Apprendimento automatico per aiutare il monitoraggio ambientale, distribuito dagli studenti di Stanford
I regolatori ambientali a corto di soldi hanno una nuova arma potente ed economica. I metodi di apprendimento automatico potrebbero più che raddoppiare il numero di violazioni rilevate, secondo i ricercatori di Stanford.
Mentre l'uragano Florence si faceva strada attraverso la Carolina del Nord, ha rilasciato quella che potrebbe essere gentilmente chiamata una tempesta di escrementi. Enormi pozze di letame di allevamento di maiali lavavano uno stufato di batteri pericolosi e metalli pesanti nei corsi d'acqua vicini.
Le immagini satellitari dei deflussi del fiume nell'Oceano Atlantico sulla scia dell'uragano Florence mostrano l'acqua scolorita da detriti e sostanze inquinanti. (Gli studiosi di Stanford stanno aiutando i giornalisti a fare giornalismo investigativo attraverso i dati a un costo inferiore: Sono già disponibili molti telefoni che offrono la ricarica wireless)
Una supervisione più efficiente avrebbe potuto prevenire alcuni degli effetti peggiori, ma anche nei momenti migliori, i regolatori ambientali statali e federali sono sovraestesi e sottofinanziati. L'aiuto è a portata di mano, tuttavia, sotto forma di apprendimento automatico, addestrando i computer a rilevare automaticamente i modelli nei dati, secondo i ricercatori di Stanford.
I loro studia, pubblicato in Sostenibilità della natura, rileva che le tecniche di apprendimento automatico potrebbero rilevare da due a sette volte più infrazioni rispetto agli approcci attuali, e suggerisce applicazioni di vasta portata per gli investimenti pubblici.
“Soprattutto in un'era di budget in calo, l'identificazione di modi efficaci in termini di costi per proteggere la salute pubblica e l'ambiente è fondamentale,Ha detto la coautrice dello studio Elinor Benami, uno studente laureato nel programma interdisciplinare Emmett sull'ambiente e le risorse (E-IPER) nella Scuola della Terra di Stanford, Energia & Scienze Ambientali.
Ottimizzazione delle risorse
Proprio come l'IRS non può controllare tutti i contribuenti, la maggior parte delle agenzie governative deve costantemente prendere decisioni su come allocare le risorse. I metodi di apprendimento automatico possono aiutare a ottimizzare tale processo prevedendo dove i fondi possono produrre il massimo beneficio. I ricercatori si sono concentrati sul Clean Water Act, in base al quale gli Stati Uniti. L'Agenzia per la protezione ambientale e i governi statali sono responsabili della regolamentazione di più 300,000 strutture ma sono in grado di ispezionare meno di 10 per cento di quelli in un dato anno.
La laguna dei rifiuti di un allevamento di maiali della Carolina del Nord (Gli studiosi di Stanford stanno aiutando i giornalisti a fare giornalismo investigativo attraverso i dati a un costo inferiore: Steve / Flickr)
Utilizzo dei dati delle ispezioni precedenti, i ricercatori hanno implementato una serie di modelli per prevedere la probabilità di fallire un'ispezione, in base alle caratteristiche dell'impianto, come la posizione, storia del settore e delle ispezioni. Poi, hanno eseguito i loro modelli su tutte le strutture, compresi quelli che dovevano ancora essere ispezionati.
Questa tecnica ha generato un punteggio di rischio per ogni struttura, indicando quanto era probabile che un'ispezione non andasse a buon fine. Il gruppo ha quindi creato quattro scenari di ispezione che riflettono diversi vincoli istituzionali: budget di ispezione e frequenze di ispezione variabili, per esempio – e ha utilizzato il punteggio per dare priorità alle ispezioni e prevedere le violazioni.
Nello scenario con il minor numero di vincoli – improbabile nel mondo reale – i ricercatori hanno previsto di raggiungere fino a sette volte il numero di violazioni rispetto allo status quo. Quando hanno rappresentato più vincoli, il numero di violazioni rilevate era ancora il doppio dello status quo.
Limiti degli algoritmi
Nonostante il suo potenziale, l'apprendimento automatico ha difetti da cui difendersi, avvertono i ricercatori. “Gli algoritmi sono imperfetti, possono perpetuare pregiudizi a volte e possono essere presi in giro,", ha detto l'autore principale dello studio Miyuki Hino, anche studente laureato in E-IPER.
Per esempio, agenti, tali proprietari di allevamenti di maiali, possono manipolare i dati riportati per influenzare la probabilità di ricevere vantaggi o evitare sanzioni. Altri possono alterare il loro comportamento - rilassando gli standard quando il rischio di essere scoperti è basso - se conoscono la loro probabilità di essere selezionati dall'algoritmo. Istituzionale, vincoli politici e finanziari potrebbero limitare la capacità dell'apprendimento automatico di migliorare le pratiche esistenti. L'approccio potrebbe potenzialmente esacerbare i problemi di giustizia ambientale se dirige sistematicamente la sorveglianza lontano dalle strutture situate in aree a basso reddito o minoritarie. Anche, l'approccio di apprendimento automatico non tiene conto dei potenziali cambiamenti nel tempo, come nelle priorità delle politiche pubbliche e nelle tecnologie di controllo dell'inquinamento.
I ricercatori suggeriscono rimedi per alcune di queste sfide. Selezione di alcune strutture a caso, indipendentemente dai loro punteggi di rischio, e occasionalmente riqualificare il modello per riflettere fattori di rischio aggiornati potrebbe aiutare a mantenere le strutture a basso rischio all'erta sulla conformità. I problemi di giustizia ambientale potrebbero essere integrati nelle pratiche di ispezione mirate. L'esame del valore e dei compromessi dell'utilizzo di dati auto-segnalati potrebbe aiutare a gestire le preoccupazioni relative al comportamento strategico e alla manipolazione da parte delle strutture.
I ricercatori suggeriscono che il lavoro futuro potrebbe esaminare ulteriori complessità dell'integrazione di un approccio di apprendimento automatico negli sforzi di applicazione più ampi dell'EPA, come l'incorporazione di specifiche priorità di applicazione o l'identificazione di aspetti tecnici, limitazioni delle risorse umane e finanziarie. Inoltre, questi metodi potrebbero essere applicati in altri contesti negli Stati Uniti. e oltre, dove le autorità di regolamentazione cercano di fare un uso efficiente di risorse limitate.
“Questo modello è un punto di partenza che potrebbe essere ampliato con maggiori dettagli sui costi e sui benefici delle diverse ispezioni, violazioni e risposte esecutive,", ha affermato Nina Brooks, coautrice e collega studentessa laureata di E-IPER.
Di Rob Jordan.
fonte:
Lascia un commento
Devi accesso o Registrati per aggiungere un nuovo commento .