AI-система обеспечения доступности (Accessibility)
Web Content Accessibility Guidelines (WCAG 2.1) уровень AA — юридическое требование во всё большем числе юрисдикций (ADA в США, EN 301 549 в ЕС, с 2025 года обязательна EAA). Ручной аудит доступности сайта из 5000 страниц занимает 3–4 недели и стоит $40–80K. AI-система делает это за часы и продолжает мониторить в CI/CD.
Автоматизированный аудит доступности
Что автоматика находит, а что нет
Axe-core, Deque, IBM Equal Access Checker — стандартные движки. Автоматически детектируются: отсутствие alt-текста, неправильный heading hierarchy, низкий контрастный коэффициент, отсутствие ARIA labels, keyboard trap. Покрытие: 30–40% WCAG критериев по оценке Deque.
ML закрывает часть оставшихся 60%:
- Качество alt-текста: классификатор (fine-tuned BERT/RoBERTa) оценивает, является ли alt-текст информативным или формальным ("image.jpg", "photo1"). F1 0.84 на датасете из 50K аннотированных изображений.
- Смысловой контраст: не просто коэффициент контрастности (WCAG 1.4.3), но и читаемость шрифта — CNN классификатор на рендере элемента.
- Когнитивная сложность текста: Flesch-Kincaid + readability ML-модели для оценки complexity уровня AAA (WCAG 3.1.5).
Computer Vision для визуального аудита
Screenshot rendering → CV pipeline:
- Playwright headless browser рендерит страницы
- DETR (Detection Transformer) детектирует UI-компоненты
- Классификатор проверяет touch target size (WCAG 2.5.5: минимум 44×44px)
- Segmentation model проверяет spacing между интерактивными элементами
Производительность: 2500 страниц за 40 минут на 4×A10G GPU.
AI для пользователей с ограниченными возможностями
Автоматическая генерация alt-текста
BLIP-2 или LLaVA (Large Language Vision Model) генерирует описание изображения. Для product images в e-commerce: fine-tuning на доменных данных с описаниями товаров. ROUGE-L 0.67 vs. 0.58 у базового BLIP-2 после fine-tuning на 12K примерах через QLoRA.
Интеграция в CMS: webhook при загрузке изображения → inference endpoint (TorchServe или vLLM) → запись alt-текста в media library. Latency: 800 мс–1.2 с на изображение.
Субтитры и транскрипция
Whisper large-v3 (OpenAI) — state-of-the-art ASR. WER 3.1% на LibriSpeech clean. Для видеоплатформы: real-time субтитры через streaming inference, batch транскрипция для VOD. Speaker diarization: pyannote.audio для разделения по спикерам в вебинарах.
Адаптация для плохой акустики: доменный fine-tuning через Hugging Face transformers + datasets, 8-bit квантизация через bitsandbytes для деплоя на CPU-инфраструктуре.
Ассистивные технологии и NLP
Упрощение текста (Plain Language): T5 или Mistral-7B fine-tuned для перефразирования сложных юридических/медицинских текстов в простой язык. SARI score — метрика качества упрощения, baseline T5 large: 42.1, после domain fine-tuning: 47.3.
Система аугментативной и альтернативной коммуникации (AAC): language model предсказывает следующее слово/символ для пользователей с моторными нарушениями. GPT-2 fine-tuned на корпусе AAC-сообщений снижает число нажатий на 40% vs. простой n-gram модели.
Мониторинг в CI/CD
Accessibility regression testing: axe-core + ML-расширения интегрируются в GitHub Actions. Pull Request не мёрджится при появлении новых WCAG violations. Dashboard: исторические метрики нарушений по компонентам, trend анализ.
Типичная ошибка: команда добавляет accessibility проверки только в e2e тесты, которые запускаются раз в сутки. К тому моменту нарушение уже в production. 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 |
Срок разработки: 2–5 месяцев для аудитного инструментария. AI-powered assistive features (alt-text генератор, субтитры, упрощение текста) — 3–6 месяцев дополнительно.