Para anticipar estas crises, pode utilizar i modelos predictivos pero baséanse en medidas de risco que adoitan ser atrasadas, obsoletas ou incompletas. O estudo da Universidade de Nova York intentou comprender como explotar os algoritmos preditivos dunha forma óptima.
O estudo mostrou que ao recompilar o texto de 11,2 millóns de artigos sobre países con inseguridade alimentaria publicados entre 1980 e 2020, e aproveitando os avances recentes en deep learning: pódense obter resultados reconfortantes. A elaboración permitiu extraer precursores de alta frecuencia de crises alimentarias interpretables e validados polos indicadores de risco tradicionais.
O algoritmo deep learning destacou que durante o período de xullo de 2009 a xullo de 2020, os indicadores de crise melloran substancialmente as previsións en 21 países con inseguridade alimentaria, ata 12 meses antes que os modelos de referencia que non inclúen información textual.
O estudo céntrase na predición de inseguridade alimentaria da Clasificación Integrada de Fases (IPC) publicada pola Rede de sistemas de alerta temperá sobre fame (FEWS NET). Esta clasificación está dispoñible a nivel de distrito en 37 países con inseguridade alimentaria de África, Asia e América Latina e informouse catro veces ao ano entre 2009 e 2015 e tres veces ao ano despois.
A inseguridade alimentaria clasifícase segundo unha escala ordinal que consta de cinco etapas: baixa, estrés, crise, emerxencia e fame.
BlogInnovazione.it
O pasado luns, o Financial Times anunciou un acordo con OpenAI. FT licencia o seu xornalismo de clase mundial...
Millóns de persoas pagan por servizos de streaming, pagando taxas de subscrición mensuais. É unha opinión común que vostede...
Coveware by Veeam continuará ofrecendo servizos de resposta a incidentes de extorsión cibernética. Coveware ofrecerá capacidades forenses e de remediación...
O mantemento preditivo está a revolucionar o sector do petróleo e do gas, cun enfoque innovador e proactivo para a xestión das plantas...
