Để lường trước những cuộc khủng hoảng này, bạn có thể sử dụng i mô hình dự đoán nhưng chúng dựa trên các thước đo rủi ro thường bị trì hoãn, lỗi thời hoặc không đầy đủ. Nghiên cứu của Đại học New York đã cố gắng tìm hiểu cách khai thác các thuật toán dự đoán một cách tối ưu.
Nghiên cứu cho thấy rằng bằng cách tổng hợp văn bản của 11,2 triệu bài báo về các quốc gia mất an ninh lương thực được xuất bản từ năm 1980 đến năm 2020 và tận dụng những tiến bộ gần đây trong deep learning: kết quả an ủi có thể thu được. Việc xây dựng cho phép trích xuất các dấu hiệu báo trước tần suất cao của các cuộc khủng hoảng lương thực vừa có thể diễn giải vừa được xác thực bằng các chỉ số rủi ro truyền thống.
Thuật toán deep learning nhấn mạnh rằng trong khoảng thời gian từ tháng 2009 năm 2020 đến tháng 21 năm 12, các chỉ số khủng hoảng đã cải thiện đáng kể các dự báo ở XNUMX quốc gia mất an ninh lương thực, sớm hơn tới XNUMX tháng so với các mô hình cơ sở không bao gồm thông tin văn bản.
Nghiên cứu tập trung vào dự báo Phân loại Giai đoạn Tích hợp (IPC) về tình trạng mất an toàn thực phẩm được công bố bởi Mạng lưới hệ thống cảnh báo sớm nạn đói (FEWS MẠNG). Phân loại này có sẵn ở cấp huyện tại 37 quốc gia mất an ninh lương thực ở Châu Phi, Châu Á và Châu Mỹ Latinh và được báo cáo bốn lần một năm từ năm 2009 đến 2015 và ba lần một năm sau đó.
Mất an ninh lương thực được phân loại theo thang thứ tự gồm XNUMX giai đoạn: thấp, căng thẳng, khủng hoảng, khẩn cấp và nạn đói.
BlogInnovazione.it
Một ca phẫu thuật tạo hình mắt bằng cách sử dụng trình xem thương mại Apple Vision Pro đã được thực hiện tại Phòng khám đa khoa Catania…
Phát triển kỹ năng vận động tinh thông qua tô màu giúp trẻ chuẩn bị cho những kỹ năng phức tạp hơn như viết. Để tô màu…
Ngành hải quân là một cường quốc kinh tế toàn cầu thực sự, đang hướng tới thị trường 150 tỷ...
Thứ Hai tuần trước, Financial Times đã công bố một thỏa thuận với OpenAI. FT cấp phép cho hoạt động báo chí đẳng cấp thế giới…