Omgrepet algoritme dukkar jamleg opp i nyheitene. Vi les at Facebook har algoritmar som spreier holocaustfornekting, og algoritmane har kanskje medverka til store politiske omveltingar som brexit. Elon Musk åtvarar mot kunstig intelligens fordi algoritmane kan bli så smarte og kraftfulle at vi ikkje skjønar kva dei gjer. Kva er dette algoritmefenomenet som styrer datamaskinene våre?

Ein algoritme som vi alle lærte i barneskulen, var å leggje saman fleire store tal. Vi plasserer tala over kvarandre i tiar-kolonnar, startar med bakarste kolonne, legg saman kolonne for kolonne, tek med oss mente til neste kolonne og får til slutt ein sum. Algoritmen for addisjon fungerer på vilkårleg store tal og er uavhengig av kor mange tal vi ønskjer å addere. Algoritmen tillèt ingen slinger i valsen. Vi kan ikkje endre rekkjefølgja på kolonnane eller late vere å bruke menten. Då får vi feil svar.

Namnet algoritme har opphav frå islams vitskaplege gullalder. Muhammad ibn Musa al-Khwarizmi var ein persisk matematikar som verka i Bagdad på 800-talet. Han skildra blant anna aritmetikk, alminneleg rekning, med tal i det arabiske talsystemet. Dette er det posisjonsbaserte talsystemet med ti siffer som vi bruker i kvardagen. Verka til al-Khwarizmi vart så viktige at namnet hans vart brukt på innhaldet, og slik fekk vi nemninga «algoritme».

Ein algoritme er altså ei framstilling av utrekningssteg som du eller helst ei datamaskin må gjere for å løyse eit problem, frå inndata til eit svar. Denne abstrakte formuleringa av reknesteg er nyttig fordi vi kan bruke ho uavhengig av datateknologi, og fordi vi kan analysere dei matematisk utan å tenkje på kva datamaskin vi bruker.

Sortering er eit problem som vi ofte møter på. På biblioteket er romanar sorterte etter forfattarnamn. I resultatlista frå ein konkurranse er deltakarane sorterte etter poeng.

I all datahandsaming er sortering eit grunnleggjande problem som må handterast presist. Dette krev smarte algoritmar, og dei må vere effektive på store datamengder. Her treng vi ikkje mykje aritmetikk. Det vi derimot må gjere mykje av, er samanlikning og flytting av data.

Ein berømt algoritme for sortering er Quicksort. Den nyttar eit prinsipp som heiter rekursjon, og som ofte er effektivt i algoritmar. Tanken er at ein reduserer eit problem til ein mindre versjon av same problemet.

La oss tenkje oss at vi har 30 skuleelevar i ein klasse og vil sortere dei etter høgd. For å få dette til, vel vi ut ein tilfeldig elev. Lat oss bruke namnet «Midt» på denne eleven. Dei andre elevane vert plasserte til venstre for «Midt» om dei er kortare, og til høgre for «Midt» om dei er høgare. Vi har no plassert «Midt» korrekt, og kan ta fatt på dei to delgruppene kvar for seg. Storleiken på kvar gruppe vert omtrent halvert for kvar oppdeling, og til slutt har vi grupper med berre éin elev.

Om elevane er disiplinerte og står der dei har fått beskjed om, skal dei no vere rett sorterte. Quicksort er faktisk den beste generelle sorteringsalgoritmen vi veit om.

Sorteringsalgoritmar er temmeleg enkle i høve til dei algoritmane som vert brukte av Facebook og Google for å styre medieinnhald og reklame til din profil. Dei har algoritmar som byggjer maskinlæringsmodellar frå uhorvelege datamengder om folks oppførsel på veven, kva nettsider dei les, kva dei skriv i innlegga sine, og kor gamle dei er. Trillionar av rekneoperasjonar vert utførte for å byggje desse modellane: aritmetikk, samanlikningar og flyttingar av data. Algoritmane treng ikkje vere så veldig lange slik dei er skrivne, men sidan dei gjentek dei same operasjonane på så store datamengder, vert det mange reknesteg.

Maskinlæringsmodellar er eigentleg eit slags uferdig skal for ein algoritme der ein manglar viktige parametrar for utrekningane. Ein parameter kan vere kor mykje alderen til ein person skal telje når modellen avgjer kven som skal få eit reklameinnlegg i Facebook. Ein annan parameter kan vere vektlegging av kjønn, ein tredje vektlegging av kva nettside personen såg på sist. Mange parametrar kan samverke for å gje ei avgjerd. Algoritmar som fullfører maskinlæringsmodellane, reknar på statistiske samanhengar i datamengdene for å finne desse parametrane. Store modellar har mange parametrar som må reknast ut, kompleksiteten vert høg, og ikkje eingong dei som har laga algoritmane, kan skjøne kvifor den endelege modellen verkar som han gjer.

Resultatet av algoritmar er som oftast nyttig og ukontroversielt, men av og til vert algoritmane fordomsfulle. Dette kan til dømes oppstå som eit resultat av skeivskapar i data. I USA vert maskinlæringsmodellar brukte til å avgjere kva slags fangar som skal få tidleg lauslating. Data som er leverte til algoritmen, viser ein rettspraksis for at kvite slepp ut tidleg oftare enn farga. Algoritmen ser at hudfarge statistisk sett eit kriterium ein kan skilje på, og lagar dermed ein modell som vektlegg kvit hudfarge positivt.

Algoritmar er meir eller mindre komplekse rekneoperasjonar bygde frå enkle mekanismar. Dei kan brukast i medisinsk behandling og krigføring, og dei tek val for oss. Då kan dei gje resultat vi slett ikkje ønskjer, men samstundes er vi avhengige av dei for at datamaskinene våre skal verke.

Bjørnar Tessem
og Lars Nyre