แมชชีนเลิร์นนิงเพื่อช่วยในการตรวจสอบสิ่งแวดล้อม, นำไปใช้โดยนักศึกษาสแตนฟอร์ด
หน่วยงานกำกับดูแลด้านสิ่งแวดล้อมที่มีเงินสดรัดกุมมีอาวุธใหม่ที่มีประสิทธิภาพและราคาถูก. วิธีการเรียนรู้ของเครื่องอาจมากกว่าสองเท่าของจำนวนการละเมิดที่ตรวจพบ, ตามที่นักวิจัยสแตนฟอร์ด.
ขณะที่พายุเฮอริเคนฟลอเรนซ์เคลื่อนตัวผ่านรัฐนอร์ทแคโรไลนา, ได้ปลดปล่อยสิ่งที่เรียกว่าพายุอุจจาระอย่างสุภาพ. บ่อมูลฟาร์มสุกรขนาดใหญ่ล้างสตูว์แบคทีเรียอันตรายและโลหะหนักลงในแหล่งน้ำใกล้เคียง.
ภาพถ่ายดาวเทียมของแม่น้ำที่ไหลลงสู่มหาสมุทรแอตแลนติกหลังพายุเฮอริเคนฟลอเรนซ์แสดงให้เห็นน้ำที่เปลี่ยนสีจากเศษซากและมลพิษ. (เครดิตภาพ: NASA)
การกำกับดูแลที่มีประสิทธิภาพมากขึ้นอาจป้องกันผลกระทบที่แย่ที่สุดบางอย่างได้, แต่แม้ในช่วงเวลาที่ดีที่สุด, หน่วยงานกำกับดูแลด้านสิ่งแวดล้อมของรัฐและสหพันธรัฐมีการขยายเวลามากเกินไปและไม่ได้รับทุน. ความช่วยเหลืออยู่ที่มือ, อย่างไรก็ตาม, ในรูปแบบของการเรียนรู้ของเครื่อง – ฝึกคอมพิวเตอร์ให้ตรวจจับรูปแบบในข้อมูลโดยอัตโนมัติ – ตามที่นักวิจัยของ Stanford.
ของพวกเขา ศึกษา, ตีพิมพ์ใน ความยั่งยืนของธรรมชาติ, พบว่าเทคนิคแมชชีนเลิร์นนิงสามารถจับการละเมิดได้มากถึงสองถึงเจ็ดเท่าตามแนวทางปัจจุบัน, และแนะนำการใช้งานในวงกว้างสำหรับการลงทุนภาครัฐ.
“โดยเฉพาะในยุคที่งบประมาณลดลง, การระบุวิธีที่ประหยัดต้นทุนในการปกป้องสุขภาพของประชาชนและสิ่งแวดล้อมเป็นสิ่งสำคัญ,” ผู้เขียนร่วมการศึกษา Elinor Benami . กล่าว, นักศึกษาระดับบัณฑิตศึกษาในโครงการสหวิทยาการ Emmett ด้านสิ่งแวดล้อมและทรัพยากร (E-IPER) ใน School of Earth ของสแตนฟอร์ด, พลังงาน & วิทยาศาสตร์สิ่งแวดล้อม.
การเพิ่มประสิทธิภาพทรัพยากร
เช่นเดียวกับกรมสรรพากรไม่สามารถตรวจสอบผู้เสียภาษีทุกคนได้, หน่วยงานของรัฐส่วนใหญ่ต้องตัดสินใจอย่างต่อเนื่องว่าจะจัดสรรทรัพยากรอย่างไร. วิธีการเรียนรู้ของเครื่องสามารถช่วยปรับกระบวนการนั้นให้เหมาะสมโดยคาดการณ์ว่ากองทุนจะให้ประโยชน์สูงสุดที่ใด. นักวิจัยมุ่งเน้นไปที่พระราชบัญญัติน้ำสะอาด, ภายใต้ที่ U.S. หน่วยงานคุ้มครองสิ่งแวดล้อมและหน่วยงานของรัฐมีหน้าที่ควบคุมมากกว่า 300,000 สิ่งอำนวยความสะดวกแต่สามารถตรวจสอบได้น้อยกว่า 10 เปอร์เซ็นต์ของปีที่กำหนด.
บ่อขยะของฟาร์มหมูในนอร์ทแคโรไลนา (เครดิตภาพ: สตีฟ / Flickr)
การใช้ข้อมูลจากการตรวจสอบที่ผ่านมา, นักวิจัยได้ปรับใช้ชุดแบบจำลองเพื่อคาดการณ์แนวโน้มที่จะล้มเหลวในการตรวจสอบ, ขึ้นอยู่กับลักษณะสถานที่, เช่นสถานที่, ประวัติอุตสาหกรรมและการตรวจสอบ. แล้ว, พวกเขาวิ่งแบบจำลองของพวกเขาในทุกสถานที่, รวมทั้งที่ยังไม่ได้รับการตรวจสอบ.
เทคนิคนี้สร้างคะแนนความเสี่ยงให้กับทุกโรงงาน, แสดงว่ามีแนวโน้มจะล้มเหลวในการตรวจสอบมากน้อยเพียงใด. จากนั้นกลุ่มจึงสร้างสถานการณ์การตรวจสอบสี่แบบซึ่งสะท้อนถึงข้อจำกัดของสถาบันที่แตกต่างกัน – งบประมาณการตรวจสอบและความถี่การตรวจสอบที่แตกต่างกัน, ตัวอย่างเช่น – และใช้คะแนนเพื่อจัดลำดับความสำคัญการตรวจสอบและคาดการณ์การละเมิด.
ภายใต้สถานการณ์ที่มีข้อจำกัดน้อยที่สุด ซึ่งไม่น่าจะเกิดขึ้นในโลกแห่งความเป็นจริง นักวิจัยคาดการณ์ว่าจะติดตามการละเมิดได้ถึงเจ็ดเท่าเมื่อเทียบกับสถานะที่เป็นอยู่. เมื่อพวกเขาคำนึงถึงข้อจำกัดมากขึ้น, จำนวนการละเมิดที่ตรวจพบยังคงเป็นสองเท่าของสถานะที่เป็นอยู่.
ข้อจำกัดของอัลกอริทึม
แม้จะมีศักยภาพ, แมชชีนเลิร์นนิงมีข้อบกพร่องที่ต้องป้องกัน, นักวิจัยเตือน. “อัลกอริธึมไม่สมบูรณ์, พวกเขาสามารถขยายเวลาอคติได้ตลอดเวลาและสามารถเล่นเกมได้,” มิยูกิ ฮิโนะ หัวหน้าทีมวิจัยกล่าว, ยังเป็นนักศึกษาระดับบัณฑิตศึกษาใน E-IPER.
ตัวอย่างเช่น, ตัวแทน, เจ้าของฟาร์มหมูดังกล่าว, อาจจัดการข้อมูลที่รายงานเพื่อให้มีอิทธิพลต่อโอกาสในการได้รับผลประโยชน์หรือหลีกเลี่ยงบทลงโทษ. คนอื่นอาจเปลี่ยนพฤติกรรม – ผ่อนคลายมาตรฐานเมื่อความเสี่ยงในการถูกจับต่ำ – หากพวกเขารู้ถึงความเป็นไปได้ที่จะถูกเลือกโดยอัลกอริธึม. สถาบัน, ข้อจำกัดทางการเมืองและการเงินอาจจำกัดความสามารถของแมชชีนเลิร์นนิงในการปรับปรุงตามแนวทางปฏิบัติที่มีอยู่. แนวทางดังกล่าวอาจทำให้ความกังวลเรื่องความยุติธรรมด้านสิ่งแวดล้อมรุนแรงขึ้นได้ หากมีการกำกับดูแลอย่างเป็นระบบจากสถานประกอบการที่ตั้งอยู่ในพื้นที่ที่มีรายได้น้อยหรือชนกลุ่มน้อย. อีกด้วย, วิธีการเรียนรู้ของเครื่องไม่ได้คำนึงถึงการเปลี่ยนแปลงที่อาจเกิดขึ้นเมื่อเวลาผ่านไป, เช่นในลำดับความสำคัญของนโยบายสาธารณะและเทคโนโลยีการควบคุมมลพิษ.
นักวิจัยแนะนำวิธีแก้ไขสำหรับความท้าทายเหล่านี้. สุ่มเลือกสิ่งอำนวยความสะดวกบางอย่าง, โดยไม่คำนึงถึงคะแนนความเสี่ยงของพวกเขา, และการฝึกอบรมแบบจำลองใหม่เป็นครั้งคราวเพื่อสะท้อนถึงปัจจัยเสี่ยงที่เป็นปัจจุบันสามารถช่วยให้หน่วยงานที่มีความเสี่ยงต่ำสามารถปฏิบัติตามข้อกำหนดได้. ความกังวลด้านความยุติธรรมด้านสิ่งแวดล้อมสามารถสร้างขึ้นในแนวทางปฏิบัติในการกำหนดเป้าหมายการตรวจสอบได้. การตรวจสอบคุณค่าและข้อเสียของการใช้ข้อมูลที่รายงานด้วยตนเองสามารถช่วยจัดการข้อกังวลเกี่ยวกับพฤติกรรมเชิงกลยุทธ์และการจัดการโดยสิ่งอำนวยความสะดวก.
นักวิจัยแนะนำว่างานในอนาคตสามารถตรวจสอบความซับซ้อนเพิ่มเติมของการบูรณาการแนวทางการเรียนรู้ของเครื่องเข้ากับความพยายามในการบังคับใช้ที่กว้างขึ้นของ EPA, เช่นการรวมลำดับความสำคัญการบังคับใช้เฉพาะหรือการระบุทางเทคนิค, ข้อ จำกัด ทางการเงินและทรัพยากรมนุษย์. นอกจากนี้, วิธีการเหล่านี้สามารถนำไปใช้ในบริบทอื่นภายในสหรัฐอเมริกา. และเกินกว่าที่หน่วยงานกำกับดูแลกำลังมองหาการใช้ทรัพยากรอย่างจำกัดอย่างมีประสิทธิภาพ.
“แบบจำลองนี้เป็นจุดเริ่มต้นที่สามารถเพิ่มรายละเอียดเพิ่มเติมเกี่ยวกับต้นทุนและประโยชน์ของการตรวจสอบที่แตกต่างกันได้, การตอบสนองการละเมิดและการบังคับใช้,” ผู้เขียนร่วมและเพื่อนนักศึกษาระดับบัณฑิตศึกษา E-IPER Nina Brooks กล่าว.
โดย Rob Jordan.
แหล่งที่มา:
ทิ้งคำตอบไว้
คุณต้อง เข้าสู่ระบบ หรือ ลงทะเบียน เพื่อเพิ่มความคิดเห็นใหม่ .