Mentre l'uragano Florence si faceva strada attraverso la Carolina del Nord, ha rilasciato quella che potrebbe essere educatamente definita una tempesta di escrementi. Enormi pozze di letame di maiali lavano uno stufato di batteri pericolosi e metalli pesanti nei corsi d'acqua vicini.

Una supervisione più efficiente avrebbe potuto prevenire alcuni degli effetti peggiori, ma anche nei momenti migliori, i regolatori ambientali statali e federali sono sovradimensionati e sottofinanziati. L'aiuto è a portata di mano, però, sotto forma di apprendimento automatico, che addestra i computer a rilevare automaticamente i modelli nei dati, secondo i ricercatori di Stanford.

Il loro studio, pubblicato in Sostenibilità della natura , rileva che le tecniche di apprendimento automatico potrebbero rilevare da due a sette volte il numero di infrazioni rispetto agli approcci attuali, e suggerisce applicazioni di vasta portata per gli investimenti pubblici.

"Soprattutto in un'epoca di budget decrescenti, è fondamentale identificare modi efficaci in termini di costi per proteggere la salute pubblica e l'ambiente, ", ha affermato la coautrice dello studio Elinor Benami, uno studente laureato nell'Emmett Interdisciplinary Program on Environment and Resources (E-IPER) presso la School of Earth di Stanford, Scienze energetiche e ambientali.

Ottimizzazione delle risorse

Proprio come l'IRS non può controllare tutti i contribuenti, la maggior parte delle agenzie governative deve costantemente prendere decisioni su come allocare le risorse. I metodi di apprendimento automatico possono aiutare a ottimizzare tale processo prevedendo dove i fondi possono produrre i maggiori benefici. I ricercatori si sono concentrati sul Clean Water Act, in base al quale l'Agenzia per la protezione dell'ambiente degli Stati Uniti e i governi statali sono responsabili della regolamentazione di oltre 300, 000 strutture ma sono in grado di ispezionare meno del 10% di quelle in un dato anno.

Utilizzando i dati delle ispezioni passate, i ricercatori hanno implementato una serie di modelli per prevedere la probabilità di fallire un'ispezione, in base alle caratteristiche della struttura, come posizione, storia del settore e delle ispezioni. Quindi, hanno eseguito i loro modelli su tutte le strutture, compresi quelli che dovevano ancora essere ispezionati.

Questa tecnica ha generato un punteggio di rischio per ogni struttura, indicando la probabilità di fallire un'ispezione. Il gruppo ha quindi creato quattro scenari di ispezione che riflettono diversi vincoli istituzionali:budget di ispezione variabili e frequenze di ispezione, ad esempio, e ha utilizzato il punteggio per dare priorità alle ispezioni e prevedere le violazioni.

Nello scenario con il minor numero di vincoli, improbabile nel mondo reale, i ricercatori hanno previsto di raggiungere fino a sette volte il numero di violazioni rispetto allo status quo. Quando hanno rappresentato più vincoli, il numero di violazioni rilevate era ancora il doppio dello status quo.

Limiti degli algoritmi

Nonostante il suo potenziale, l'apprendimento automatico ha difetti da cui proteggersi, avvertono i ricercatori. "Gli algoritmi sono imperfetti, a volte possono perpetuare pregiudizi e possono essere presi in giro, ", ha affermato l'autore principale dello studio Miyuki Hino, anche uno studente laureato in E-IPER.

Per esempio, agenti, tali proprietari di allevamenti di maiali, possono manipolare i dati comunicati per influenzare la probabilità di ricevere benefici o evitare sanzioni. Altri possono alterare il loro comportamento - standard rilassanti quando il rischio di essere scoperti è basso - se conoscono la loro probabilità di essere selezionati dall'algoritmo. Istituzionale, vincoli politici e finanziari potrebbero limitare la capacità del machine learning di migliorare le pratiche esistenti. L'approccio potrebbe potenzialmente esacerbare le preoccupazioni in materia di giustizia ambientale se dirigesse sistematicamente la supervisione lontano dalle strutture situate in aree a basso reddito o minoritarie. Anche, l'approccio di apprendimento automatico non tiene conto dei potenziali cambiamenti nel tempo, come nelle priorità di politica pubblica e nelle tecnologie di controllo dell'inquinamento.

I ricercatori suggeriscono rimedi ad alcune di queste sfide. Selezionando alcune strutture a caso, indipendentemente dai loro punteggi di rischio, e occasionalmente riqualificare il modello per riflettere i fattori di rischio aggiornati potrebbe aiutare a mantenere le strutture a basso rischio all'erta sulla conformità. Le preoccupazioni in materia di giustizia ambientale potrebbero essere integrate nelle pratiche mirate alle ispezioni. Esaminare il valore e i compromessi dell'utilizzo di dati auto-riportati potrebbe aiutare a gestire le preoccupazioni sul comportamento strategico e la manipolazione da parte delle strutture.

I ricercatori suggeriscono che il lavoro futuro potrebbe esaminare ulteriori complessità dell'integrazione di un approccio di apprendimento automatico negli sforzi più ampi di applicazione dell'EPA, come l'incorporazione di priorità di applicazione specifiche o l'identificazione di aspetti tecnici, limiti finanziari e delle risorse umane. Inoltre, questi metodi potrebbero essere applicati in altri contesti all'interno degli Stati Uniti e oltre, dove i regolatori stanno cercando di fare un uso efficiente di risorse limitate.

"Questo modello è un punto di partenza che potrebbe essere ampliato con maggiori dettagli sui costi e sui benefici delle diverse ispezioni, violazioni e risposte esecutive, ", ha affermato la co-autrice e collega studentessa laureata E-IPER Nina Brooks.