ਪ੍ਰੋਡਕਟ ਟੀਮਾਂ ਦੀ ਆਦਤ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ Accessibility ਨੂੰ ਅੰਤ ਵਿੱਚ ਲਗਾਏ ਜਾਣ ਵਾਲੇ ਰੰਗ ਦੇ ਇੱਕ ਕੋਟ ਵਾਂਗ ਸਮਝਦੀਆਂ ਹਨ। ਉਹ ਫੀਚਰ ਬਣਾਉਂਦੇ ਹਨ, ਇੰਟਰਫੇਸ ਨੂੰ ਪਾਲਿਸ਼ ਕਰਦੇ ਹਨ, ਅਤੇ ਫਿਰ—ਲੌਂਚ ਤੋਂ ਦੋ ਦਿਨ ਪਹਿਲਾਂ—ਇੱਕ ਸਕੈਨਰ ਚਲਾਉਂਦੇ ਹਨ। ਅਚਾਨਕ ਡੈਸ਼ਬੋਰਡ ਲਾਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਗੁੰਮ ਹੋਏ ਫਾਰਮ ਲੇਬਲ। ਬਿਨਾਂ ਕਿਸੇ accessible name ਦੇ ਬਟਨ। ਹੈਡਿੰਗ ਲੈਵਲ ਜੋ ਬਿਨਾਂ ਕਿਸੇ ਚੇਤਾਵਨੀ ਦੇ h1 ਤੋਂ h4 'ਤੇ ਟੱਪ ਜਾਂਦੇ ਹਨ। ਰੰਗਾਂ ਦੇ ਅਜਿਹੇ ਸੁਮੇਲ ਜੋ ਟੈਕਸਟ ਨੂੰ ਬੈਕਗਰਾਊਂਡ ਸ਼ੋਰ (noise) ਬਣਾ ਦਿੰਦੇ ਹਨ। ਇਹ ਸੂਚੀ ਬਹੁਤ ਭਾਰੀ ਲੱਗਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸਮੇਂ ਸਿਰ ਨਹੀਂ ਕੀਤੀ ਗਈ।

ਇਹ ਆਖਰੀ ਮਿੰਟ ਦੀ ਘਬਰਾਹਟ ਇਸ ਲਈ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ Accessibility ਦਾ ਕੰਮ ਮੈਨੂਅਲ ਅਤੇ ਹੌਲੀ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਟੈਸਟਰ ਜੋ ਹਰ ਟੈਂਪਲੇਟ ਨੂੰ ਹੱਥ ਨਾਲ ਚੈੱਕ ਕਰਦਾ ਹੈ, ਉਹ ਇੱਕ ਸਪ੍ਰਿੰਟ (sprint) ਵਿੱਚ ਸਿਰਫ ਕੁਝ ਹੀ ਹਿੱਸੇ ਨੂੰ ਕਵਰ ਕਰ ਸਕਦਾ ਹੈ। ਪਰ ਇੱਥੇ ਉਹ ਹਿੱਸਾ ਹੈ ਜਿਸ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ: ਦੇਰੀ ਨਾਲ ਮਿਲਣ ਵਾਲੀਆਂ ਜ਼ਿਆਦਾਤਰ ਅਸਫਲਤਾਵਾਂ ਕੋਈ ਬਰੀਕ ਜਾਂ ਇੱਕ ਵਾਰੀ ਹੋਣ ਵਾਲੇ ਕਲਾਤਮਕ ਫੈਸਲੇ ਨਹੀਂ ਹੁੰਦੇ। ਉਹ ਵਾਰ-ਵਾਰ ਹੋਣ ਵਾਲੀਆਂ, ਸੰਰਚਨਾਤਮਕ (structural) ਸਮੱਸਿਆਵਾਂ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਦਰਜਨਾਂ ਜਾਂ ਸੈਂਕੜੇ ਪੇਜਾਂ 'ਤੇ ਦੁਹਰਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਉਹ ਦੁਹਰਾਓ ਹੀ ਉਹ ਕਾਰਨ ਹੈ ਕਿ ਆਟੋਮੇਸ਼ਨ ਕੰਮ ਕਰਦਾ ਹੈ।

ਮਸ਼ੀਨਾਂ ਅਸਲ ਵਿੱਚ ਕੀ ਸਭ ਤੋਂ ਵਧੀਆ ਕਰਦੀਆਂ ਹਨ

Accessibility ਟੀਮਾਂ ਨੂੰ ਜਾਦੂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਕਵਰੇਜ ਦੀ ਲੋੜ ਹੈ। ਇੱਕ ਕੁਸ਼ਲ ਮਨੁੱਖੀ ਆਡੀਟਰ ਪੇਜਾਂ ਦੇ ਇੱਕ ਪ੍ਰਤੀਨਿਧ ਨਮੂਨੇ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦਾ ਹੈ, ਫੈਸਲਾ ਲੈ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਬਰੀਕ ਮੁੱਦਿਆਂ ਨੂੰ ਫੜ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਸੰਦਰਭ (context) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਦੇ ਉਲਟ, ਇੱਕ ਮਸ਼ੀਨ ਹਰ ਪੇਜ ਦੀ ਹਰ ਰਾਤ ਜਾਂਚ ਕਰ ਸਕਦੀ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਕਦਮ ਨੂੰ ਛੱਡੇ ਜਾਂ ਥੱਕੇ। ਇਸ ਸਮੀਕਰਨ ਵਿੱਚ AI ਦੀ ਕੀਮਤ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ WCAG ਮਿਆਰਾਂ ਦੀ ਜਗ੍ਹਾ ਲੈਂਦਾ ਹੈ। ਇਹ ਟੀਮਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਰੂਅ (raw) ਐਰਰ ਲੌਗਸ ਵਿੱਚ ਡੁੱਬਣ ਜਾਂ ਹਰ ਟੈਂਪਲੇਟ 'ਤੇ ਕਲਿੱਕ ਕਰਨ ਦੀ ਬਜਾਏ, AI ਦੁਹਰਾਏ ਗਏ ਮੁੱਦਿਆਂ ਨੂੰ ਗਰੁੱਪ ਕਰ ਸਕਦਾ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਫ੍ਰੀਕੁਐਂਸੀ (frequency) ਅਨੁਸਾਰ ਰੈਂਕ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਤੁਹਾਨੂੰ ਦੱਸ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜੀਆਂ ਅਸਫਲਤਾਵਾਂ ਯੂਜ਼ਰ ਐਕਸਪੀਰੀਅੰਸ (user experience) ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਖਰਾਬ ਕਰ ਰਹੀਆਂ ਹਨ।

ਵੌਲਯੂਮ (volume), ਟ੍ਰਾਇਜ (triage), ਅਤੇ ਪੈਟਰਨ ਦੀ ਪਛਾਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ। ਇਸਨੂੰ ਰੂਅ ਸਕੈਨਿੰਗ ਦਾ ਬੋਝ ਸੰਭਾਲਣ ਦਿਓ ਤਾਂ ਜੋ ਤੁਹਾਡੀ ਟੀਮ ਚੀਜ਼ਾਂ ਨੂੰ ਠੀਕ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕੇ।

ਉਹ ਸੰਕੇਤ ਜੋ ਆਮ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਦੱਸ ਦਿੰਦੇ ਹਨ

ਜ਼ਿਆਦਾਤਰ Accessibility ਅਸਫਲਤਾਵਾਂ ਸਪਸ਼ਟ, ਪਛਾਣਨਯੋਗ ਸੰਕੇਤ ਦਿੰਦੀਆਂ ਹਨ। ਇੱਕ ਸਕੈਨਰ missing alt attribute ਵਾਲੀ ਤਸਵੀਰ ਨੂੰ ਫੜ ਸਕਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਬਟਨਾਂ ਨੂੰ ਲੱਭ ਸਕਦਾ ਹੈ ਜੋ DOM ਵਿੱਚ ਤਾਂ ਹਨ ਪਰ ਉਹਨਾਂ ਵਿੱਚ ਕੋਈ ਟੈਕਸਟ ਜਾਂ aria-label ਨਹੀਂ ਹੈ, ਜਿਸ ਨਾਲ ਸਕ੍ਰੀਨ ਰੀਡਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲਿਆਂ ਨੂੰ ਇਹ ਪਤਾ ਨਹੀਂ ਲੱਗਦਾ ਕਿ ਬਟਨ ਕੀ ਕਰਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਲਿੰਕਾਂ ਨੂੰ ਫਲੈਗ ਕਰ ਸਕਦਾ ਹੈ ਜੋ "click here" ਜਾਂ "read more" ਕਹਿੰਦੇ ਹਨ, ਜੋ ਪੇਜਾਂ ਰਾਹੀਂ ਟੈਬ (tab) ਕਰਨ ਵਾਲੇ ਯੂਜ਼ਰਾਂ ਨੂੰ ਮੰਜ਼ਿਲ ਦਾ ਕੋਈ ਸੰਦਰਭ ਨਹੀਂ ਦਿੰਦੇ। ਇਹ ਉਹਨਾਂ ਰੰਗਾਂ ਦੇ ਸੁਮੇਲ ਨੂੰ ਫੜਦਾ ਹੈ ਜੋ ਕੰਟਰਾਸਟ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਨਹੀਂ ਕਰਦੇ। ਇਹ ਉਹਨਾਂ ਹੈਡਿੰਗ ਹਾਇਰਾਰਕੀਜ਼ (heading hierarchies) ਨੂੰ ਨੋਟ ਕਰਦਾ ਹੈ ਜੋ ਲੈਵਲ ਛੱਡ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਲੋਕਾਂ ਲਈ ਨੈਵੀਗੇਸ਼ਨ ਟੁੱਟ ਜਾਂਦੀ ਹੈ ਜੋ ਪੇਜ ਦਾ ਨਕਸ਼ਾ ਬਣਾਉਣ ਲਈ ਹੈਡਿੰਗਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।

ਇਹ ਪੈਟਰਨ-ਅਧਾਰਤ ਸਮੱਸਿਆਵਾਂ ਹਨ। ਇਹ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਕੋਡ ਮਾਰਕਰਾਂ ਵਜੋਂ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਬਿਲਕੁਲ ਉਹੀ ਕੰਮ ਹਨ ਜਿਸ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਆਟੋਮੇਸ਼ਨ ਉੱਤਮ ਹੈ।

ਇੱਕ ਅਜਿਹੀ ਪਾਈਪਲਾਈਨ ਬਣਾਉਣਾ ਜੋ ਅਸਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਫੜੇ

ਇੱਕ ਚੰਗਾ ਸੈੱਟਅੱਪ ਇੱਕ ਵਾਰ ਚੱਲਣ ਵਾਲੇ ਸਿੰਗਲ ਟੂਲ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਪਰਤਾਂ (layers) ਨੂੰ ਜੋੜਦਾ ਹੈ। ਪਹਿਲੀ ਪਰਤ ਇੱਕ ਰੂਲ ਇੰਜਣ (rule engine) ਹੈ ਜੋ ਖੁਦ ਕੋਡ ਨੂੰ ਸਕੈਨ ਕਰਦਾ ਹੈ। ਇਹ ਇੰਜਣ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਕੰਪੋਨੈਂਟ ਲਿਖਣ ਵੇਲੇ WCAG ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦੇ ਵਿਰੁੱਧ ਮਾਰਕਅੱਪ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ, ਅਤੇ ਬ੍ਰਾਊਜ਼ਰ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਅਣਲੇਬਲਡ ਇਨਪੁੱਟਸ ਜਾਂ ਅਵੈਲਡ ਐਟਰੀਬਿਊਟਸ ਨੂੰ ਫਲੈਗ ਕਰਦੇ ਹਨ।

ਦੂਜੀ ਪਰਤ ਬ੍ਰਾਊਜ਼ਰ ਆਟੋਮੇਸ਼ਨ ਹੈ। ਸਟੈ

ਤੁਹਾਨੂੰ ਆਪਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਵਿਸ਼ਵਾਸ ਪੱਧਰ (confidence levels) ਵੀ ਦੇਣ ਦੀ ਲੋੜ ਹੈ, ਨਾ ਕਿ ਹਰ ਅਲਰਟ ਨੂੰ ਇੱਕੋ ਜਿਹਾ ਮੰਨਣਾ। ਉੱਚ ਵਿਸ਼ਵਾਸ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ, ਜਿਵੇਂ ਕਿ ਬਿਨਾਂ ਲੇਬਲ ਵਾਲੇ ਫਾਰਮ ਇਨਪੁੱਟ, ਆਪਣੇ ਆਪ ਟਿਕਟਾਂ ਬਣਾ ਸਕਦੀਆਂ ਹਨ ਕਿਉਂਕਿ WCAG ਦੁਆਰਾ ਇਸਦਾ ਹੱਲ ਲਗਭਗ ਹਮੇਸ਼ਾ ਲਾਜ਼ਮੀ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਹੱਲ ਸਿੱਧਾ ਹੁੰਦਾ ਹੈ। ਮੱਧਮ ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਨਤੀਜੇ, ਜਿਵੇਂ ਕਿ ਸ਼ੱਕੀ alt text ਜੋ ਵਰਣਨਾਤਮਕ ਹੋਣ ਦੀ ਬਜਾਏ ਕੀਵਰਡਾਂ ਨਾਲ ਭਰਿਆ ਹੋ ਸਕਦਾ ਹੈ, ਉਹਨਾਂ ਲਈ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਤਾਂ ਜੋ ਇਹ ਫੈਸਲਾ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਵਰਣਨ ਉਪਯੋਗੀ ਹੈ ਜਾਂ ਨਹੀਂ। ਘੱਟ ਵਿਸ਼ਵਾਸ ਵਾਲੀਆਂ ਚੀਜ਼ਾਂ ਨੂੰ ਮੈਨੂਅਲ ਟੈਸਟਿੰਗ ਲਈ ਰਿਪੋਰਟਾਂ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਸਕੈਨਰ ਇੱਕ ਗੁੰਮ ਹੋਇਆ alt attribute ਦੇਖ ਸਕਦਾ ਹੈ, ਪਰ ਉਹ ਇਹ ਨਹੀਂ ਜਾਣ ਸਕਦਾ ਕਿ ਕੋਈ ਤਸਵੀਰ ਸਜਾਵਟੀ ਹੈ ਜਾਂ ਸਮੱਗਰੀ ਨੂੰ ਸਮਝਣ ਲਈ ਜ਼ਰੂਰੀ ਹੈ। ਉਸ ਸੰਦਰਭ (context) ਲਈ ਅਜੇ ਵੀ ਇੱਕ ਮਨੁੱਖ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਇੱਕ ਵਾਰ ਸੁਧਾਰੋ, ਹਰ ਜਗ੍ਹਾ ਸੁਧਾਰੋ

AI ਟੀਮਾਂ ਨੂੰ ਇਹ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਸਮੱਸਿਆਵਾਂ ਕਿੱਥੇ ਇਕੱਠੀਆਂ ਹਨ। ਜੇਕਰ ਇੱਕ ਖਰਾਬ ਤਰੀਕੇ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਬਟਨ ਕੰਪੋਨੈਂਟ ਪੰਜਾਹ ਸਕ੍ਰੀਨਾਂ 'ਤੇ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਤਾਂ ਕੰਪੋਨੈਂਟ ਨੂੰ ਇੱਕ ਵਾਰ ਸੁਧਾਰਨ ਨਾਲ ਸਮੱਸਿਆਵਾਂ ਦੀ ਗਿਣਤੀ ਤੁਰੰਤ ਘਟ ਜਾਂਦੀ ਹੈ। ਇਹ ਕੰਮ ਨੂੰ ਪੰਨਾ-ਦਰ-ਪੰਨਾ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਬਜਾਏ ਇੱਕ ਵਿਵਸਥਿਤ ਕੰਪੋਨੈਂਟ ਲਾਇਬ੍ਰੇਰੀ ਦੇ ਰੱਖ-ਰਖਾਅ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਪੈਟਰਨ ਪਛਾਣ (Pattern recognition) ਉਹ ਜਗ੍ਹਾ ਹੈ ਜਿੱਥੇ AI ਫਾਇਦਾ ਦਿੰਦਾ ਹੈ। ਇਹ ਸੈਂਕੜੇ ਪੰਨਿਆਂ ਵਿੱਚ ਕੜੀਆਂ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਟੀਮਾਂ ਨੂੰ ਚਾਲੀ ਵੱਖ-ਵੱਖ Jira ਟਿਕਟਾਂ ਵਿੱਚ ਇੱਕੋ ਬੱਗ ਨੂੰ ਵਾਰ-ਵਾਰ ਸੁਧਾਰਨਾ ਨਾ ਪਵੇ।

ਸਕੈਨਰਾਂ ਨੂੰ pull requests ਨਾਲ ਜੋੜਨਾ ਇਸ ਫੀਡਬੈਕ ਨੂੰ ਤੇਜ਼ ਰੱਖਦਾ ਹੈ। ਜਦੋਂ ਇੱਕ ਡਿਵੈਲਪਰ ਨੂੰ ਮਰਜ (merge) ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਇਹ ਅਲਰਟ ਮਿਲਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਦੇ ਨਵੇਂ ਮਾਰਕਅੱਪ ਨੇ ਹੈਡਿੰਗ ਲੈਵਲ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਹੱਲ ਮਿੰਟਾਂ ਵਿੱਚ ਹੋ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਉਹੀ ਸਮੱਸਿਆ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਜਾਂਦੀ ਹੈ ਅਤੇ ਲਾਂਚ ਤੋਂ ਦੋ ਦਿਨ ਪਹਿਲਾਂ ਮਿਲਦੀ ਹੈ, ਤਾਂ ਇਸਦੇ ਹੱਲ ਲਈ hotfix, ਰੈਗਰੈਸ਼ਨ ਟੈਸਟਿੰਗ (regression testing) ਅਤੇ ਸਟੇਕਹੋਲਡਰਾਂ ਨਾਲ ਗੱਲਬਾਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਤੇਜ਼ ਫੀਡਬੈਕ ਲੂਪਸ ਸਮਾਂ ਬਚਾਉਂਦੇ ਹਨ ਅਤੇ ਐਕਸੈਸਬਿਲਟੀ ਡੈਬਟ (accessibility debt) ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ।

ਕੰਮ ਦੀ ਵੰਡ

ਆਟੋਮੇਸ਼ਨ ਆਪਣੇ ਆਪ ਤੁਹਾਡੇ ਉਤਪਾਦ ਨੂੰ ਐਕਸੈਸਬਲ ਨਹੀਂ ਬਣਾਏਗਾ। ਹਾਲਾਂਕਿ, ਇਹ ਤੁਹਾਡੀ ਟੀਮ ਨੂੰ ਵਾਰ-ਵਾਰ ਉਹੀ ਸਪੱਸ਼ਟ ਗਲਤੀਆਂ ਕਰਨ ਤੋਂ ਰੋਕੇਗਾ। ਆਪਣੇ CI ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਆਟੋਮੇਟਡ ਚੈੱਕ ਚਲਾਓ। ਕੰਟੈਂਟ ਐਡੀਟਰਾਂ ਜਾਂ ਨਵੇਂ ਫੀਚਰਾਂ ਦੁਆਰਾ ਪੈਦਾ ਹੋਈਆਂ ਰੈਗਰੈਸ਼ਨਾਂ ਨੂੰ ਫੜਨ ਲਈ ਹਰ ਰਾਤ ਸਟੇਜਿੰਗ ਸਾਈਟਾਂ ਨੂੰ ਕ੍ਰੌਲ (crawl) ਕਰੋ। ਬੈਕਲੌਗ ਨੂੰ ਪ੍ਰਬੰਧਨਯੋਗ ਰੱਖਣ ਲਈ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕੰਪੋਨੈਂਟ ਅਨੁਸਾਰ ਸਮੂਹਬੱਧ ਕਰੋ। ਮਨੁੱਖੀ ਧਿਆਨ ਨੂੰ ਸਾਈਟ ਦੇ ਉਹਨਾਂ ਹਿੱਸਿਆਂ ਲਈ ਰਾਖਵਾਂ ਰੱਖੋ ਜਿੱਥੇ ਸੰਦਰਭ ਸਭ ਤੋਂ ਵੱਧ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ: ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਕਿ ਕੀ ਕਿਸੇ ਤਸਵੀਰ ਨੂੰ alt text ਦੀ ਲੋੜ ਹੈ, ਗੁੰਝਲਦਾਰ ਕਸਟਮ ਕੰਪੋਨੈਂਟਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ, ਅਤੇ ਉਹਨਾਂ ਫਲੋਅ (flows) ਦੀ ਜਾਂਚ ਕਰਨਾ ਜਿਨ੍ਹਾਂ ਲਈ ਉਪਭੋਗਤਾ ਦੇ ਇਰਾਦੇ (user intent) ਨੂੰ ਸਮਝਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਵੌਲਯੂਮ, ਟ੍ਰਾਇਜ (triage) ਅਤੇ ਪੈਟਰਨ ਪਛਾਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ। ਮਸ਼ੀਨਾਂ ਨੂੰ ਹਰ ਰਾਤ ਹਰ ਪੰਨੇ 'ਤੇ ਵਾਰ-ਵਾਰ ਸਕੈਨਿੰਗ ਕਰਨ ਦਿਓ। ਮਨੁੱਖਾਂ ਨੂੰ ਫੈਸਲੇ ਲੈਣ ਲਈ ਰੱਖੋ। ਕੰਮ ਦੀ ਇਹੀ ਵੰਡ ਹੈ ਜਿਸ ਨਾਲ ਐਕਸੈਸਬਿਲਟੀ ਲਾਂਚ ਤੋਂ ਪਹਿਲਾਂ ਦੀ ਘਬਰਾਹਟ ਤੋਂ ਇੱਕ ਆਮ ਇੰਜੀਨੀਅਰਿੰਗ ਆਦਤ ਬਣ ਜਾਂਦੀ ਹੈ।

Source: https://dev.to/henryv/automating-wcag-compliance-with-ai-4ogp

Join the discussion: https://t.me/GyaanSetuAi