Per anticipar-se a aquestes crisis, podeu utilitzar i models predictius però es basen en mesures de risc sovint endarrerides, obsoletes o incompletes. L'estudi de la Universitat de Nova York va intentar entendre com explotar els algorismes predictius d'una manera òptima.
L'estudi va demostrar que recopilant el text d'11,2 milions d'articles sobre països amb inseguretat alimentària publicats entre 1980 i 2020, i aprofitant els avenços recents en deep learning: es poden obtenir resultats reconfortants. L'elaboració va permetre extreure precursors d'alta freqüència de crisis alimentàries interpretables i validats pels indicadors de risc tradicionals.
L'algoritme deep learning va destacar que durant el període de juliol de 2009 a juliol de 2020, els indicadors de crisi milloren substancialment les prediccions a 21 països amb inseguretat alimentària, fins a 12 mesos abans que els models de referència que no inclouen informació textual.
L'estudi se centra en la predicció de la inseguretat alimentària de la Classificació integrada de fases (IPC) publicada per la Xarxa de sistemes d'alerta primerenca sobre fam (FEWS NET). Aquesta classificació està disponible a nivell de districte a 37 països amb inseguretat alimentària d'Àfrica, Àsia i Amèrica Llatina i es va informar quatre vegades l'any entre el 2009 i el 2015 i tres vegades l'any després.
La inseguretat alimentària es classifica segons una escala ordinal que consta de cinc etapes: baixa, estrès, crisi, emergència i fam.
BlogInnovazione.it
El desenvolupament de la motricitat fina a través del color prepara els nens per a habilitats més complexes com escriure. Per acolorir...
El sector naval és una veritable potència econòmica mundial, que ha navegat cap a un mercat de 150 milions...
Dilluns passat, el Financial Times va anunciar un acord amb OpenAI. FT autoritza el seu periodisme de classe mundial...
Milions de persones paguen per serveis de streaming, pagant quotes de subscripció mensuals. És l'opinió comuna que tu...