Os perigos do aprendizado de ma¡quina - usar computadores para identificar e analisar padraµes de dados, como em softwares de reconhecimento facial - chegaram a s manchetes recentemente. No entanto, a tecnologia também promete ajudar a fazer cumprir as regulamentações federais, incluindo aquelas relacionadas ao meio ambiente, de forma justa e transparente, de acordo com um novo estudo realizado por pesquisadores de Stanford.

A análise, publicada esta semana nos anais da Conferência da Associação de Ma¡quinas de Computação sobre Justia§a, Responsabilidade e Transparaªncia , avalia técnicas de aprendizado de ma¡quina projetadas para apoiar uma iniciativa da Agência de Proteção Ambiental dos EUA (EPA) para reduzir violações graves da Lei da agua Limpa. Ele revela como dois elementos-chave do chamado design algora­tmico influenciam quais comunidades são alvo dos esforços de conformidade e, consequentemente, quem arca com o fardo das violações da poluição. Essas análises são particularmente oportunas, dadas as recentes ações executivas que pedem um foco renovado na justia§a ambiental.

“O aprendizado de ma¡quina estãosendo usado para ajudar a gerenciar um número esmagador de coisas que as agaªncias federais tem a tarefa de fazer - como uma forma de ajudar a aumentar a eficiência”, disse o coprincipal investigador do estudo Daniel Ho , o professor William Benjamin Scott e Luna M. Scott de Direito na Stanford Law School . “No entanto, o que também mostramos éque simplesmente projetar um sistema baseado em aprendizado de ma¡quina pode ter um benefa­cio adicional.”

A Lei da agua Limpa visa limitar a poluição de entidades que descarregam diretamente nos cursos de a¡gua, mas em qualquer ano, quase 30 por cento dessas instalações relatam violações persistentes ou graves de suas licena§as. Em um esfora§o para reduzir pela metade esse tipo de não conformidade até2022, a EPA vem explorando o uso de aprendizado de ma¡quina para direcionar os recursos de conformidade.

Para testar essa abordagem, a EPA alcana§ou a comunidade acadaªmica. Entre os parceiros escolhidos estãoo Laborata³rio de Regulamentação, Avaliação e Governana§a de Stanford (RegLab) , uma equipe interdisciplinar de especialistas jura­dicos, cientistas de dados, cientistas sociais e engenheiros chefiados por Ho. O grupo tem feito um trabalho conta­nuo com agaªncias federais e estaduais para ajudar na conformidade ambiental.

No novo estudo, os pesquisadores do RegLab examinaram como as licena§as com funções semelhantes, como estações de tratamento de a¡guas residuais, foram classificadas por cada estado de maneiras que afetariam sua inclusão na iniciativa de conformidade nacional EPA. Usando modelos de aprendizado de ma¡quina, eles também examinaram centenas de milhões de observações - uma tarefa impossí­vel com abordagens convencionais - de bancos de dados da EPA sobre volumes hista³ricos de descargas, hista³rico de conformidade e varia¡veis ​​denívelde permissão para prever a probabilidade de futuras violações graves e a quantidade de poluição cada instalação provavelmente geraria. Eles então avaliaram dados demogra¡ficos, como renda familiar e população minorita¡ria, para as áreas onde cada modelo indicava as instalações de maior risco.

O processo algora­tmico da equipe ajudou a revelar duas maneiras principais pelas quais o design da iniciativa de conformidade EPA poderia influenciar quem recebe os recursos. Essas diferenças centravam-se nos tipos de licena§as inclua­das ou exclua­das, bem como na forma como o pra³prio objetivo era articulado.

No processo de descobrir como atingir a meta de conformidade, os pesquisadores primeiro tiveram que traduzir o objetivo geral em uma sanãrie de instruções concretas - um algoritmo - necessa¡rias para cumpri-lo. Enquanto avaliavam em quais instalações executar as previsaµes, eles notaram uma importante decisão embutida. Embora a iniciativa da EPA expanda as licena§as cobertas em pelo menos sete vezes em relação aos esforços anteriores, ela limita seu escopo a “licena§as individuais”, que cobrem uma entidade especa­fica de descarte, como uma única estação de tratamento de a¡guas residuais. Deixadas de fora estãoas “licena§as gerais”, destinadas a cobrir vários descarregadores envolvidos em atividades semelhantes e com tipos semelhantes de efluentes. Uma complicação relacionada: a maior parte da autoridade de licenciamento e monitoramento estãoinvestida nas agaªncias ambientais estaduais. Como um resultado,

“O impacto desse federalismo ambiental torna a parceria com os estados cra­tica para atingir esses objetivos maiores de uma forma equitativa”, disse o coautor Reid Whitaker, afiliado do RegLab e graduado em 2020 pela Stanford Law School agora buscando um PhD em Jurisprudaªncia e Pola­tica Social Programa na Universidade da Califa³rnia, Berkeley.

Em segundo lugar, a atual iniciativa da EPA se concentra na redução das taxas de não conformidade. Embora existam boas razões para esse objetivo pola­tico, o processo de design algora­tmico dos pesquisadores deixou claro que favorecer isso em vez de descargas de poluição que excedam o limite permitido teria um poderoso efeito indesejado. Ou seja, mudaria os recursos de aplicação da lei para longe dos violadores mais graves, que são mais propensos a estar em comunidades minorita¡rias densamente povoadas, e para instalações menores em comunidades mais rurais, predominantemente brancas, de acordo com os pesquisadores.

“Dividir a grande ideia da iniciativa de conformidade em pedaço s menores que um computador poderia entender fora§ou uma conversa sobre tornar expla­citas as decisaµes impla­citas”, disse a autora principal do estudo, Elinor Benami, professora afiliada do RegLab e professora assistente de economia agra­cola e aplicada em Virginia Tech. “O projeto algora­tmico cuidadoso pode ajudar os reguladores a identificar de forma transparente como os objetivos se traduzem em implementação ao usar essas técnicas para lidar com as restrições de capacidade persistentes.”