Da biste predvidjeli ove krize, možete koristiti i prediktivni modeli ali se zasnivaju na mjerama rizika koje su često odgođene, zastarjele ili nepotpune. Studija Univerziteta u Njujorku pokušala je da shvati kako da se na optimalan način iskoriste prediktivni algoritmi.
Studija je pokazala da je prikupljanjem teksta od 11,2 miliona članaka o zemljama nesigurnim u hranu objavljenih između 1980. i 2020. deep learning: mogu se postići ugodni rezultati. Obrada je omogućila izdvajanje visokofrekventnih prekursora prehrambenih kriza koji se mogu tumačiti i validirati tradicionalnim indikatorima rizika.
Algoritam deep learning naglasio je da u periodu od jula 2009. do jula 2020. pokazatelji krize značajno poboljšavaju prognoze u 21 zemlji nesigurnoj u pogledu hrane, do 12 mjeseci ranije od osnovnih modela koji ne uključuju tekstualne informacije.
Studija se fokusira na predviđanje nesigurnosti hrane Integrated Phase Classification (IPC) koju je objavio Mreža sistema za rano upozoravanje na glad (FEWS NET). Ova klasifikacija je dostupna na nivou okruga u 37 zemalja sa nesigurnom hranom u Africi, Aziji i Latinskoj Americi i prijavljivana je četiri puta godišnje između 2009. i 2015. i tri puta godišnje nakon toga.
Nesigurnost hrane klasificira se prema ordinalnoj skali koja se sastoji od pet stupnjeva: slab, stres, kriza, hitan slučaj i glad.
BlogInnovazione.it
Coveware od strane Veeam-a će nastaviti da pruža usluge odgovora na incidente u slučaju sajber iznude. Coveware će ponuditi mogućnosti forenzike i sanacije…
Prediktivno održavanje revolucionira sektor nafte i plina, s inovativnim i proaktivnim pristupom upravljanju postrojenjima.…
UK CMA izdao je upozorenje o ponašanju Big Tech-a na tržištu umjetne inteligencije. Tamo…
Uredba o „zelenim kućama“, koju je formulisala Evropska unija za poboljšanje energetske efikasnosti zgrada, završila je svoj zakonodavni proces sa…