Los peligros del aprendizaje automático el uso de computadoras para identificar y analizar patrones de datos, como en el software de reconocimiento facial han aparecido en los titulares últimamente. Sin embargo, la tecnología también promete ayudar a hacer cumplir las regulaciones federales, incluidas las relacionadas con el medio ambiente.de una manera justa y transparente, según un nuevo estudio realizado por investigadores de Stanford.
El análisis, publicado esta semana en las actas de la Conferencia de la Asociación de Maquinaria de Computación sobre Equidad, Responsabilidad y Transparencia el enlace es externo, evalúa las técnicas de aprendizaje automático diseñadas para respaldar una iniciativa de la Agencia de Protección Ambiental de los EE. UU. EPA para reducir las violaciones gravesde la Ley de Agua Limpia. Revela cómo dos elementos clave del llamado diseño algorítmico influyen en las comunidades a las que se dirigen los esfuerzos de cumplimiento y, en consecuencia, en quién soporta la carga de las infracciones de contaminación. El análisis, financiado a través del Stanford Woods Institute for theEl Programa Realizando la Innovación Ambiental de Environment - es oportuno dadas las recientes acciones ejecutivas el enlace es externo que piden un enfoque renovado en la justicia ambiental.
"El aprendizaje automático se está utilizando para ayudar a administrar una gran cantidad de cosas que las agencias federales deben hacer, como una forma de ayudar a aumentar la eficiencia", dijo el co-investigador principal del estudio Daniel Ho, William Benjamin Scott y Luna M. Scott, profesor de derecho en la Facultad de Derecho de Stanford. "Sin embargo, lo que también mostramos es que el simple hecho de diseñar un sistema basado en el aprendizaje automático puede tener un beneficio adicional".
incumplimiento generalizado
La Ley de Agua Limpia tiene como objetivo limitar la contaminación de las entidades que descargan directamente en las vías fluviales, pero en un año determinado, casi el 30 por ciento de dichas instalaciones reportan violaciones graves o persistentes de sus permisos. En un esfuerzo por reducir a la mitad este tipo de incumplimientopara 2022, la EPA ha estado explorando el uso del aprendizaje automático para orientar los recursos de cumplimiento.
Para probar este enfoque, la EPA se acercó a la comunidad académica. Entre sus socios elegidos: el Laboratorio de Regulación, Evaluación y Gobernanza de Stanford RegLab, un equipo interdisciplinario de expertos legales, científicos de datos, científicos sociales e ingenieros que dirige Ho.El grupo ha realizado un trabajo continuo con agencias federales y estatales para ayudar al cumplimiento ambiental.
En el nuevo estudio, los investigadores de RegLab examinaron cómo los permisos con funciones similares, como las plantas de tratamiento de aguas residuales, fueron clasificados por cada estado de manera que afectarían su inclusión en la iniciativa de cumplimiento nacional de la EPA. Utilizando modelos de aprendizaje automático, también examinaroncientos de millones de observaciones, una tarea imposible con enfoques convencionales, de las bases de datos de la EPA sobre volúmenes históricos de descarga, historial de cumplimiento y variables a nivel de permiso para predecir la probabilidad de futuras infracciones graves y la cantidad de contaminación que probablemente generaría cada instalación.luego evaluó los datos demográficos, como el ingreso del hogar y la población minoritaria, para las áreas donde cada modelo indicaba que estaban ubicadas las instalaciones más riesgosas.
Diablo en los detalles
El proceso algorítmico del equipo ayudó a descubrir dos formas clave en que el diseño de la iniciativa de cumplimiento de la EPA podría influir en quién recibe los recursos. Estas diferencias se centraron en qué tipos de permisos se incluyeron o excluyeron, así como en cómo se articuló el objetivo en sí.
En el proceso de averiguar cómo lograr el objetivo de cumplimiento, los investigadores primero tuvieron que traducir el objetivo general en una serie de instrucciones concretas, un algoritmo, necesarias para cumplirlo. Mientras evaluaban qué instalaciones ejecutar prediccionesEn adelante, notaron una importante decisión incorporada. Si bien la iniciativa de la EPA amplía los permisos cubiertos al menos siete veces en relación con los esfuerzos anteriores, limita su alcance a los "permisos individuales", que cubren una entidad de descarga específica, como una sola planta de tratamiento de aguas residuales.Quedan fuera los "permisos generales", destinados a cubrir múltiples descargadores que participan en actividades similares y con tipos similares de efluentes. Una complicación relacionada: la mayor parte de la autoridad de permisos y monitoreo está en manos de las agencias ambientales estatales. Como resultado, se pueden incluir instalaciones funcionalmente similareso excluido de la iniciativa federal en función de cómo los estados implementan su proceso de permisos de contaminación.
"El impacto de este federalismo ambiental hace que la asociación con los estados sea fundamental para lograr estos objetivos más amplios de una manera equitativa", dijo el coautor Reid Whitaker, afiliado de RegLab y graduado en 2020 de la Facultad de Derecho de Stanford que ahora está cursando un doctorado en Jurisprudencia yPrograma de Política Social de la Universidad de California, Berkeley.
En segundo lugar, la iniciativa actual de la EPA se centra en reducir las tasas de incumplimiento. Si bien existen buenas razones para este objetivo de política, el proceso de diseño algorítmico de los investigadores dejó en claro que favorecer esto sobre las descargas de contaminación que exceden el límite permitido tendría un poderoso efecto no intencionadoEs decir, desviaría los recursos para hacer cumplir la ley de los infractores más graves, que es más probable que se encuentren en comunidades minoritarias densamente pobladas, y hacia instalaciones más pequeñas en comunidades más rurales, predominantemente blancas, según los investigadores.
"Dividir la gran idea de la iniciativa de cumplimiento en partes más pequeñas que una computadora pudiera entender forzó una conversación sobre la toma de decisiones implícitas explícitas", dijo la autora principal del estudio, Elinor Benami, profesora afiliada del RegLab y profesora asistente de agricultura y aplicacióneconomía en Virginia Tech. "El diseño algorítmico cuidadoso puede ayudar a los reguladores a identificar de manera transparente cómo los objetivos se traducen en implementación mientras se utilizan estas técnicas para abordar las limitaciones persistentes de capacidad".
Fuente de la historia :
Materiales proporcionado por Universidad de Stanford . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :