ZeroHungerAI: KI-gestützte Ernährungssicherheit in Datenarmut

In Regionen mit knappen Daten bleibt die Entwicklung von Ernährungssicherheits­politiken eine enorme Herausforderung. Fehlende strukturierte Datensätze, fragmentierte Textberichte und demografische Verzerrungen erschweren evidenzbasierte Entscheidungen.

Die neue Plattform ZeroHungerAI kombiniert Natural‑Language‑Processing und Machine‑Learning, um trotz extremer Datenknappheit fundierte Modelle zu erstellen. Durch die Integration von strukturierten sozio‑ökonomischen Kennzahlen mit kontextuellen Text‑Embeddings auf Basis einer Transfer‑Learning‑Architektur (DistilBERT) entsteht ein leistungsfähiges System, das sowohl quantitative als auch qualitative Informationen nutzt.

In einem Test mit 1.200 Stichproben aus 25 Bezirken erreichte ZeroHungerAI eine Klassifikationsgenauigkeit von 91 %, eine Präzision von 0,89, einen Recall von 0,85 und einen F1‑Score von 0,86 – selbst bei stark unausgeglichenen Klassen. Im Vergleich zu klassischen SVM‑ und Logistik‑Regression‑Modellen verbesserte sich die Leistung um 13 % bzw. 17 %. Die Analyse der Präzision‑Recall‑Kurve bestätigt eine robuste Erkennung von Minderheiten­klassen mit einer durchschnittlichen Präzision von rund 0,88.

Durch eine fairness‑bewusste Optimierung wurde die demografische Parität auf nur 3 % reduziert, was eine gerechtere Politik‑Ableitung zwischen ländlichen und städtischen Gebieten gewährleistet. Die Ergebnisse zeigen, dass transformer‑basierte kontextuelle Lernmethoden die Entscheidungsintelligenz in ressourcenarmen Governance‑Umgebungen signifikant steigern und skalierbare, bias‑bewusste Hunger‑Vorhersagesysteme ermöglichen.