เพื่อคาดการณ์วิกฤตเหล่านี้ คุณสามารถใช้ i แบบจำลองการทำนาย แต่ขึ้นอยู่กับมาตรการความเสี่ยงที่มักล่าช้า ล้าสมัย หรือไม่สมบูรณ์ การศึกษาของมหาวิทยาลัยนิวยอร์กพยายามทำความเข้าใจวิธีใช้ประโยชน์จากอัลกอริทึมการทำนายด้วยวิธีที่เหมาะสมที่สุด
การศึกษาแสดงให้เห็นว่าโดยการรวบรวมบทความ 11,2 ล้านบทความเกี่ยวกับประเทศที่ไม่ปลอดภัยด้านอาหารซึ่งเผยแพร่ระหว่างปี 1980 และ 2020 และใช้ประโยชน์จากความก้าวหน้าล่าสุดใน deep learning: สามารถรับผลลัพธ์ที่สบายใจได้ การทำอย่างละเอียดทำให้สามารถแยกสารตั้งต้นของวิกฤตอาหารที่มีความถี่สูงซึ่งทั้งสามารถตีความและตรวจสอบได้โดยตัวบ่งชี้ความเสี่ยงแบบดั้งเดิม
อัลกอริธึม deep learning ย้ำว่าในช่วงเดือนกรกฎาคม 2009 ถึงกรกฎาคม 2020 ตัวชี้วัดภาวะวิกฤตช่วยปรับปรุงการคาดการณ์ใน 21 ประเทศที่ไม่ปลอดภัยด้านอาหารได้อย่างมาก ซึ่งเร็วกว่าแบบจำลองพื้นฐานที่ไม่มีข้อมูลที่เป็นตัวอักษรถึง 12 เดือน
การศึกษามุ่งเน้นไปที่การทำนายความไม่มั่นคงทางอาหารแบบบูรณาการ (IPC) ที่เผยแพร่โดย เครือข่ายระบบเตือนภัยล่วงหน้าที่อดอยาก (ไม่กี่สุทธิ) การจัดประเภทนี้มีให้ในระดับเขตใน 37 ประเทศที่ไม่ปลอดภัยด้านอาหารในแอฟริกา เอเชีย และละตินอเมริกา และมีการรายงานสี่ครั้งต่อปีระหว่างปี 2009 ถึง 2015 และสามครั้งต่อปีหลังจากนั้น
ความไม่มั่นคงทางอาหารจำแนกตามระดับลำดับที่ประกอบด้วย XNUMX ระดับ ได้แก่ ระดับต่ำ ความเครียด วิกฤติ ภาวะฉุกเฉิน และความอดอยาก
BlogInnovazione.it
เมื่อวันจันทร์ที่แล้ว Financial Times ได้ประกาศข้อตกลงกับ OpenAI FT อนุญาติให้ทำข่าวระดับโลก...
ผู้คนนับล้านชำระค่าบริการสตรีมมิ่ง โดยจ่ายค่าธรรมเนียมการสมัครสมาชิกรายเดือน เป็นความเห็นทั่วไปที่คุณ...
Coveware by Veeam จะยังคงให้บริการตอบสนองต่อเหตุการณ์การขู่กรรโชกทางไซเบอร์ต่อไป Coveware จะนำเสนอความสามารถในการนิติเวชและการแก้ไข...
การบำรุงรักษาเชิงคาดการณ์กำลังปฏิวัติภาคส่วนน้ำมันและก๊าซ ด้วยแนวทางเชิงรุกและนวัตกรรมในการจัดการโรงงาน...