För att förutse dessa kriser kan du använda i prediktiva modeller men de bygger på riskåtgärder som ofta är försenade, föråldrade eller ofullständiga. New York University-studien försökte förstå hur man kan utnyttja prediktiva algoritmer på ett optimalt sätt.
Studien visade att genom att sammanställa texten till 11,2 miljoner artiklar om länder med osäkra livsmedel som publicerades mellan 1980 och 2020, och dra nytta av de senaste framstegen inom deep learning: tröstande resultat kan erhållas. Utvecklingen gjorde det möjligt att extrahera högfrekventa prekursorer till livsmedelskriser som är både tolkbara och validerade av traditionella riskindikatorer.
Algoritmen deep learning betonade att under perioden från juli 2009 till juli 2020 förbättrar krisindikatorer avsevärt prognoserna i 21 länder med osäkra livsmedel, upp till 12 månader tidigare än baslinjemodeller som inte inkluderar textinformation.
Studien fokuserar på den integrerade fasklassificeringen (IPC) förutsägelse av matosäkerhet publicerad av Nätverk för hungersnöd för tidig varning (FEWS NET). Denna klassificering är tillgänglig på distriktsnivå i 37 länder med osäkra livsmedel i Afrika, Asien och Latinamerika och rapporterades fyra gånger om året mellan 2009 och 2015 och tre gånger om året därefter.
Matosäkerhet klassificeras enligt en ordinalskala som består av fem steg: låg, stress, kris, nödsituation och svält.
BlogInnovazione.it
En oftalmoplastikoperation med Apple Vision Pro kommersiella tittare utfördes på Catania Polyclinic...
Att utveckla finmotorik genom färgläggning förbereder barn för mer komplexa färdigheter som att skriva. Att färglägga…
Marinesektorn är en sann global ekonomisk makt, som har navigerat mot en marknad på 150 miljarder...
I måndags tillkännagav Financial Times ett avtal med OpenAI. FT licensierar sin journalistik i världsklass...