E válságok előrejelzéséhez használhatja az i prediktív modellek de olyan kockázati intézkedéseken alapulnak, amelyek gyakran késedelmesek, elavultak vagy hiányosak. A New York-i Egyetem tanulmánya megpróbálta megérteni, hogyan lehet optimálisan kihasználni a prediktív algoritmusokat.
A tanulmány kimutatta, hogy 11,2 és 1980 között 2020 millió, az élelmezéshiányban szenvedő országokról szóló cikk szövegének összeállításával, valamint a közelmúltban elért eredmények felhasználásával. deep learning: megnyugtató eredmények érhetők el. A kidolgozás lehetővé tette az élelmiszerválságok gyakori előfutárainak kinyerését, amelyek értelmezhetők és a hagyományos kockázati indikátorokkal is hitelesíthetők.
Az algoritmus deep learning hangsúlyozta, hogy a 2009 júliusa és 2020 júliusa közötti időszakban a válságmutatók jelentősen javítják az előrejelzéseket 21 élelmiszer-bizonytalan országban, akár 12 hónappal korábban, mint a szöveges információkat nem tartalmazó alapmodellek.
A tanulmány az élelmezésbizonytalanság integrált fázisosztályozási (IPC) által közzétett előrejelzésére összpontosít Éhínség korai figyelmeztető rendszerek hálózata (FEWS NET). Ez a besorolás körzeti szinten áll rendelkezésre 37 élelmiszer-ellátással bizonytalan országban Afrikában, Ázsiában és Latin-Amerikában, és 2009 és 2015 között évente négyszer, azt követően pedig háromszor jelentették be.
Az élelmezés-bizonytalanságot egy rendes skála szerint osztályozzák, amely öt szakaszból áll: alacsony, stressz, válság, vészhelyzet és éhínség.
BlogInnovazione.it
Szemplasztikai műtétet végeztek az Apple Vision Pro reklámmegjelenítővel a Catania Poliklinikán…
A finom motoros készségek színezéssel történő fejlesztése felkészíti a gyerekeket olyan összetettebb készségekre, mint az írás. Kiszínezni…
A haditengerészeti szektor igazi világgazdasági hatalom, amely egy 150 milliárdos piac felé navigált...
Múlt hétfőn a Financial Times bejelentette, hogy megállapodást köt az OpenAI-val. Az FT engedélyezi világszínvonalú újságírását…
