Para anticiparte a estas crisis, puedes usar i modelos predictivos pero se basan en medidas de riesgo que muchas veces se retrasan, son obsoletas o incompletas. El estudio de la Universidad de Nueva York trató de comprender cómo explotar los algoritmos predictivos de manera óptima.
El estudio mostró que al compilar el texto de 11,2 millones de artículos sobre países con inseguridad alimentaria publicados entre 1980 y 2020, y aprovechar los avances recientes en deep learning: se pueden obtener resultados reconfortantes. La elaboración permitió extraer precursores de crisis alimentaria de alta frecuencia que son tanto interpretables como validados por indicadores de riesgo tradicionales.
L'algoritmo di deep learning destacó que durante el período de julio de 2009 a julio de 2020, los indicadores de crisis mejoraron sustancialmente los pronósticos en 21 países con inseguridad alimentaria, hasta 12 meses antes que los modelos de referencia que no incluyen información textual.
El estudio se centra en la predicción de la inseguridad alimentaria de la Clasificación Integrada de Fases (IPC) publicada por el Red de sistemas de alerta temprana contra la hambruna (POCOS NET). Esta clasificación está disponible a nivel de distrito en 37 países con inseguridad alimentaria en África, Asia y América Latina y se informó cuatro veces al año entre 2009 y 2015 y tres veces al año a partir de entonces.
La inseguridad alimentaria se clasifica según una escala ordinal que consta de cinco etapas: baja, estrés, crisis, emergencia y hambruna.
BlogInnovazione.it
El desarrollo de la motricidad fina mediante la coloración prepara a los niños para habilidades más complejas como la escritura. Colorear…
El sector naval es una auténtica potencia económica mundial, que ha navegado hacia un mercado de 150 mil millones...
El lunes pasado, el Financial Times anunció un acuerdo con OpenAI. FT otorga licencia para su periodismo de clase mundial...
Millones de personas pagan por servicios de streaming pagando cuotas de suscripción mensuales. Es opinión común que usted…