For å forutse disse krisene kan du bruke i prediktive modeller men de er basert på risikotiltak som ofte er forsinket, foreldet eller ufullstendig. New York University-studien prøvde å forstå hvordan man utnytter prediktive algoritmer på en optimal måte.
Studien viste at ved å kompilere teksten til 11,2 millioner artikler om matusikre land publisert mellom 1980 og 2020, og dra nytte av nyere fremskritt innen deep learning: trøstende resultater kan oppnås. Utdypingen gjorde det mulig å trekke ut høyfrekvente forløpere til matkriser som både kan tolkes og valideres av tradisjonelle risikoindikatorer.
Algoritmen deep learning fremhevet at i perioden fra juli 2009 til juli 2020 forbedrer kriseindikatorer prognosene i 21 matusikre land betydelig, opptil 12 måneder tidligere enn basismodeller som ikke inkluderer tekstinformasjon.
Studien fokuserer på prediksjonen Integrated Phase Classification (IPC) for matusikkerhet publisert av Hungersnødsystem for tidlig varsling (FEWS NETT). Denne klassifiseringen er tilgjengelig på distriktsnivå i 37 matusikre land i Afrika, Asia og Latin-Amerika og ble rapportert fire ganger i året mellom 2009 og 2015 og tre ganger i året deretter.
Matusikkerhet klassifiseres etter en ordinalskala som består av fem stadier: lav, stress, krise, nødsituasjon og hungersnød.
BlogInnovazione.it
Sist mandag kunngjorde Financial Times en avtale med OpenAI. FT lisensierer sin journalistikk i verdensklasse...
Millioner av mennesker betaler for strømmetjenester og betaler månedlige abonnementsavgifter. Det er vanlig oppfatning at du...
Coveware by Veeam vil fortsette å tilby responstjenester for cyberutpressing. Coveware vil tilby kriminaltekniske og utbedringsmuligheter...
Prediktivt vedlikehold revolusjonerer olje- og gasssektoren, med en innovativ og proaktiv tilnærming til anleggsledelse...