Para antecipar essas crises, você pode usar i modelos preditivos mas baseiam-se em medidas de risco muitas vezes atrasadas, obsoletas ou incompletas. O estudo da Universidade de Nova York tentou entender como explorar algoritmos preditivos de maneira otimizada.
O estudo mostrou que, ao compilar o texto de 11,2 milhões de artigos sobre países com insegurança alimentar publicados entre 1980 e 2020 e aproveitar os avanços recentes na deep learning: resultados reconfortantes podem ser obtidos. A elaboração permitiu extrair precursores de crises alimentares de alta frequência que são interpretáveis e validados por indicadores de risco tradicionais.
O algoritmo de deep learning destacou que, no período de julho de 2009 a julho de 2020, os indicadores de crise melhoraram substancialmente as previsões em 21 países com insegurança alimentar, até 12 meses antes dos modelos de linha de base que não incluem informações textuais.
O estudo se concentra na previsão da classificação de fase integrada (IPC) de insegurança alimentar publicada pela Rede de sistemas de alerta precoce contra fome (FEWS NET). Esta classificação está disponível a nível distrital em 37 países com insegurança alimentar em África, Ásia e América Latina e foi reportada quatro vezes por ano entre 2009 e 2015 e três vezes por ano depois disso.
A insegurança alimentar é classificada de acordo com uma escala ordinal composta por cinco estágios: baixa, estresse, crise, emergência e fome.
BlogInnovazione.it
Uma operação de oftalmoplastia usando o visualizador comercial Apple Vision Pro foi realizada na Policlínica Catania…
O desenvolvimento de habilidades motoras finas por meio da coloração prepara as crianças para habilidades mais complexas, como escrever. Colorir…
O setor naval é uma verdadeira potência económica global, que navegou para um mercado de 150 mil milhões...
Na segunda-feira passada, o Financial Times anunciou um acordo com a OpenAI. O FT licencia seu jornalismo de classe mundial…
