A medida que el huracán Florence se abría paso a través de Carolina del Norte, soltó lo que podría llamarse cortésmente una tormenta de excrementos. Las enormes piscinas de estiércol de las granjas de cerdos arrastraron un guiso de bacterias peligrosas y metales pesados a los cursos de agua cercanos.
Una supervisión más eficiente podría haber evitado algunos de los peores efectos, pero incluso en el mejor de los casos, los reguladores ambientales estatales y federales están sobrecargados y con fondos insuficientes. Sin embargo, hay ayuda disponible en forma de aprendizaje automático: capacitación de computadoras paradetecta automáticamente patrones en los datos, según los investigadores de Stanford.
Su estudio, publicado en Sostenibilidad de la naturaleza , encuentra que las técnicas de aprendizaje automático podrían detectar de dos a siete veces más infracciones que los enfoques actuales, y sugiere aplicaciones de gran alcance para inversiones públicas.
"Especialmente en una era de presupuestos decrecientes, es fundamental identificar formas rentables de proteger la salud pública y el medio ambiente", dijo la coautora del estudio, Elinor Benami, estudiante graduada del Programa Interdisciplinario de Medio Ambiente y Recursos de Emmett E-IPERen la Escuela de Ciencias de la Tierra, Energía y Medio Ambiente de Stanford.
Optimización de recursos
Así como el IRS no puede auditar a todos los contribuyentes, la mayoría de las agencias gubernamentales deben tomar decisiones constantemente sobre cómo asignar los recursos. Los métodos de aprendizaje automático pueden ayudar a optimizar ese proceso al predecir dónde los fondos pueden generar el mayor beneficio. Los investigadores se enfocaron en la limpiezaWater Act, según la cual la Agencia de Protección Ambiental de EE. UU. Y los gobiernos estatales son responsables de regular más de 300,000 instalaciones, pero pueden inspeccionar menos del 10 por ciento de ellas en un año determinado.
Utilizando datos de inspecciones pasadas, los investigadores implementaron una serie de modelos para predecir la probabilidad de no pasar una inspección, según las características de la instalación, como la ubicación, la industria y el historial de inspección. Luego, ejecutaron sus modelos en todas las instalaciones, incluidas algunasque aún no se ha inspeccionado.
Esta técnica generó una puntuación de riesgo para cada instalación, indicando la probabilidad de que no pasara una inspección. Luego, el grupo creó cuatro escenarios de inspección que reflejaban diferentes limitaciones institucionales, por ejemplo, presupuestos de inspección variables y frecuencias de inspección, y utilizó la puntuaciónpara priorizar las inspecciones y predecir las infracciones.
En el escenario con la menor cantidad de restricciones - improbable en el mundo real - los investigadores predijeron alcanzar hasta siete veces el número de violaciones en comparación con el status quo. Cuando tuvieron en cuenta más restricciones, la cantidad de violaciones detectadas todavía eraduplicar el status quo.
Límites de algoritmos
A pesar de su potencial, el aprendizaje automático tiene fallas de las que protegerse, advierten los investigadores. "Los algoritmos son imperfectos, pueden perpetuar el sesgo a veces y pueden ser engañados", dijo la autora principal del estudio, Miyuki Hino, también estudiante de posgrado en E-IPER.
Por ejemplo, los agentes, como los propietarios de granjas de cerdos, pueden manipular sus datos reportados para influir en la probabilidad de recibir beneficios o evitar sanciones. Otros pueden alterar su comportamiento, relajar los estándares cuando el riesgo de ser atrapados es bajo, si sabensu probabilidad de ser seleccionados por el algoritmo. Las limitaciones institucionales, políticas y financieras podrían limitar la capacidad del aprendizaje automático para mejorar las prácticas existentes. El enfoque podría exacerbar las preocupaciones por la justicia ambiental si desvía sistemáticamente la supervisión de las instalaciones ubicadas en áreas de bajos ingresos o de minoríasAdemás, el enfoque de aprendizaje automático no tiene en cuenta los cambios potenciales a lo largo del tiempo, como en las prioridades de las políticas públicas y las tecnologías de control de la contaminación.
Los investigadores sugieren soluciones a algunos de estos desafíos. Seleccionar algunas instalaciones al azar, independientemente de sus puntajes de riesgo, y ocasionalmente volver a entrenar el modelo para reflejar los factores de riesgo actualizados podría ayudar a mantener las instalaciones de bajo riesgo en alertasobre el cumplimiento. Las preocupaciones por la justicia ambiental podrían incorporarse en las prácticas de selección de objetivos de inspección. Examinar el valor y las compensaciones del uso de datos autoinformados podría ayudar a gestionar las preocupaciones sobre el comportamiento estratégico y la manipulación por parte de las instalaciones
Los investigadores sugieren que el trabajo futuro podría examinar las complejidades adicionales de la integración de un enfoque de aprendizaje automático en los esfuerzos de aplicación más amplios de la EPA, como la incorporación de prioridades de aplicación específicas o la identificación de limitaciones técnicas, financieras y de recursos humanos. Además, estos métodos podrían aplicarse en otroscontextos dentro de los EE. UU. y más allá donde los reguladores buscan hacer un uso eficiente de los recursos limitados.
"Este modelo es un punto de partida que podría ampliarse con más detalles sobre los costos y beneficios de las diferentes inspecciones, violaciones y respuestas de cumplimiento", dijo la coautora y compañera de estudios graduada de E-IPER, Nina Brooks.
Fuente de la historia :
Materiales proporcionado por Universidad de Stanford . Original escrito por Rob Jordan. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :