Da uno studio della New York University, è emerso che anticipare le epidemie di crisi alimentari è possibile e fondamentale, per allocare in modo efficiente i soccorsi di emergenza e ridurre la sofferenza umana. (immagine prodotta con Midjourney)
Per anticipare queste crisi, è possibile usare i modelli predittivi che però si basano su misure di rischio che sono spesso ritardate, obsolete o incomplete. Lo studio della New York University ha cercato di capire come sfruttare algoritmi predittivi in modo ottimale.
Lo studio ha dimostrato che elaborando il testo di 11,2 milioni di articoli, relativi ai paesi con insicurezza alimentare, pubblicati tra il 1980 e il 2020, e sfruttando i recenti progressi nel deep learning: si possono ottenere risultati confortanti. L’elaborazione ha consentito di estrarre i precursori ad alta frequenza delle crisi alimentari che sono sia interpretabili che convalidati dai tradizionali indicatori di rischio.
L’algoritmo di deep learning ha evidenziato che nel periodo da luglio 2009 a luglio 2020, gli indicatori di crisi migliorano sostanzialmente le previsioni in 21 paesi con insicurezza alimentare, fino a 12 mesi prima rispetto ai modelli di base che non includono informazioni testuali.
Lo studio si concentra sulla previsione della classificazione di fase integrata (IPC) dell’insicurezza alimentare pubblicata dal Famine Early Warning Systems Network (FEWS NET). Questa classificazione è disponibile a livello distrettuale in 37 paesi con insicurezza alimentare in Africa, Asia e America Latina ed è stata segnalata quattro volte l’anno tra il 2009 e il 2015 e tre volte l’anno successivo.
L’insicurezza alimentare è classificata secondo una scala ordinale composta da cinque fasi: minimo, stress, crisi, emergenza e carestia.
BlogInnovazione.it