斯坦福大学的学生运用机器学习来进行环境的监测 人工智能资讯报道_AI资讯

编辑


当北卡罗来纳州遭受风暴袭击时,来带来一种可能被礼貌的称为“排泄物风暴”的物质。实际就是风暴会将巨大的猪场粪池细菌和重金属冲进附近的河道。

更加严格的监管制度确实可以避免一些影响,但有时也会面临监管部门资金不足的窘迫,然而,在斯坦福大学的研究人员便是,可以通过机器学习训练计算机来自动检测数据中的模式以此来达到效果。


研究发现,机器学习技术可以捕捉到的违规行为是当前方法的两到七倍,并且表明公共投资具有更加广泛的应用前景。特别是在一个预算较少的地方,确定具有成本效益的方式来保护公共卫生和环境是至关重要的。

正如美国国税局(IRS)不能对所有纳税人进行审计一样,大多数政府机构必须不断的就如何分配资源做出决策。机器学习方法可以帮助优化这一过程,因为它可以预测哪些基金可以获得最大的收益。根据相应的法案,美国环境保护局和各州政府负责监管30多万家设备,但每年只能对其中不到10%的设备进行检查。

根据以往检查的数据,研究人员部署了一系列模型,根据设备特性(如位置、行业和检查历史)来预测检查失败的可能性。然后,在所有设施上运行模型,包括那些那些尚未检查的设备。


这项技术为每个设备生成了一个风险评分,表明检查不合格的可能性有多大。然后,该小组创建了四种反映不同制度约束的检查场景,例如,不同的检查预算和检查频率并使用该分数来区分检查的优先级和预测违规行为。

在约束最少的情况下这在实际情况下不太可能会发生,研究人员预测,与现状相比,违规行为的数量将达到7倍。当考虑到更多的约束时,检测到的违规行为数量仍然是现状的两倍。