Kanggo ngantisipasi krisis kasebut, sampeyan bisa nggunakake i model prediktif nanging padha adhedhasar ngukur resiko sing asring telat, lungse utawa pepak. Sinau Universitas New York nyoba mangertos cara ngeksploitasi algoritma prediktif kanthi cara sing optimal.
Panliten kasebut nuduhake manawa kanthi nyusun teks 11,2 yuta artikel babagan negara sing ora aman pangan sing diterbitake antarane 1980 lan 2020, lan njupuk kauntungan saka kemajuan anyar ing deep learning: asil panglipur bisa dipikolehi. Pangolahan kasebut ngidini ekstraksi prekursor frekuensi dhuwur saka krisis pangan sing bisa diinterpretasikake lan divalidasi dening indikator risiko tradisional.
Algoritma kasebut deep learning nyorot manawa sajrone periode Juli 2009 nganti Juli 2020, indikator krisis nambah ramalan ing 21 negara sing ora aman pangan, nganti 12 wulan luwih awal tinimbang model garis dasar sing ora kalebu informasi tekstual.
Panaliten kasebut fokus ing prediksi Klasifikasi Fase Terpadu (IPC) babagan kerawanan pangan sing diterbitake dening Jaringan Sistem Peringatan Dini Paceklik (FEWS NET). Klasifikasi iki kasedhiya ing tingkat distrik ing 37 negara sing ora aman pangan ing Afrika, Asia lan Amerika Latin lan dilapurake kaping papat saben taun antarane 2009 lan 2015 lan kaping telu ing taun sabanjure.
Kerawanan pangan diklasifikasikake miturut skala ordinal sing dumadi saka limang tahap: kurang, stres, krisis, darurat lan paceklik.
BlogInnovazione.it
Operasi ophthalmoplasty nggunakake penampil komersial Apple Vision Pro ditindakake ing Poliklinik Catania…
Ngembangake katrampilan motorik sing apik liwat pewarnaan nyiapake bocah kanggo katrampilan sing luwih rumit kaya nulis. Kanggo mewarnai…
Sektor angkatan laut minangka kekuwatan ekonomi global sing sejatine, sing wis ngarahake pasar 150 milyar ...
Senin kepungkur, Financial Times ngumumake kesepakatan karo OpenAI. FT menehi lisensi jurnalisme kelas donya…
