Nende kriiside ennetamiseks võite kasutada i ennustavad mudelid kuid need põhinevad riskimeetmetel, mis on sageli hilinenud, aegunud või mittetäielikud. New Yorgi ülikooli uuring püüdis mõista, kuidas ennustavaid algoritme optimaalselt ära kasutada.
Uuring näitas, et koostades aastatel 11,2–1980 avaldatud 2020 miljoni toiduga kindlustamatuid riike käsitleva artikli teksti ja kasutades ära hiljutisi edusamme deep learning: võib saada lohutavaid tulemusi. Läbitöötamine võimaldas eraldada toidukriiside sagedasi eelkäijaid, mis on nii tõlgendatavad kui ka traditsiooniliste riskinäitajatega kinnitatud.
Algoritm deep learning rõhutas, et ajavahemikul juulist 2009 kuni juulini 2020 parandavad kriisinäitajad oluliselt prognoose 21 toiduga kindlustamata riigis, mis on kuni 12 kuud varem kui lähtemudelid, mis ei sisalda tekstiteavet.
Uuring keskendub integreeritud faasiklassifikatsiooni (IPC) toiduga kindlustamatuse prognoosile, mille avaldas Näljahäda varajase hoiatamise süsteemide võrk (FEWS NET). See klassifikatsioon on piirkonna tasandil saadaval 37 toiduga ebakindlas riigis Aafrikas, Aasias ja Ladina-Ameerikas ning sellest teatati aastatel 2009–2015 neli korda aastas ja seejärel kolm korda aastas.
Toiduga kindlustamatust klassifitseeritakse järgu skaala järgi, mis koosneb viiest etapist: madalseisund, stress, kriis, hädaolukord ja nälg.
BlogInnovazione.it
Veeami Coveware jätkab küberväljapressimise juhtumitele reageerimise teenuste pakkumist. Coveware pakub kohtuekspertiisi ja heastamisvõimalusi…
Ennustav hooldus muudab nafta- ja gaasisektori pöördeliseks uuendusliku ja ennetava lähenemisega tehaste juhtimisele.…
Ühendkuningriigi CMA on väljastanud hoiatuse Big Techi käitumise kohta tehisintellekti turul. Seal…
Euroopa Liidu poolt hoonete energiatõhususe suurendamiseks koostatud roheliste majade dekreet on lõpetanud oma seadusandliku protsessi…