برای پیش بینی این بحران ها می توانید از i مدل های پیش بینی اما آنها بر اساس اقدامات ریسکی هستند که اغلب با تأخیر، منسوخ یا ناقص هستند. مطالعه دانشگاه نیویورک تلاش کرد تا درک کند که چگونه می توان از الگوریتم های پیش بینی به روشی بهینه بهره برداری کرد.
این مطالعه نشان داد که با گردآوری متن 11,2 میلیون مقاله در مورد کشورهای ناامن غذایی منتشر شده بین سال های 1980 تا 2020 و بهره گیری از پیشرفت های اخیر deep learning: نتایج دلپذیری را می توان به دست آورد. این توضیح به استخراج پیش سازهای با فرکانس بالا از بحران های غذایی اجازه می دهد که هم قابل تفسیر هستند و هم توسط شاخص های خطر سنتی تأیید می شوند.
الگوریتم deep learning تاکید کرد که در دوره ژوئیه 2009 تا ژوئیه 2020، شاخص های بحران به طور قابل توجهی پیش بینی ها را در 21 کشور ناامن غذایی تا 12 ماه زودتر از مدل های پایه که شامل اطلاعات متنی نمی شوند، بهبود می بخشد.
این مطالعه بر پیش‌بینی طبقه‌بندی فاز یکپارچه (IPC) ناامنی غذایی که توسط شبکه سیستم های هشدار زودرس قحطی (FEWS NET). این طبقه بندی در سطح منطقه در 37 کشور ناامن غذایی در آفریقا، آسیا و آمریکای لاتین در دسترس است و چهار بار در سال بین سال های 2009 و 2015 و سه بار در سال پس از آن گزارش شده است.
ناامنی غذایی بر اساس یک مقیاس ترتیبی شامل پنج مرحله پایین، استرس، بحران، اضطرار و قحطی طبقه‌بندی می‌شود.
BlogInnovazione.it
یک عمل جراحی چشم با استفاده از نمایشگر تجاری Apple Vision Pro در پلی کلینیک کاتانیا انجام شد…
توسعه مهارت های حرکتی ظریف از طریق رنگ آمیزی، کودکان را برای مهارت های پیچیده تری مانند نوشتن آماده می کند. رنگ کردن…
بخش دریایی یک قدرت واقعی اقتصادی جهانی است که به سمت یک بازار 150 میلیاردی حرکت کرده است.
دوشنبه گذشته، فایننشال تایمز از قراردادی با OpenAI خبر داد. FT مجوز روزنامه نگاری در سطح جهانی خود را صادر می کند…
