Untuk menjangkakan krisis ini, anda boleh menggunakan i model ramalan tetapi ia adalah berdasarkan langkah risiko yang sering tertangguh, usang atau tidak lengkap. Kajian Universiti New York cuba memahami cara mengeksploitasi algoritma ramalan dengan cara yang optimum.
Kajian itu menunjukkan bahawa dengan menyusun teks 11,2 juta artikel mengenai negara tidak selamat makanan yang diterbitkan antara 1980 dan 2020, dan mengambil kesempatan daripada kemajuan terkini dalam deep learning: hasil yang menggembirakan boleh diperolehi. Perincian yang dibenarkan untuk mengekstrak prekursor frekuensi tinggi krisis makanan yang boleh ditafsir dan disahkan oleh penunjuk risiko tradisional.
Algoritma deep learning menyerlahkan bahawa sepanjang tempoh dari Julai 2009 hingga Julai 2020, penunjuk krisis meningkatkan ramalan dengan ketara di 21 negara yang tidak selamat makanan, sehingga 12 bulan lebih awal daripada model garis dasar yang tidak termasuk maklumat teks.
Kajian itu memfokuskan kepada ramalan Klasifikasi Fasa Bersepadu (IPC) tentang ketidakamanan makanan yang diterbitkan oleh Rangkaian Sistem Amaran Awal Kebuluran (SEDIKIT BERSIH). Klasifikasi ini tersedia di peringkat daerah di 37 negara tidak selamat makanan di Afrika, Asia dan Amerika Latin dan dilaporkan empat kali setahun antara 2009 dan 2015 dan tiga kali setahun selepas itu.
Ketidakamanan makanan dikelaskan mengikut skala ordinal yang terdiri daripada lima peringkat: rendah, tekanan, krisis, kecemasan dan kebuluran.
BlogInnovazione.it
Isnin lalu, Financial Times mengumumkan perjanjian dengan OpenAI. FT melesenkan kewartawanannya bertaraf dunia…
Berjuta-juta orang membayar untuk perkhidmatan penstriman, membayar yuran langganan bulanan. Adalah menjadi pendapat umum bahawa anda…
Coveware oleh Veeam akan terus menyediakan perkhidmatan tindak balas insiden pemerasan siber. Coveware akan menawarkan keupayaan forensik dan pemulihan…
Penyelenggaraan ramalan sedang merevolusikan sektor minyak & gas, dengan pendekatan yang inovatif dan proaktif terhadap pengurusan loji.…