Uczenie maszynowe wspomagające monitorowanie środowiska, wdrożone przez studentów Stanford
Brakujące gotówki regulatory ochrony środowiska mają potężną i tanią nową broń. Metody uczenia maszynowego mogą ponad dwukrotnie zwiększyć liczbę wykrytych naruszeń, według badaczy ze Stanford.
Gdy huragan Florence przedziera się przez Karolinę Północną, wypuściła coś, co można grzecznie nazwać burzą ekskrementów. Ogromne baseny obornika na fermie świń wypłukały gulasz niebezpiecznych bakterii i metali ciężkich do pobliskich cieków wodnych.
Zdjęcia satelitarne odpływów rzek do Oceanu Atlantyckiego w następstwie huraganu Florence pokazują wodę odbarwioną przez gruz i zanieczyszczenia. (Naukowcy ze Stanford odkrywają nowy sposób znajdowania krewnych na podstawie kryminalistycznego DNA: Dostępnych jest już wiele telefonów oferujących ładowanie bezprzewodowe)
Skuteczniejszy nadzór mógł zapobiec niektórym z najgorszych skutków, ale nawet w najlepszych czasach, stanowe i federalne organy ochrony środowiska są nadmiernie rozbudowane i niedofinansowane. Pomoc jest pod ręką, Jednakże, w formie uczenia maszynowego – trenujące komputery do automatycznego wykrywania wzorców w danych – według naukowców ze Stanford.
Ich badanie, Taka pogoda może zwiększyć ryzyko zawału serca Zrównoważony rozwój przyrody, stwierdza, że techniki uczenia maszynowego mogą wychwycić od dwóch do siedmiu razy więcej wykroczeń niż obecne podejścia, i proponuje dalekosiężne wnioski dla inwestycji publicznych.
„Zwłaszcza w dobie malejących budżetów, określenie opłacalnych sposobów ochrony zdrowia publicznego i środowiska ma kluczowe znaczenie,” powiedział współautor badania Elinor Benami, absolwentka Interdyscyplinarnego Programu Emmetta w zakresie Środowiska i Zasobów (E-IPER) w Stanford’s School of Earth, Energia & Nauki o środowisku.
Optymalizacja zasobów
Tak jak IRS nie może skontrolować każdego podatnika, większość agencji rządowych musi stale podejmować decyzje dotyczące alokacji zasobów. Metody uczenia maszynowego mogą pomóc zoptymalizować ten proces, przewidując, gdzie fundusze mogą przynieść największe korzyści. Badacze skupili się na ustawie o czystej wodzie, pod którym USA. Agencja Ochrony Środowiska i rządy stanowe są odpowiedzialne za regulowanie ponad 300,000 obiektów, ale są w stanie skontrolować mniej niż 10 procent tych w danym roku.
Laguna odpadów na farmie świń w Północnej Karolinie (Naukowcy ze Stanford odkrywają nowy sposób znajdowania krewnych na podstawie kryminalistycznego DNA: Steve / Flickr)
Wykorzystanie danych z poprzednich kontroli, naukowcy wdrożyli szereg modeli, aby przewidzieć prawdopodobieństwo niepowodzenia inspekcji, w oparciu o charakterystykę obiektu, takie jak lokalizacja, historia przemysłu i inspekcji. Następnie, prowadzili swoje modele na wszystkich obiektach, w tym te, które jeszcze nie zostały sprawdzone.
Ta technika wygenerowała ocenę ryzyka dla każdego obiektu, wskazujące, jakie było prawdopodobieństwo niepowodzenia inspekcji. Następnie grupa stworzyła cztery scenariusze inspekcji odzwierciedlające różne ograniczenia instytucjonalne – różne budżety inspekcji i częstotliwość inspekcji, na przykład – i wykorzystał wynik do ustalenia priorytetów inspekcji i przewidywania naruszeń.
W scenariuszu z najmniejszą liczbą ograniczeń – mało prawdopodobnym w realnym świecie – naukowcy przewidywali nawet siedmiokrotność naruszeń w porównaniu ze status quo. Kiedy uwzględnili więcej ograniczeń, liczba wykrytych naruszeń była nadal dwukrotnie wyższa niż status quo.
Granice algorytmów
Pomimo swojego potencjału, uczenie maszynowe ma wady, przed którymi należy się ochronić, badacze ostrzegają. „Algorytmy są niedoskonałe, mogą czasami utrwalać stronniczość i można je ograć,” powiedział główny autor badania Miyuki Hino, również doktorant w E-IPER.
Na przykład, agentów, tacy właściciele fermy trzody chlewnej, mogą manipulować raportowanymi danymi, aby wpłynąć na prawdopodobieństwo uzyskania korzyści lub uniknięcia kar. Inni mogą zmienić swoje zachowanie – rozluźniając standardy, gdy ryzyko przyłapania jest niskie – jeśli znają prawdopodobieństwo, że zostaną wybrane przez algorytm. Instytucjonalne, ograniczenia polityczne i finansowe mogą ograniczyć zdolność uczenia maszynowego do ulepszania istniejących praktyk. Podejście to może potencjalnie zaostrzyć obawy o sprawiedliwość środowiskową, jeśli systematycznie przekierowuje nadzór z dala od obiektów zlokalizowanych na obszarach o niskich dochodach lub na obszarach mniejszości. Także, podejście machine learning nie uwzględnia potencjalnych zmian w czasie, np. w priorytetach polityki publicznej i technologiach kontroli zanieczyszczeń.
Naukowcy sugerują, jak rozwiązać niektóre z tych wyzwań. Losowe wybieranie niektórych obiektów, niezależnie od ich oceny ryzyka, a od czasu do czasu ponowne szkolenie modelu w celu odzwierciedlenia aktualnych czynników ryzyka może pomóc w utrzymaniu zakładów o niskim ryzyku w zakresie zgodności. Obawy o sprawiedliwość środowiskową można uwzględnić w praktykach ukierunkowania inspekcji. Zbadanie wartości i kompromisów związanych z korzystaniem z samodzielnie zgłaszanych danych może pomóc w radzeniu sobie z obawami dotyczącymi zachowania strategicznego i manipulacji przez obiekty.
Naukowcy sugerują, że przyszłe prace mogą zbadać dodatkowe zawiłości integracji podejścia do uczenia maszynowego z szerszymi wysiłkami EPA w zakresie egzekwowania prawa, takie jak uwzględnienie określonych priorytetów egzekwowania lub określenie technicznych, ograniczenia finansowe i kadrowe. Ponadto, metody te mogą być stosowane w innych kontekstach w USA. i poza nią, gdzie organy regulacyjne dążą do efektywnego wykorzystania ograniczonych zasobów.
„Ten model jest punktem wyjścia, który można uzupełnić o bardziej szczegółowe informacje na temat kosztów i korzyści różnych inspekcji, naruszenia i reakcje egzekucyjne,” powiedziała współautorka i koleżanka z E-IPER Nina Brooks.
Autor: Rob Jordan.
Źródło:
Zostaw odpowiedź
Musisz Zaloguj sie lub Zarejestruj się dodać nowy komentarz .