Për të parashikuar këto kriza, mund të përdorni i modele parashikuese por ato bazohen në masat e rrezikut që shpesh janë të vonuara, të vjetruara ose jo të plota. Studimi i Universitetit të Nju Jorkut u përpoq të kuptonte se si të shfrytëzoheshin algoritmet parashikuese në një mënyrë optimale.
Studimi tregoi se duke përpiluar tekstin e 11,2 milionë artikujve mbi vendet e pasigurta ushqimore të botuar midis viteve 1980 dhe 2020 dhe duke përfituar nga përparimet e fundit në deep learning: mund të arrihen rezultate ngushëlluese. Përpunimi lejoi nxjerrjen e pararendësve me frekuencë të lartë të krizave ushqimore që janë të interpretueshme dhe të vërtetuara nga treguesit tradicionalë të rrezikut.
Algoritmi deep learning theksoi se gjatë periudhës nga korriku 2009 deri në korrik 2020, treguesit e krizës përmirësojnë ndjeshëm parashikimet në 21 vende të pasigurta ushqimore, deri në 12 muaj më herët se modelet bazë që nuk përfshijnë informacione tekstuale.
Studimi fokusohet në parashikimin e Klasifikimit të Fazës së Integruar (IPC) të pasigurisë ushqimore të publikuar nga Rrjeti i Sistemeve të Paralajmërimit të Hershëm të Urisë (PAK NETO). Ky klasifikim është i disponueshëm në nivel rrethi në 37 vende të pasigurta ushqimore në Afrikë, Azi dhe Amerikën Latine dhe është raportuar katër herë në vit midis 2009 dhe 2015 dhe tre herë në vit më pas.
Pasiguria ushqimore klasifikohet sipas një shkalle rendore të përbërë nga pesë faza: e ulët, stresi, kriza, emergjenca dhe uria.
BlogInnovazione.it
Zhvillimi i aftësive të shkëlqyera motorike përmes ngjyrosjes i përgatit fëmijët për aftësi më komplekse si shkrimi. Për të ngjyrosur…
Sektori detar është një fuqi e vërtetë ekonomike globale, e cila ka lundruar drejt një tregu prej 150 miliardë...
Të hënën e kaluar, Financial Times njoftoi një marrëveshje me OpenAI. FT licencon gazetarinë e saj të klasit botëror…
Miliona njerëz paguajnë për shërbimet e transmetimit, duke paguar tarifat mujore të abonimit. Është e zakonshme që ju…