Bases para la aplicación de machine learning en el monitoreo y anticipación de crisis alimentarias en Centroamérica

Abstract

El artículo ofrece una detallada y actualizada revisión sobre la aplicación de herramientas de ciencia de datos basadas en algoritmos de machine learning con el fin de predecir a corto y medio plazo la probabilidad de ocurrencia de crisis alimentarias en territorios de países con alta vulnerabilidad a este tipo de situaciones. Tras efectuar un breve repaso sobre la definición de seguridad alimentaria y sus métricas, se describen los principales esfuerzos internacionales para monitorear los factores agroclimáticos, económicos y sociopolíticos que más inciden en el deterioro alimentario de grupos de población o zonas geográficas concretas, y tras ello, generar alertas que desencadenen asistencia humanitaria que impidan el aumento del hambre y sus efectos en la salud de quienes la padecen. A partir de la revisión efectuada se propone un modelo de predicción adaptado al contexto los países Centroamericanos, en el que se consideran variables estructurales a ser utilizadas en la determinación anual de perfiles de vulnerabilidad alimentaria, así como otras sometidas a cambios permanentes y que por tanto permiten identificar shocks o perturbaciones que pueden impactar en la seguridad alimentaria. El modelo propuesto busca mejorar la toma de decisiones y la priorización de recursos y atención humanitaria en regiones con limitada disponibilidad de datos.