Чтобы предвидеть эти кризисы, вы можете использовать i прогностические модели но они основаны на мерах риска, которые часто запаздывают, устаревают или неполны. В исследовании Нью-Йоркского университета пытались понять, как оптимально использовать алгоритмы прогнозирования.
Исследование показало, что, собрав тексты 11,2 млн статей о странах с нехваткой продовольствия, опубликованных в период с 1980 по 2020 год, и воспользовавшись последними достижениями в deep learning: можно получить утешительные результаты. Разработка позволила выделить высокочастотные предвестники продовольственных кризисов, которые можно интерпретировать и подтверждать традиционными индикаторами риска.
Алгоритм deep learning подчеркнул, что за период с июля 2009 г. по июль 2020 г. индикаторы кризиса существенно улучшают прогнозы в 21 стране с отсутствием продовольственной безопасности, что на 12 месяцев раньше, чем в базовых моделях, не включающих текстовую информацию.
В исследовании основное внимание уделяется прогнозированию отсутствия продовольственной безопасности с помощью Интегрированной фазовой классификации (IPC), опубликованной Сеть систем раннего оповещения о голоде (ФЕВС НЕТ). Эта классификация доступна на районном уровне в 37 странах Африки, Азии и Латинской Америки, где отсутствует продовольственная безопасность.
Отсутствие продовольственной безопасности классифицируется по порядковой шкале, состоящей из пяти стадий: низкая, стрессовая, кризисная, чрезвычайная и голодная.
BlogInnovazione.it
Развитие мелкой моторики посредством раскрашивания готовит детей к более сложным навыкам, таким как письмо. Раскрасить…
Военно-морской сектор является настоящей глобальной экономической державой, которая достигла 150-миллиардного рынка...
В прошлый понедельник Financial Times объявила о сделке с OpenAI. FT лицензирует свою журналистику мирового уровня…
Миллионы людей платят за стриминговые сервисы, выплачивая ежемесячную абонентскую плату. Распространено мнение, что вы…
