತದೆ. "ಬಿಳಿ ಹಿನ್ನೆಲೆಯ ಮೇಲೆ ಬೂದು ಬಣ್ಣದ ಸಹಾಯ ಪಠ್ಯವನ್ನು ಓದುವುದು ಕಷ್ಟ" ಎಂದು ಹೇಳುವುದು ಒಬ್ಬ ಡೆವಲಪರ್ಗೆ ಏನು ಸರಿಪಡಿಸಬೇಕು, ಎಲ್ಲಿ ನೋಡಬೇಕು ಮತ್ತು ನೈಜ ಬಳಕೆದಾರರಿಗೆ ಇದು ಏಕೆ ಮುಖ್ಯ ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ ತಿಳಿಸುತ್ತದೆ. ತಾಂತ್ರಿಕ WCAG ವೈಫಲ್ಯಗಳನ್ನು ಉತ್ಪನ್ನ ತಂಡಗಳು ವಾಸ್ತವವಾಗಿ ಓದಬಲ್ಲ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಬಲ್ಲ ಸರಳ ಭಾಷೆಗೆ ಅನುವಾದಿಸುವ ಮೂಲಕ AI ಈ ಅಂತರವನ್ನು ತುಂಬಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ನೀವು ಪ್ರತಿಯೊಂದು ಎಚ್ಚರಿಕೆಯನ್ನು ಒಂದೇ ರೀತಿ ಪರಿಗಣಿಸುವ ಬದಲು, ನಿಮ್ಮ ಸಂಶೋಧನೆಗಳಿಗೆ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮಟ್ಟಗಳನ್ನು (confidence levels) ನೀಡಬೇಕಾಗುತ್ತದೆ. ಲೇಬಲ್ ಮಾಡದ ಫಾರ್ಮ್ ಇನ್ಪುಟ್ಗಳಂತಹ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸಮಸ್ಯೆಗಳು, ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಟಿಕೆಟ್ಗಳನ್ನು ರಚಿಸಬಹುದು, ಏಕೆಂದರೆ ಇವುಗಳಿಗೆ WCAG ಪ್ರಕಾರ ಪರಿಹಾರವು ಬಹುತೇಕ ಯಾವಾಗಲೂ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ಪರಿಹಾರವು ಸರಳವಾಗಿರುತ್ತದೆ. ವಿವರಣಾತ್ಮಕವಾಗಿರದೆ ಕೇವಲ ಕೀವರ್ಡ್ಗಳಿಂದ ತುಂಬಿರುವ ಸಂಶಯಾಸ್ಪದ alt text ನಂತಹ ಮಧ್ಯಮ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸಂಶೋಧನೆಗಳು, ಆ ವಿವರಣೆಯು ಉಪಯುಕ್ತವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಮಾನವ ವಿಮರ್ಶೆಯ ಅಗತ್ಯವಿದೆ. ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಅಂಶಗಳು ಮ್ಯಾನುಯಲ್ ಟೆಸ್ಟಿಂಗ್ಗಾಗಿ ವರದಿಗಳಲ್ಲಿಯೇ ಇರಬೇಕು. ಸ್ಕ್ಯಾನರ್ ಒಂದು ಮಿಸ್ಸಿಂಗ್ alt ಅಟ್ರಿಬ್ಯೂಟ್ ಅನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಆದರೆ ಚಿತ್ರವು ಅಲಂಕಾರಿಕವಾಗಿದೆಯೇ ಅಥವಾ ವಿಷಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಗತ್ಯವಾಗಿದೆಯೇ ಎಂಬುದು ಅದಕ್ಕೆ ತಿಳಿಯುವುದಿಲ್ಲ. ಆ ಸಂದರ್ಭವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇಂದಿಗೂ ಮನುಷ್ಯನ ಅಗತ್ಯವಿದೆ.
ಒಮ್ಮೆ ಸರಿಪಡಿಸಿ, ಎಲ್ಲೆಡೆ ಸರಿಪಡಿಸಿ
ಸಮಸ್ಯೆಗಳು ಎಲ್ಲಿ ಗುಂಪುಗೂಡುತ್ತಿವೆ ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯಲು AI ತಂಡಗಳಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಒಂದು ಕೆಟ್ಟದಾಗಿ ನಿರ್ಮಿಸಲಾದ ಬಟನ್ ಕಾಂಪೊನೆಂಟ್ ಐವತ್ತು ಸ್ಕ್ರೀನ್ಗಳಲ್ಲಿ ಕಂಡುಬಂದರೆ, ಆ ಕಾಂಪೊನೆಂಟ್ ಅನ್ನು ಒಮ್ಮೆ ಸರಿಪಡಿಸುವುದರಿಂದ ಸಮಸ್ಯೆಗಳ ಸಂಖ್ಯೆ ತಕ್ಷಣವೇ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಇದು ಕೆಲಸವನ್ನು ಪುಟ-ಪುಟವಾಗಿ ಸರಿಪಡಿಸುವ ಕಷ್ಟದಿಂದ ವ್ಯವಸ್ಥಿತವಾದ ಕಾಂಪೊನೆಂಟ್ ಲೈಬ್ರರಿ ನಿರ್ವಹಣೆಯತ್ತ ಬದಲಾಯಿಸುತ್ತದೆ. ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ (Pattern recognition) ಎನ್ನುವ ವಿಷಯದಲ್ಲಿ AI ಹೆಚ್ಚು ಪ್ರಯೋಜನಕಾರಿಯಾಗುತ್ತದೆ. ಇದು ನೂರಾರು ಪುಟಗಳಲ್ಲಿನ ಸಂಬಂಧಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ತಂಡಗಳು ನಲವತ್ತು ವಿಭಿನ್ನ Jira ಟಿಕೆಟ್ಗಳಲ್ಲಿ ಒಂದೇ ಬಗ್ ಅನ್ನು ಸರಿಪಡಿಸುವುದನ್ನು ನಿಲ್ಲಿಸಬಹುದು.
ಸ್ಕ್ಯಾನರ್ಗಳನ್ನು ಪಲ್ ರಿಕವೆಸ್ಟ್ಗಳಿಗೆ (pull requests) ಜೋಡಿಸುವುದು ಈ ಫೀಡ್ಬ್ಯಾಕ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಚುರುಕುಗೊಳಿಸುತ್ತದೆ. ಒಬ್ಬ ಡೆವಲಪರ್ ತಮ್ಮ ಹೊಸ ಮಾರ್ಕಪ್ (markup) ಒಂದು ಹೆಡಿಂಗ್ ಮಟ್ಟವನ್ನು ಬಿಟ್ಟುಹೋಗಿದೆ ಎಂಬ ಎಚ್ಚರಿಕೆಯನ್ನು ಮರ್ಜ್ ಮಾಡುವ ಮೊದಲೇ ಪಡೆದರೆ, ಅದನ್ನು ಸರಿಪಡಿಸಲು ಕೇವಲ ನಿಮಿಷಗಳು ಸಾಕು. ಅದೇ ಸಮಸ್ಯೆ ಪ್ರೊಡಕ್ಷನ್ಗೆ ಹೋದ ನಂತರ ಲಾಂಚ್ ಆಗುವ ಎರಡು ದಿನಗಳ ಮೊದಲು ಕಂಡುಬಂದರೆ, ಅದನ್ನು ಸರಿಪಡಿಸಲು ಹಾಟ್ಫಿಕ್ಸ್, ರಿಗ್ರೆಷನ್ ಟೆಸ್ಟಿಂಗ್ ಮತ್ತು ಸ್ಟೇಕ್ಹೋಲ್ಡರ್ ಸಂವಹನದ ಅಗತ್ಯವಿರುತ್ತದೆ. ಈ ಚುರುಕಾದ ಪ್ರಕ್ರಿಯೆಗಳು ಸಮಯವನ್ನು ಉಳಿಸುತ್ತವೆ ಮತ್ತು ಅಕ್ಸೆಸಿಬಿಲಿಟಿ ಡೆಬ್ಟ್ (accessibility debt) ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ.
ಕೆಲಸದ ವಿಭಜನೆ
ಆಟೊಮೇಷನ್ ನಿಮ್ಮ ಉತ್ಪನ್ನವನ್ನು ತನ್ನಷ್ಟಕ್ಕೆ ತಾನೇ ಅಕ್ಸೆಸಿಬಲ್ ಆಗಿ ಮಾಡಲಾರದು. ಆದಾಗ್ಯೂ, ಇದು ನಿಮ್ಮ ತಂಡವು ಒಂದೇ ರೀತಿಯ ಸ್ಪಷ್ಟ ತಪ್ಪುಗಳನ್ನು ಪದೇ ಪದೇ ಮಾಡದಂತೆ ತಡೆಯುತ್ತದೆ. ನಿಮ್ಮ CI ಪೈಪ್ಲೈನ್ನಲ್ಲಿ ಆಟೊಮೇಟೆಡ್ ಚೆಕ್ಗಳನ್ನು ರನ್ ಮಾಡಿ. ಕಂಟೆಂಟ್ ಎಡಿಟರ್ಗಳು ಅಥವಾ ಹೊಸ ಫೀಚರ್ಗಳಿಂದ ಉಂಟಾಗುವ ರಿಗ್ರೆಷನ್ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಪ್ರತಿ ರಾತ್ರಿ ಸ್ಟೇಜಿಂಗ್ ಸೈಟ್ಗಳನ್ನು ಕ್ರಾಲ್ ಮಾಡಿ. ಬ್ಯಾಕ್ಲಾಗ್ಗಳನ್ನು ನಿರ್ವಹಣಾ ಕೈಗೆಟುಕುವಂತೆ ಮಾಡಲು ಸಮಸ್ಯೆಗಳನ್ನು ಕಾಂಪೊನೆಂಟ್ ಮೂಲಕ ಗುಂಪು ಮಾಡಿ. ಸೈಟ್ನ ಯಾವ ಭಾಗಗಳಲ್ಲಿ ಸಂದರ್ಭವು (context) ಅತ್ಯಂತ ಮುಖ್ಯವೋ ಅಲ್ಲಿ ಮಾನವ ಗಮನವನ್ನು ಮೀಸಲಿಡಿ: ಉದಾಹರಣೆಗೆ ಚಿತ್ರಕ್ಕೆ alt text ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸುವುದು, ಸಂಕೀರ್ಣವಾದ ಕಸ್ಟಮ್ ಕಾಂಪೊನೆಂಟ್ಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಮತ್ತು ಬಳಕೆದಾರರ ಉದ್ದೇಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾದ ಫ್ಲೋಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು.
ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಕೆಲಸ, ಟ್ರೈಯೇಜ್ (triage) ಮತ್ತು ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ಗಾಗಿ AI ಅನ್ನು ಬಳಸಿ. ಪ್ರತಿ ರಾತ್ರಿ ಪ್ರತಿಯೊಂದು ಪುಟದಲ್ಲಿ ನಡೆಯುವ ಪುನರಾವರ್ತಿತ ಸ್ಕ್ಯಾನಿಂಗ್ ಅನ್ನು ಯಂತ್ರಗಳಿಗೆ ಬಿಡಿ. ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಕೆಲಸವನ್ನು ಮನುಷ್ಯರಿಗೆ ಬಿಡಿ. ಈ ರೀತಿಯ ಕೆಲಸದ ವಿಭಜನೆಯು ಅಕ್ಸೆಸಿಬಿಲಿಟಿಯನ್ನು ಲಾಂಚ್ ಪೂರ್ವ ಆತಂಕದಿಂದ ಸಾಮಾನ್ಯ ಇಂಜಿನಿಯರಿಂಗ್ ಅಭ್ಯಾಸವಾಗಿ ಬದಲಾಯಿಸುತ್ತದೆ.
ಮೂಲ: https://dev.to/henryv/automating-wcag-compliance-with-ai-4ogp
ಚರ್ಚೆಯಲ್ಲಿ ಭಾಗವಹಿಸಿ: https://t.me/GyaanSetuAi