Mientras el huracán Florence avanzaba por Carolina del Norte, lanzó 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 las vías fluviales cercanas.

Una supervisión más eficiente podría haber evitado algunos de los peores efectos, pero incluso en el mejor de los tiempos, los reguladores ambientales estatales y federales están sobrecargados y con fondos insuficientes. La ayuda esta ala mano, sin embargo, en forma de aprendizaje automático, entrenando a las computadoras para que detecten 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 largo alcance para inversiones públicas.

"Especialmente en una era de presupuestos decrecientes, identificar formas rentables de proteger la salud pública y el medio ambiente es fundamental, "dijo la coautora del estudio, Elinor Benami, un estudiante de posgrado en el Programa Interdisciplinario de Emmett sobre Medio Ambiente y Recursos (E-IPER) en la Escuela de la Tierra de Stanford, Ciencias energéticas y ambientales.

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 centraron en la Ley de Agua Limpia, bajo el cual la Agencia de Protección Ambiental de los 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.

Usando datos de inspecciones pasadas, los investigadores implementaron una serie de modelos para predecir la probabilidad de no pasar una inspección, basado en las características de la instalación, como la ubicación, historial de inspección y de la industria. Luego, ejecutaron sus modelos en todas las instalaciones, incluidos los que aún no se habían inspeccionado.

Esta técnica generó una puntuación de riesgo para cada instalación, indicando la probabilidad de que falle una inspección. Luego, el grupo creó cuatro escenarios de inspección que reflejan diferentes restricciones institucionales:presupuestos de inspección variables y frecuencias de inspección, por ejemplo, y usó la puntuación para priorizar las inspecciones y predecir infracciones.

En el escenario con la menor cantidad de restricciones, poco probable en el mundo real, los investigadores predijeron que se alcanzaría hasta siete veces el número de violaciones en comparación con el status quo. Cuando tuvieron en cuenta más limitaciones, el número de violaciones detectadas seguía siendo el doble del statu quo.

Límites de los 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, agentes, tales propietarios de granjas de cerdos, puede manipular sus datos informados 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 conocen su probabilidad de ser seleccionados por el algoritmo. Institucional, Las restricciones políticas y financieras podrían limitar la capacidad del aprendizaje automático para mejorar las prácticas existentes. El enfoque podría exacerbar las preocupaciones de justicia ambiental si sistemáticamente desvía la supervisión de las instalaciones ubicadas en áreas de bajos ingresos o de minorías. También, el enfoque de aprendizaje automático no tiene en cuenta los posibles cambios a lo largo del tiempo, como en las prioridades de las políticas públicas y las tecnologías de control de la contaminación.

Los investigadores sugieren remedios para algunos de estos desafíos. Seleccionar algunas instalaciones al azar, independientemente de sus puntuaciones de riesgo, y, en ocasiones, volver a entrenar el modelo para que refleje los factores de riesgo actualizados podría ayudar a mantener a las instalaciones de bajo riesgo alerta sobre el cumplimiento. Las preocupaciones por la justicia ambiental podrían incorporarse a las prácticas de selección de objetivos de las inspecciones. Examinar el valor y las ventajas y desventajas 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. tales como la incorporación de prioridades de aplicación específicas o la identificación de limitaciones financieras y de recursos humanos. Además, Estos métodos podrían aplicarse en otros contextos 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 mayor detalle sobre los costos y beneficios de las diferentes inspecciones, violaciones y respuestas de ejecución, ", dijo la coautora y compañera de estudios de posgrado de E-IPER, Nina Brooks.