När orkanen Florence gick genom North Carolina, det släppte det som artigt kan kallas en avföringsstorm. Massiva gödselgödselsvampar tvättade en gryta med farliga bakterier och tungmetaller i närliggande vattenvägar.

Effektivare övervakning kan ha förhindrat några av de värsta effekterna, men även under de bästa tiderna, statliga och federala miljötillsynsmyndigheter är överdrivna och underfinansierade. Hjälp finns till hands, dock, i form av maskininlärning – att träna datorer att automatiskt upptäcka mönster i data – enligt Stanford-forskare.

Deras studie, publiceras i Naturens hållbarhet , finner att maskininlärningstekniker kan fånga två till sju gånger så många överträdelser som nuvarande metoder, och föreslår långtgående ansökningar om offentliga investeringar.

"Särskilt i en tid av minskande budgetar, Att identifiera kostnadseffektiva sätt att skydda folkhälsan och miljön är avgörande, " sa studiemedförfattare Elinor Benami, en doktorand i Emmett Interdisciplinary Program on Environment and Resources (E-IPER) vid Stanfords School of Earth, Energi- och miljövetenskap.

Optimera resurser

Precis som IRS inte kan granska alla skattebetalare, de flesta statliga myndigheter måste hela tiden fatta beslut om hur resurserna ska fördelas. Maskininlärningsmetoder kan hjälpa till att optimera den processen genom att förutsäga var medel kan ge störst nytta. Forskarna fokuserade på Clean Water Act, enligt vilken U.S. Environmental Protection Agency och statliga regeringar är ansvariga för att reglera mer än 300, 000 anläggningar men kan inspektera mindre än 10 procent av dem under ett visst år.

Med hjälp av data från tidigare inspektioner, forskarna använde en serie modeller för att förutsäga sannolikheten för att misslyckas med en inspektion, baserat på anläggningens egenskaper, såsom plats, industri och inspektionshistorik. Sedan, de körde sina modeller på alla faciliteter, inklusive sådana som ännu inte hade kontrollerats.

Denna teknik genererade ett riskpoäng för varje anläggning, anger hur sannolikt det var att misslyckas med en inspektion. Gruppen skapade sedan fyra inspektionsscenarier som speglar olika institutionella begränsningar – varierande inspektionsbudgetar och inspektionsfrekvenser, till exempel – och använde poängen för att prioritera inspektioner och förutsäga överträdelser.

Under scenariot med de minsta begränsningarna – osannolikt i den verkliga världen – förutspådde forskarna att de skulle fånga upp till sju gånger antalet överträdelser jämfört med status quo. När de stod för fler begränsningar, antalet upptäckta överträdelser var fortfarande dubbelt så mycket som status quo.

Gränser för algoritmer

Trots dess potential, maskininlärning har brister att skydda sig mot, forskarna varnar. "Algorithmer är ofullkomliga, de kan föreviga partiskhet ibland och de kan spelas, " sade studiens huvudförfattare Miyuki Hino, även doktorand i E-IPER.

Till exempel, agenter, sådana svingårdsägare, kan manipulera sina rapporterade uppgifter för att påverka sannolikheten att få förmåner eller undvika påföljder. Andra kan ändra sitt beteende – avslappnande standarder när risken att bli gripen är låg – om de vet att det är sannolikt att de blir utvalda av algoritmen. Institutionell, politiska och ekonomiska begränsningar skulle kunna begränsa maskininlärningens förmåga att förbättra befintliga metoder. Tillvägagångssättet skulle potentiellt kunna förvärra farhågorna för miljörättvisa om det systematiskt riktar tillsyn bort från anläggningar i låginkomst- eller minoritetsområden. Också, maskininlärningsmetoden tar inte hänsyn till potentiella förändringar över tid, t.ex. i offentliga prioriteringar och teknik för föroreningskontroll.

Forskarna föreslår lösningar på några av dessa utmaningar. Att välja några faciliteter slumpmässigt, oavsett deras riskpoäng, och ibland omträna modellen för att återspegla aktuella riskfaktorer kan hjälpa till att hålla lågriskanläggningar på tårna när det gäller efterlevnad. Miljörättvisa kan byggas in i praxis för inriktning av inspektioner. Att undersöka värdet och avvägningarna av att använda självrapporterade data kan hjälpa till att hantera farhågor om strategiskt beteende och manipulation av anläggningar.

Forskarna föreslår att framtida arbete kan undersöka ytterligare komplexitet med att integrera en maskininlärningsmetod i EPA:s bredare verkställighetsinsatser, som att införliva specifika tillämpningsprioriteringar eller identifiera tekniska, ekonomiska och mänskliga resurser. Dessutom, dessa metoder skulle kunna tillämpas i andra sammanhang inom och utanför USA där tillsynsmyndigheter försöker utnyttja begränsade resurser effektivt.

"Den här modellen är en utgångspunkt som kan förstärkas med mer detaljer om kostnaderna och fördelarna med olika inspektioner, kränkningar och verkställighetsåtgärder, ", sa medförfattare och kollega E-IPER doktorand Nina Brooks.