Za predvidevanje teh kriz lahko uporabite i napovedni modeli vendar temeljijo na ukrepih tveganja, ki so pogosto zamujeni, zastareli ali nepopolni. Študija Univerze v New Yorku je poskušala razumeti, kako optimalno izkoristiti napovedne algoritme.
Študija je pokazala, da z zbiranjem besedila 11,2 milijona člankov o državah s prehransko negotovostjo, objavljenih med letoma 1980 in 2020, in izkoriščanjem nedavnega napredka na področju deep learning: mogoče je doseči ugodne rezultate. Obdelava je omogočila ekstrakcijo visokofrekvenčnih predhodnikov prehranskih kriz, ki jih je mogoče razlagati in potrditi s tradicionalnimi indikatorji tveganja.
Algoritem deep learning je poudaril, da v obdobju od julija 2009 do julija 2020 kazalniki krize znatno izboljšajo napovedi v 21 državah s pomanjkanjem hrane, do 12 mesecev prej kot osnovni modeli, ki ne vključujejo besedilnih informacij.
Študija se osredotoča na napoved negotove preskrbe s hrano po integrirani fazni klasifikaciji (IPC), ki jo je objavil Omrežje sistemov zgodnjega opozarjanja na lakoto (FEWS NET). Ta klasifikacija je na voljo na ravni okrožja v 37 državah v Afriki, Aziji in Latinski Ameriki z negotovo preskrbo s hrano, poročali pa so jo štirikrat na leto med letoma 2009 in 2015 in nato trikrat na leto.
Negotovost s hrano je razvrščena po ordinalni lestvici, ki jo sestavlja pet stopenj: nizka stopnja, stres, kriza, izredne razmere in lakota.
BlogInnovazione.it
Coveware by Veeam bo še naprej zagotavljal storitve odzivanja na incidente kibernetskega izsiljevanja. Coveware bo nudil forenziko in zmogljivosti sanacije ...
Prediktivno vzdrževanje revolucionira sektor nafte in plina z inovativnim in proaktivnim pristopom k upravljanju obratov.…
Britanski CMA je izdal opozorilo glede obnašanja Big Tech na trgu umetne inteligence. tam …
Odlok "Case Green", ki ga je oblikovala Evropska unija za povečanje energetske učinkovitosti stavb, je zaključil svoj zakonodajni postopek z ...