Ο OSHA θα πρέπει να χρησιμοποιεί μηχανική εκμάθηση για να βελτιώσει την αποτελεσματικότητα των ρυθμιστικών επιθεωρήσεών του.
Οι κυβερνητικές υπηρεσίες που είναι επιφορτισμένες με τη βελτίωση της ασφάλειας των εργαζομένων, τη φορολογική συμμόρφωση, την προστασία του περιβάλλοντος και άλλες ανησυχίες αντιμετωπίζουν τακτικά δύσκολες αποφάσεις σχετικά με τον τρόπο επιθεώρησης των χώρων εργασίας που είναι υπεύθυνοι για την παρακολούθηση. Αυτή είναι μια σοβαρή πρόκληση, δεδομένου των σοβαρών περιορισμών πόρων των υπηρεσιών που τους επιτρέπουν να επιθεωρούν μόνο ένα μικρό ποσοστό αυτών των τοποθεσιών. Και με τη δυσλειτουργία να εμφανίζεται στις πρόσφατες προσπάθειες του Κογκρέσου των ΗΠΑ να εγκρίνει έναν προϋπολογισμό, οι περιορισμοί πόρων των ομοσπονδιακών υπηρεσιών είναι απίθανο να βελτιωθούν σύντομα.
Υπό αυτές τις συνθήκες, το νέο μας έρευνα δείχνει ότι οι ρυθμιστικοί φορείς μπορούν να επωφεληθούν σημαντικά χρησιμοποιώντας εργαλεία μηχανικής μάθησης για να στοχεύσουν τους περιορισμένους πόρους επιθεώρησής τους.
Πάρτε για παράδειγμα τον προϋπολογισμό επιβολής της Διοίκησης για την Ασφάλεια και την Υγεία στην Εργασία των ΗΠΑ (OSHA), ο οποίος χρηματοδοτεί αποστολή να «διασφαλίσει ασφαλείς και υγιεινές συνθήκες εργασίας» σε περισσότερες από τις μισές πολιτείες σε όλη την Αμερική (οι άλλες πολιτείες λειτουργούν τα δικά τους πρακτορεία, υπό την επίβλεψη του OSHA). Ο OSHA και οι κρατικοί εταίροι του επιθεωρούν λιγότερο από το 1 τοις εκατό των εκατομμυρίων χώρων εργασίας που επιβλέπουν. Παρά τις δεκαετίες ανησυχίες ότι ο OSHA έχει ανεπαρκείς επιθεωρητές, μια πρόσφατη πρόταση των Ρεπουμπλικανών προτείνεται περικοπή του προϋπολογισμού του OSHA κατά 15%. Με τόσο περιορισμένους πόρους, πώς μπορούν φορείς όπως ο OSHA να χρησιμοποιήσουν τις επιθεωρήσεις τους για να επιτύχουν την αποστολή τους—και να χρησιμοποιήσουν τα δολάρια των φορολογουμένων με σύνεση;
Μας μελέτη εξέτασε δεκάδες χιλιάδες χώρους εργασίας σε 28 πολιτείες και διαπίστωσε ότι οι επιθεωρήσεις του OSHA μείωσαν τους τραυματισμούς κατά 9%, διευρύνοντας τις επιπτώσεις της προηγούμενης μελέτης μας που δημοσιεύθηκε πριν από μια δεκαετία και βρήκε χώρους εργασίας στην Καλιφόρνια έμπειρος μείωση 9,4 τοις εκατό στα ποσοστά τραυματισμών και μείωση 26 τοις εκατό στο κόστος τραυματισμών αφού οι επιθεωρητές ασφαλείας τους στόχευσαν τυχαία. Σε συνδυασμό, αυτές οι μελέτες καταδεικνύουν ότι τα οφέλη για τη βελτίωση της ασφάλειας των ρυθμιστικών επιθεωρήσεων είναι ευρέως διαδεδομένα και δεν περιορίζονται σε ένα μόνο κράτος.
Αλλά ίσως το πιο σημαντικό, η πρόσφατη μελέτη μας επίσης βρέθηκαν ότι ο OSHA θα μπορούσε αποτρέψει διπλάσιο αριθμό τραυματισμών—μεταφράζεται σε έως και 16.000 λιγότερους εργαζόμενους τραυματίες και σχεδόν 1 δισεκατομμύριο δολάρια σε κοινωνικά επιδόματα κατά τη δεκαετία που εξετάσαμε—αν οι επιθεωρήσεις στοχεύονταν με βάση εναλλακτικές προσεγγίσεις που σχεδιάσαμε και αξιολογήσαμε.
Πώς μπορεί να προκύψει ένα τόσο τεράστιο κέρδος στη ρυθμιστική αποτελεσματικότητα; Ο OSHA, όπως και πολλοί άλλοι ρυθμιστικοί φορείς, τείνει να δίνουν προτεραιότητα επιθεωρήσεις για χώρους εργασίας με προηγούμενα αρχεία για υψηλά ποσοστά τραυματισμών. Αυτοί οι χώροι εργασίας, ωστόσο, μπορεί να μην είναι εκεί όπου οι επιθεωρήσεις μπορούν να κάνουν το καλύτερο.
Η στόχευση χώρων εργασίας με βάση τα προηγούμενα αρχεία τους δεν αποτελεί εγγύηση ότι αυτοί είναι οι χώροι εργασίας που αντιμετωπίζουν τις πιο επικίνδυνες συνθήκες σήμερα. Επιπλέον, εάν ο στόχος της ρυθμιστικής αρχής είναι να βελτιώσει ασφάλεια, άλλοι έχουν επεσήμανε ότι ο OSHA θα πρέπει θεωρητικά να επικεντρωθεί στο πού οι επιθεωρήσεις μπορούν να προκαλέσουν το μεγαλύτερο μείωση σε τραυματισμούς, που δεν είναι απαραίτητα οι χώροι εργασίας που έχουν τα χειρότερα αρχεία τραυματισμών. Ευτυχώς, οι πρόσφατες εξελίξεις στα εργαλεία μηχανικής μάθησης επιτρέπω φορείς για να ξεπεράσουν και τις δύο αυτές ελλείψεις.
Εμείς εύρημα ότι, χωρίς να αλλάξει τον προϋπολογισμό των επιθεωρήσεων, ο OSHA θα μπορούσε να είχε αποτρέψει διπλάσιους τραυματισμούς, αν χρησιμοποιούσε αλγόριθμους πρόβλεψης μηχανικής μάθησης για να στοχεύσει επιθεωρήσεις σε χώρους εργασίας που προβλέπεται να ανταποκρίνονται ιδιαίτερα στις επιθεωρήσεις—αυτούς που θα έκαναν τη δουλειά για να μειώσουν πραγματικά τους τραυματισμούς μετά από επιθεωρήσεις. Επιπλέον, εμείς εύρημα παρόμοια κέρδη εάν η OSHA στόχευε σε χώρους εργασίας που προβλεπόταν ότι θα είχαν τους περισσότερους τραυματισμούς τη στιγμή της άφιξης των επιθεωρητών, και όχι μόνο στο παρελθόν.
Αυτή η δυνατότητα για βελτιωμένη αποτελεσματικότητα δεν περιορίζεται σε καμία περίπτωση στο OSHA και την ασφάλεια στο χώρο εργασίας. Άλλα πρόσφατα σπουδές έχουν δείξει πώς η μηχανική μάθηση μπορεί να βελτιώσει την αποτελεσματικότητα των επιθεωρήσεων σε τομείς που κυμαίνονται από υγιεινή εστιατορίου προς την ρύπανση των υδάτων.
Φυσικά, αυτά τα κέρδη πρέπει να εξισορροπηθούν με ανησυχίες σχετικά με τη διαφάνεια και τη δικαιοσύνη που μπορεί να προκύψουν δεδομένης της φύσης του «μαύρου κουτιού» που είναι κοινή σε πολλούς αλγόριθμους πρόβλεψης μηχανικής μάθησης. Αυτές είναι σημαντικές συζητήσεις που πρέπει να γίνουν. Αλλά με τους ρυθμιστικούς προϋπολογισμούς υπό πίεση σε πολλές χώρες, πολιτείες και δήμους, είναι πιο σημαντικό από ποτέ για τις κρατικές υπηρεσίες να κάνουν την πιο αποτελεσματική χρήση των πόρων τους. Η μελέτη μας δείχνει πώς η μηχανική μάθηση προσφέρει έναν τρόπο για να γίνει αυτό ακριβώς.
