Машинное обучение для помощи в мониторинге окружающей среды, развернуто студентами Стэнфорда
У безденежных природоохранных органов есть новое мощное и дешевое оружие. Методы машинного обучения могут более чем удвоить количество обнаруженных нарушений, по мнению исследователей из Стэнфорда.
Пока ураган Флоренс проходит через Северную Каролину, он выпустил то, что можно было бы вежливо назвать экскрементным штормом. Огромные лужи навоза свинофермы вымыли опасные бактерии и тяжелые металлы в близлежащие водоемы..
Спутниковые снимки стока рек в Атлантический океан после урагана Флоренс показывают, что вода обесцвечена мусором и загрязняющими веществами.. (кредит изображения: НАСА)
Более эффективный надзор мог бы предотвратить некоторые из худших последствий, но даже в лучшие времена, государственные и федеральные экологические регуляторы перегружены и недостаточно финансируются. Помощь под рукой, тем не мение, в форме машинного обучения — обучение компьютеров автоматически обнаруживать закономерности в данных — по словам исследователей из Стэнфорда..
Их изучение, опубликовано в Природа Устойчивость, обнаруживает, что методы машинного обучения могут выявлять в два-семь раз больше нарушений, чем существующие подходы., и предлагает далеко идущие приложения для государственных инвестиций.
«Особенно в эпоху сокращения бюджетов, определение рентабельных способов защиты здоровья населения и окружающей среды имеет решающее значение,— говорит соавтор исследования Элинор Бенами., аспирант Междисциплинарной программы Эммета по окружающей среде и ресурсам (Э-ИПЕР) в Стэнфордской школе Земли, энергии & науки об окружающей среде.
Оптимизация ресурсов
Так же, как IRS не может проверить каждого налогоплательщика, большинству государственных органов приходится постоянно принимать решения о том, как распределять ресурсы. Методы машинного обучения могут помочь оптимизировать этот процесс, прогнозируя, где средства могут принести наибольшую пользу.. Исследователи сосредоточились на Законе о чистой воде., в соответствии с которым США. Агентство по охране окружающей среды и правительства штатов несут ответственность за регулирование более 300,000 объекты, но имеют возможность инспектировать менее 10 процент тех, кто в данном году.
Отстойник свинофермы в Северной Каролине (кредит изображения: Стив / Flickr)
Использование данных прошлых проверок, исследователи развернули серию моделей, чтобы предсказать вероятность провала проверки, исходя из характеристик объекта, например, местоположение, История промышленности и инспекций. затем, они запускали свои модели на всех объектах, включая те, которые еще не были проверены.
Этот метод позволил получить оценку риска для каждого учреждения., с указанием вероятности непрохождения проверки. Затем группа создала четыре сценария проверок, отражающих различные институциональные ограничения — различные бюджеты проверок и частоту проверок., например — и использовал оценку для определения приоритетности проверок и прогнозирования нарушений..
В сценарии с наименьшими ограничениями — что маловероятно в реальном мире — исследователи предсказали, что количество нарушений будет в семь раз больше, чем при статус-кво.. Когда они учитывали больше ограничений, количество выявленных нарушений по-прежнему в два раза превышало статус-кво.
Ограничения алгоритмов
Несмотря на свой потенциал, у машинного обучения есть недостатки, от которых нужно защищаться, исследователи предупреждают. «Алгоритмы несовершенны, иногда они могут увековечивать предвзятость, и их можно обыграть,— говорит ведущий автор исследования Миюки Хино., также аспирант E-IPER.
Например, агенты, такие владельцы свинофермы, могут манипулировать своими отчетными данными, чтобы повлиять на вероятность получения льгот или избежания штрафов. Другие могут изменить свое поведение — ослабить стандарты, когда риск быть пойманным низок, — если они знают, что их вероятность быть выбранными алгоритмом. институциональный, политические и финансовые ограничения могут ограничить способность машинного обучения улучшать существующие методы. Этот подход потенциально может усугубить проблемы с экологической справедливостью, если он систематически отводит надзор за объектами, расположенными в районах с низким доходом или меньшинствами.. Также, подход машинного обучения не учитывает потенциальные изменения с течением времени, например, в приоритетах государственной политики и технологиях контроля загрязнения.
Исследователи предлагают средства для решения некоторых из этих проблем.. Случайный выбор некоторых объектов, независимо от их оценки риска, и время от времени повторное обучение модели для отражения актуальных факторов риска может помочь держать объекты с низким уровнем риска в напряжении в отношении соблюдения требований.. Соображения экологической справедливости могут быть встроены в практику адресных проверок. Изучение ценности и компромиссов использования данных, предоставленных самими исследователями, может помочь справиться с опасениями по поводу стратегического поведения и манипуляций со стороны учреждений..
Исследователи предполагают, что будущая работа может изучить дополнительные сложности интеграции подхода машинного обучения в более широкие усилия Агентства по охране окружающей среды., таких как включение конкретных приоритетов правоприменения или определение технических, финансовые и кадровые ограничения. К тому же, эти методы могут применяться в других контекстах в США.. и не только там, где регулирующие органы стремятся эффективно использовать ограниченные ресурсы.
«Эта модель является отправной точкой, которую можно дополнить более подробной информацией о затратах и преимуществах различных проверок., нарушения и меры правоприменения,— сказала соавтор и аспирантка E-IPER Нина Брукс..
Роб Джордан.
Источник:
Оставьте ответ
Вы должны авторизоваться или же регистр добавить новый комментарий .