For at forudse disse kriser kan du bruge i prædiktive modeller men de er baseret på risikoforanstaltninger, der ofte er forsinkede, forældede eller ufuldstændige. New York University-undersøgelsen forsøgte at forstå, hvordan man udnytter forudsigende algoritmer på en optimal måde.
Undersøgelsen viste, at ved at samle teksten til 11,2 millioner artikler om fødevareusikre lande offentliggjort mellem 1980 og 2020, og ved at udnytte de seneste fremskridt inden for deep learning: trøstende resultater kan opnås. Udarbejdelsen gjorde det muligt at udvinde højfrekvente forstadier til fødevarekriser, som både kan fortolkes og valideres af traditionelle risikoindikatorer.
Algoritmen deep learning fremhævede, at kriseindikatorer i perioden fra juli 2009 til juli 2020 væsentligt forbedrer prognoserne i 21 fødevareusikre lande, op til 12 måneder tidligere end basismodeller, der ikke inkluderer tekstinformation.
Undersøgelsen fokuserer på forudsigelsen af Integrated Phase Classification (IPC) af fødevareusikkerhed offentliggjort af Netværk til hungersnød til tidlige advarsler (FEWS NETT). Denne klassifikation er tilgængelig på distriktsniveau i 37 fødevareusikre lande i Afrika, Asien og Latinamerika og blev rapporteret fire gange om året mellem 2009 og 2015 og tre gange om året derefter.
Fødevareusikkerhed er klassificeret efter en ordinal skala bestående af fem stadier: lav, stress, krise, nødsituation og hungersnød.
BlogInnovazione.it
Coveware by Veeam vil fortsætte med at levere responstjenester til cyberafpresning. Coveware vil tilbyde kriminaltekniske og afhjælpende funktioner...
Forudsigende vedligeholdelse revolutionerer olie- og gassektoren med en innovativ og proaktiv tilgang til anlægsstyring...
Det britiske CMA har udsendt en advarsel om Big Techs adfærd på markedet for kunstig intelligens. Der…
Dekretet om "grønne huse", der er formuleret af Den Europæiske Union for at øge bygningers energieffektivitet, har afsluttet sin lovgivningsproces med...