Què és un algoritme?

BarcelonaEl terme algoritme es fa servir molt més ara que quan el matemàtic persa del segle IX del qual deriva, Muhammad ibn Musa al-Khwarizmi, dissenyava mètodes per resoldre equacions de primer i segon grau. Les raons són clares: ara hi ha més dades i més capacitat de càlcul. Però d’algoritmes, que no són més que un conjunt d’instruccions que tenen per objectiu executar una tasca, n’hi ha hagut sempre. La recepta d’un pastís de xocolata o d’una paella valenciana són algoritmes. La manera d’encendre foc amb dos bastons és un algoritme. La tècnica de caça que fan servir alguns grups d’orques, quan expulsen aire mentre giren sota les seves preses per atrapar-les en un cilindre de bombolles, és un algoritme, en aquest cas generat i transmès d’una manera prelingüística. També ho són les danses nupcials de l’au del paradís o les cançons de bressol.

Avui d’algoritmes n’hi ha a tot arreu. Quan pitgem el botó del pis on volem anar en un ascensor, s’executa un algoritme: l’ascensor utilitza informació prèvia per moure’s amunt o avall i per aturar-se en el moment adequat. Com és ben sabut, gairebé tot el que fem a internet està mediat per algoritmes que poden arribar a ser molt sofisticats. Ara bé, tots els algoritmes han de complir una sèrie de condicions, la més important de les quals és que les instruccions es puguin dur a terme en un nombre finit de passos. En cas contrari, l’algoritme no serveix de res. Si el temps necessari per fer un pastís de xocolata supera l’edat de l’Univers, potser més val que triem una altra recepta.

Els algoritmes complexos actuals, que funcionen gràcies a grans quantitats de dades, es construeixen a partir de models, que no són més que abstraccions i simplificacions del funcionament d’un sistema real. N’hi ha de simples, que actuen a partir de dades fàcils d’obtenir, i n’hi ha de complicats, i sovint incomplets, que funcionen amb les dades que poden aconseguir. El cas que Michael Lewis explica al llibre Moneyball és dels primers: utilitzar les dades històriques de jugadors de beisbol per optimitzar el rendiment d’un equip. Les dades existeixen i són rellevants per predir l’actuació d’un jugador i, de passada, de tot l’equip.

Ara bé, quan es vol predir la capacitat de tornar un préstec, hi ha moltes dades rellevants que no existeixen. Els models són, aleshores, més aproximats perquè utilitzen dades de situacions semblants que s’han produït en el passat. Per respondre a la pregunta de si anirà bé la botiga que el sol·licitant vol obrir amb els diners del préstec, l’ideal seria tenir informació de moltes botigues iguals que la mateixa persona hauria obert fins al moment en llocs semblants, com passa amb els jugadors de beisbol. Però, i si és la primera botiga que vol obrir?

Els models en què es basen els algoritmes que treballen amb grans quantitats de dades poden tenir forats que donin lloc a incertesa en les prediccions. I la incertesa implica que la probabilitat d’error a l’hora de fer una predicció concreta és més alta. Per això és especialment important saber com es dissenyen els algoritmes i amb quines dades s’alimenten a l’hora de refinar-los.