evidoria

← Volver al listado

Buena práctica Importada

Los Pronosticos de IA de HungerMap LIVE Siguen la Caida de Sudan Hacia la Hambruna

Sudán · Port Sudan · Ver el perfil de Sudán

Evidencia: Descriptivo / autodeclarado Top 25% 73/100 · Pregunte a Evidence Copilot sobre esta práctica

HungerMap LIVE, del PMA, usa modelos de aprendizaje automatico para estimar la inseguridad alimentaria donde las encuestas de campo son imposibles. Durante la guerra civil de Sudan, la herramienta senalo a 21,2 millones de personas (45% de la poblacion) en inseguridad de nivel Crisis para septiembre de 2025, con hambruna confirmada en varias zonas.

21.2 million (45%)
Personas en inseguridad alimentaria de nivel Crisis, Sudán (Sep 2025)
375,000
Personas en Catástrofe (Fase 5 del IPC) (2025)
-25%
Reducción de la huella de datos de campo del PMA (past year)

Detalles

Madurez
Consolidada
Promotor
World Food Programme (WFP)
Período
2023-2025
Palabras clave
food security, humanitarian response, disaster forecasting, public health

Contexto

La guerra civil en Sudán, en curso desde abril de 2023, ha desplazado a millones de personas y ha cortado el acceso a las encuestas tradicionales puerta a puerta de seguridad alimentaria en zonas afectadas por la hambruna como Darfur y Kordofán.

Actividades

HungerMap LIVE del PMA, reconstruido con el apoyo de Google.org y la Fundación Gates, combina a más de 300 analistas de seguridad alimentaria con modelos de aprendizaje automático de 'nowcasting' que combinan datos de conflicto, clima, mercado y población en 16 países designados por la ONU como 'puntos críticos de hambre', incluido Sudán.

Resultados

En septiembre de 2025, el IPC (organismo independiente que corrobora estos datos) determinó que 21,2 millones de personas (45% de la población sudanesa) enfrentaban inseguridad alimentaria de nivel Crisis (Fase 3+ del IPC), incluidas 375.000 en Catástrofe y 6,3 millones en Emergencia; se confirmó hambruna en al menos cinco zonas hasta mayo de 2025.

Conclusiones

La propia huella de datos de campo del PMA se redujo un 25% en el último año, lo que significa que la capa de IA de 'nowcasting' está cubriendo cada vez más las brechas que la recopilación de datos sobre el terreno ya no alcanza, pero no existe una evaluación independiente de la precisión del propio modelo.

Implementación
Coste indicativo
Alto (500 000 €–5 M€)
Tiempo hasta resultados
Largo (> 3 años)
Personal y competencias
300+ WFP food-security analysts, machine-learning nowcasting model team

Condiciones para el éxito

  • fusion of conflict, climate, market and population data
  • corroboration against independent IPC analysis

Modos de fallo comunes

  • shrinking field data footprint in hard-to-reach areas
  • no independent accuracy audit of the nowcasting model itself

Habitualmente financiado por

Philanthropic / foundation funding

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Prácticas similares que pueden serle útiles