Kan en algoritme vide, hvornår du dør?

“Hvor absurd en sådan ønsketænkning, en sådan trang til med nødvendighed at kunne kortlægge, fastlægge og beregne i virkeligheden er, vil man måske bedre kunne forestille sig, hvis man tænker sig lignende fortløbende målinger af kroppens funktioner. Hvis man i mindste detalje fulgte enhver bevægelse og ændring i samtlige kroppens processer, indtil computeren pludselig bippede løs og spyttede resultatet ud, i form af en meddelelse om, nøjagtig på klokkeslæt hvornår man skulle dø. Så hellere kalde tilfældet en hjælp og håbe på at komme computeren i forkøbet ved at blive kørt over af en bil,” skriver digter og forfatter Inger Christensen.

Det er dog ikke alle, der finder denne tænkning eller trang lige absurd. Slet ikke den franske matematiker (og pioner inden for sandsynlighedsregning) Abraham de Moivre, der angiveligt udregnede sin egen nøjagtige dødsdato til at være den 27. november 1754. Historien lyder, at han opdagede, at han sov 10-15 minutter længere tid for hver nat, der gik, og dermed regnede han sig frem til, at dagen, han ville dø, var dagen, hvor han sov i 24 timer.

Inden da har menneskeheden længe forsøgt at forudsige fremtiden på mindre videnskabelig vis ved at kigge på knogler, fugle, indvolde fra døde dyr og nattehimlen. På det tidspunkt, hvor de Moivre lever (og dør), er forudsigelser om fremtiden dog allerede blevet mere videnskabelige – og det skyldtes sandsynlighedsregning.

Kære Blaise, kære Pierre

I det syttende århundredes verdensbillede, som vi beskrev i går, er verden en maskine i form af et stort ur, der fuldstændig forudsigeligt tikker i takt med naturens og matematikkens love.

På den ene side passer sandsynlighedsregning ikke helt ind her, for sandsynlighedsregning handler netop om tilfældigheder. På den anden side afspejler sandsynlighedsregning denne mekanistiske tænkning, da det er et forsøg på at kvantificere, måle og beregne den usikkerhed, som vi mennesker (der ikke nødvendigvis kan åbne urværket og se alle tandhjulene) alligevel har.

Ifølge de fleste historikere opstod sandsynlighedsregning i 1654, da matematikeren Blaise Pascal og amatørmatematikeren Pierre de Fermat løste det såkaldte pointproblem i en brevudveksling. Problemet drejede sig om, hvordan man på retfærdig vis fordeler indsatsen i et chancespil, der bliver afbrudt før det er slut.

I stedet for at fordele pengepuljen baseret på, hvor mange runder af spillet, som hver spiller allerede har vundet, så forestiller Pascal og Fermat sig alle de måder, spillet kunne have udviklet sig i de efterfølgende runder.

I dag er det den klassiske definition af sandsynlighedsregning, der udtrykkes ved at dividere antal gunstige udfald med antal mulige udfald. Men dengang var det banebrydende, fordi Pascal og Fermats løsning på pointproblemet gjorde usikkerhed til noget, der kunne struktureres systematisk.

En alvidende dæmon

Senere videnskabshistorikere, såsom Ian Hacking, insisterer på, at det mekaniske verdensbillede ikke alene medførte sandsynlighedsregning. Mens Hacking ser et klart “før” og “efter” for sandsynlighedsregning i omkring 1650, skyldes dette konceptuelle skift – der gør sandsynlighed til noget, der kan måles og sammenlignes – ligeledes en række historiske og kulturelle omstændigheder. Herunder at tidligere politiske og religiøse autoriteters monopol på sandheden svækkes, hvilket gør usikkerhed til et vilkår.

I sit Essai philosophique sur les probabilités fra 1814 præsenterer Pierre-Simon Laplace imidlertid et tankeeksperiment, som demonstrerer sandsynlighedsregningens rolle i et mekanisk og deterministisk verdenssyn.

“Vi kan betragte universets nuværende tilstand som en følge af dets fortid og årsagen til dets fremtid. Et intellekt, der på et bestemt tidspunkt kendte alle de kræfter, der sætter naturen i bevægelse, og alle positioner for alle de elementer, som naturen består af, og hvis dette intellekt også var stort nok til at underkaste disse data en analyse, ville det i en enkelt formel omfatte bevægelserne for de største legemer i universet og de mindste atomer; for et sådant intellekt ville intet være usikkert, og fremtiden kunne ligesom fortiden være til stede for dets øjne,” skriver Laplace.

Dette ‘intellekt’ er sidenhen blevet kendt som Laplaces dæmon. Mennesker er, som Laplace yderligere forklarer, dog ikke denne dæmon. Verden er ikke tilfældig, men vi har begrænset viden, og derfor må vi ifølge Laplace bruge sandsynlighedsregning til at navigere i den.

Døden er en sort boks

I dag er sandsynlighedsberegning et fundament for en række algoritmiske systemer, herunder risikovurderinger, ansigts- og billedgenkendelse, forsikringsalgoritmer og store sprogmodeller, som svarer på spørgsmål ved at forudsige det næste sandsynlige ord i en sætning – ord for ord. Desuden arbejder forskere stadig på at kunne forudsige døden.

I 2018 lykkedes det delvist for en række forskere på Stanford University. For at forbedre palliativ behandling trænede de en algoritme på data fra knap 160.000 patienter for at generere sandsynligheden for, at en given patient ville dø inden for de næste tre til 12 måneder.

Da algoritmen blev afprøvet, fungerede den overraskende godt. Ni ud af 10 patienter, som algoritmen havde forudset ville dø inden for tre til 12 måneder, døde inden for dette tidsrum, mens 95 pct. af patienterne, som havde lavere sandsynlighed for at dø, overlevede i længere tid.

Stanfords dødsalgoritme svarer til en dæmon, der ved noget. Men selv med moderne teknologi er det en absurd ønsketænkning at vide alt. Formentlig også fordi verden ikke er helt så deterministisk som Laplace mente, at den var.

Som læge og forfatter Siddhartha Mukherjee skriver i New York Times: “Så hvad lærte algoritmen egentlig om at dø? Og hvad kan den lære kræftlægerne? Her er det mærkelige ved et sådant dybt læringssystem: Det lærer, men det kan ikke fortælle os, hvorfor det har lært det; det tildeler sandsynligheder, men det kan ikke let udtrykke begrundelsen bag tildelingen. Ligesom et barn, der lærer at cykle ved hjælp af forsøg og fejl, og som, når det bliver bedt om at formulere de regler, der gør det muligt at cykle, blot trækker på skuldrene og cykler væk, ser algoritmen tomt på os, når vi spørger: ‘Hvorfor?’ Det er, ligesom døden, endnu en sort boks.”

/Emilie Ewald 

Udover sandsynlighedsregning er Stanfords dødsalgoritme baseret på en stor mængde data. Men hvordan opstod dataen? Og hvordan har det udviklet sig fra oplysningstiden til vores algoritmiske tidsalder? Det undersøger vi i morgen.