Mitä algoritmit ovat ja mitä sinun tulisi niistä tietää
Tämä artikkeli on ensimmäinen osa Janne Kauttosen ja Martti Asikaisen kirjoittamasta kaksiosaisesta sarjasta ”Mitä algoritmit ovat ja mitä sinun tulisi niistä tietää”. Tämän luettuasi olet valmis sukeltamaan syvemmälle algoritmien teknisiin käsitteisiin sarjan toisessa osassa.
Janne Kauttonen & Martti Asikainen, 21.3.2025
Algoritmit ovat keskeinen osa nykyaikaista teknologiaa. Ne ovat kuin täsmällisiä ohjeistuksia, jotka suorittavat määriteltyjä toimintoja vaihe vaiheelta. Yksinkertaisimmillaan algoritmi voi järjestää numeroita sarjoihin, kun taas monimutkaisimmillaan se voi ohjata paitsi tekoälyn toimintaa myös saavuttamaamme tiedonvirtaa suositeltujen sisältöjen muodossa.
Etkö sinäkin muka ole joskus kuvitellut olevasi täysin vapaa päätöksissäsi, kun klikkailet ostoskoriin tavaraa Amazonista tai uppoudut sohvan syövereihin Netflixin parissa? Todellisuudessa algoritmit ohjaavat jopa kolmasosaa Amazonissa tehdyistä valinnoista, ja Netflixin mukaan 80 % katselupäätöksistä on algoritmien hienovaraisen ohjailun tulosta (Chhabra 2017; Bischoff 2023).
Toisin sanoen se sisäinen tunne, että juuri sinä löysit täydellisen tuotteen tai addiktoivan sarjan, on vain taidokkaasti luotu illuusio. Kulissien takana raksuttaa älykäs järjestelmä, joka on analysoinut digitaalisten jalanjälkiesi murusista jokaisen hakusi, klikkaukseksi ja ostokseksi luodakseen tarkan profiilin, jonka perusteella se tarjoaa juuri sinulle sopivaa sisältöä aina näkemistäsi uutisista musiikkisuosituksiin ja perjantai-illan leffaan.
Yritykset pyrkivät myös vahvistamaan algoritmeja entisestään niitä varten kehitetyillä tekoälyagenteilla, jotka huomioivat myös kontekstuaalisen käytöksen, kuten esimerkiksi kausiluontoisuuden ja vallitsevat trendit (Ologunebi ym. 2024). Ne yhdistelevät tietoja aikaisemmista seikkailuistamme niin näppärästi, että päädymme kerta toisensa jälkeen löytämään kuin sattuman kautta juuri sen, mitä emme edes tienneet etsivämme.
Ja siinä me sitten istumme tyytyväisinä, ja kuvittelemme olevamme oman elämämme ohjaksissa, vaikka algoritmit ottivat navigaattorin roolin jo yli vuosikymmen sitten. Siinä mielessä olemme kuin piilosilla algoritmien kanssa – ne näkevät meidät, mutta me emme aina näe niitä. Mutta mitä algoritmit oikeastaan ovat, miten ne toimivat, ja miten niistä voisi hyödyntää menestyksekkäästi liiketoiminnan kehittämiseen?
Algoritmista ohjelmiin: Mitä ne ovat ja miten ne toimivat?
Algoritmit ovat sarja koodattuja menettelytapoja, joilla syötteeksi annettu data muunnetaan halutuksi tulokseksi ennalta määrättyjen laskutoimitusten perusteella (Gillespie, 2014). Tavallaan ne ovat kuin digitaalisia kokkeja, jotka seuraavat reseptiä pilkuntarkasti. Saksalaisprofessori Sebastian Schelterin näkemystä myötäillen ensin hankitaan ainekset, jotka ovat lähtötietoja ja syöte, jonka jälkeen seurataan reseptiä vaihe vaiheelta (Zeller 2020). Lopputuloksena syntyy, jos nyt ei viiden tähden illallinen, niin ainakin arjen herkku.
Algoritmit ratkaisevat ongelmia ja suorittavat tehtäviä noudattaen aina ennalta määrättyjä ohjeita vaihe vaiheelta. Vaikka algoritmeja voidaan kirjoittaa monella tapaa, tavallisella kielellä, ohjelmointikielillä tai vaikka vuokaavioina, tietokoneiden kanssa käytetään yleensä ohjelmointikieliä niiden formaalisuuden, yksiselitteisyyden ja standardoinnin vuoksi. Kun algoritmi koodataan ohjelmointikieltä käyttäen, kuten esimerkiksi Pythonilla tai Javalla, tällöin puhutaan algoritmin sijaan yleensä tietokoneohjelmista tai pelkästään ohjelmista.
Teknisesti ottaen jokainen ohjelma, jopa perinteinen Microsoft Word, on yksi valtavan iso algoritmi, joka ottaa syötteitä vastaan ja tuottaa tekstitiedostoja. Käytännössä kuitenkin useimmat ohjelmat koostuvat kokoelmasta useita pitkälle erikoistuneita algoritmeja, jotka vuorovaikuttavat keskenään ja muodostavat yhdessä ohjelman samaan tapaan kuin yksittäiset muusikot muodostavat yhdessä toimivan orkesterin.
Monissa tapauksissa, kuten esimerkiksi Amazonin tuotesuosituksissa, Teslan itseajavissa autoissa, lentokoneissa ja lukuisissa automatisoiduissa metrojärjestelmissä algoritmit ovat korvanneet lähes täysin ihmisten tekemät päätökset (Mahmud ym. 2022). Systeemin huono puoli on se, että ihmisen tavoin myös algoritmit ovat alttiita ennakkoluuloille, jotka voivat tehdä päätöksistä epäreiluja (Angwin ym. 2016). Toisaalta algoritmien päätöksenteko myös eroaa merkittävästi ihmisten päätöksenteosta (Van Giffen ym. 2022). Siinä missä ihmisen päätös perustuu yleensä pehmeisiin tavoitteisiin ja kompromisseihin, pyrkivät algoritmit aina tiettyyn ennalta määrättyyn tavoitteiseen ja pelkästään siihen tavoitteeseen (Luca ym. 2016). Useimmissa tapauksissa algoritmit kuitenkin toimivat päätöksenteon tukena (Acharya ym. 2018).
Perinteiset ohjelmat perustuvat siihen, että ohjelmoija kirjoittaa algoritmin, joka määrittelee, miten syötteet käsitellään ja mitä annetaan ohjelmasta ulos. Esimerkiksi ohjelma ottaa sisään kaksi numeroa (x, y) ja antaa ulos näiden summan (x+y). Sen sijaan koneoppiminen edustaa joukkoa menetelmiä, joissa kone itse muodostaa säännöt syötteiden käsittelyyn. Koneoppimiseen perustuva ohjelma oppii nämä säännöt suoraan annetusta esimerkkidatasta. Koneoppimisalgoritmin tehtävänä on rakentaa uusi, sisäinen malli, joka mukautuu dataan. Ajatellaan, että syötämme koneoppimisohjelmalle kymmeniä lukupareja (syöte) ja niiden summia (tulos), ohjelma tunnistaa lopulta säännön, että kahden luvun yhteenlasku tuottaa halutun lopputuloksen – ilman että tätä sääntöä on sille etukäteen määritelty.
Koneoppimista hyödynnetään esimerkiksi tekoälysovelluksissa, kuvantunnistuksessa ja suosittelujärjestelmissä. Koneoppiminen on kuitenkin riippuvainen sille syötetystä datasta ja sen laadusta (Fenza ym. 2021). Jos data sisältää vinoumia, niin ne voivat heijastua algoritmin toimintaan ja sen tekemiin päätöksiin.
Moniperheinen ja rönsyilevä algoritmi
Algoritmit ovat elämässämme kuin huomaamattomat kämppikset. Nykyään niiden vaikutuspiiristä pääsee pakenemaan vain heittämällä älypuhelimen, tietokoneen ja kaikki muut digitaaliset vempaimet ikkunasta ulos. Ei siis ole kovin kaukaa haettua sanoa, että algoritmit ja yritykset saattavat tuntea sinut paremmin kuin ystäväsi tai äitisi.
Yhdysvalloissa algoritmit ovat jo lunastaneet paikkansa elämiemme kapellimestareina. Ne heiluttavat tahtipuikkoa niin työpaikoilla, kouluissa kuin sairaaloissakin. Algoritmit vaikuttavat siihen, kuka saa unelmiensa työpaikan, miten työvuorot jaetaan, mitä lapsesi syö koulussa lounaaksi ja kuka pääsee hoitojonon kärkeen sairaalassa (esim. Crispin 2021; McCormack & Schwarz 2023). Se määrittelee, kuka saa lainan ja kenet vuokrataan keskustan kaksioon.
Algoritmien suku on kuin värikäs ja monimuotoinen perhedynastia, jossa jokaisella jäsenellä on oma erityinen roolinsa ja tarkoituksensa. Perhealbumista löytyy monenlaisia persoonia. Yksi keskittyy tiedon järjestämiseen, toiset sen hakemiseen tai analysointiin ja kolmas päättää mitä algoritmia kutsutaan tietyn ongelman ratkaisuun. Sen tähden algoritmit jaetaankin yleensä eri kategorioihin niiden käyttötarkoituksen mukaan. Tämä monipuolisuus tekee algoritmeista korvaamattomia työkaluja niin perinteisessä ohjelmoinnissa kuin modernissa tekoälyssä ja koneoppimisessakin. Yhdessä algoritmit muodostavat kaiken tietojenkäsittelyn perustan.
Yhteenveto ja päätelmät
Algoritmit muodostavat digitaalisen maailmamme näkymättömän selkärangan, joka jäsentää ja ohjaa tietovirtoja kaikilla elämän ja liiketoiminnan osa-alueilla. Kuten olemme havainneet, niin vaikka algoritmi on itsessään pelkkä kylmä matemaattinen laskutoimitus, niiden pohjalta voidaan rakentaa älykkäitä järjestelmiä, jotka kykenevät oppimaan, sopeutumaan ja tekemään varsin monimutkaisiakin päätöksiä. Pk-yritys, joka osaa valita oikeat algoritmit ja hyödyntää niitä liiketoiminnassaan, voi pienellä panostuksella parantaa merkittävästi kustannustehokkuuttaan – ja jopa haastaa suuremmat toimijat, jos nämä eivät pysy digitalisaation kehityksessä mukana.
Toimialakohtaisia mahdollisuuksia algoritmien hyödyntämiseen on lähes rajattomasti, ja tulemme pureutumaan niihin seuraavassa artikkelissamme. Esimerkiksi k-means-klusterointi ryhmittelee asiakkaat ostokäyttäytymisen perusteella, mikä tekee markkinoinnista tarkempaa ja kohdennetumpaa.
Suosittelualgoritmit puolestaan kasvattavat verkkokaupan keskiostosta tarjoamalla asiakkaille personoituja tuotesuosituksia. Koneoppivat mallit ennustavat sesonkivaihteluita ja kysyntää, mikä tehostaa varastonhallintaa, kun taas reitinhakualgoritmit optimoivat logistiikkaa, pienentävät kuljetuskustannuksia ja tukevat ympäristövastuullisuutta.
Syvennymme eri algoritmeihin ja niiden käyttötarkoituksiin kirjoituksen toisessa osassa.
Pk-yrityksille algoritmien hyödyntäminen ei edellytä suuria alkuinvestointeja tai syvällistä teknistä osaamista. Monet digitaaliset alustat ja ohjelmistot sisältävät valmiiksi kehittyneitä algoritmeja, joita voi ottaa käyttöön ilman koodaustaitoja:
- Datan kerääminen ja organisointi: Algoritmien tehokkuus riippuu datan laadusta ja määrästä. Asiakastiedot, myyntitilastot ja tuotekohtaiset tiedot muodostavat arvokkaan perustan analytiikalle.
- Pilvipohjaiset analytiikkatyökalut: Microsoft Power BI, Google Analytics ja monet toimialakohtaiset ohjelmistot tarjoavat kustannustehokkaita ratkaisuja pk-yrityksille, ja niiden valmiit algoritmit voidaan ottaa käyttöön ilman merkittäviä IT-investointeja.
- Ketterä kokeilu ja oppiminen: Paras tapa edetä on aloittaa pienestä – esimerkiksi analysoimalla yhden tuoteryhmän tai markkinasegmentin dataa – ja laajentaa algoritmien käyttöä tulosten perusteella.
Tulevaisuudessa algoritmien rooli päätöksenteossa kasvaa entisestään, ja niiden merkitys kilpailukyvylle korostuu. Pk-yritysten on tärkeää pysyä kehityksessä mukana, sillä algoritmien avulla voi toimia ketterämmin ja tehokkaammin kuin kilpailijat. Suosittelemme hyödyntämään myös maksuttomia asiantuntijapalveluja, kuten Finnish AI Region (FAIR), joka tarjoaa neuvontaa ja tukea algoritmien kartoittamiseen ja käyttöönottoon liiketoiminnassa.
Ota yhteyttä
Janne Kauttonen
Vanhempi tutkija
+358 294471397
janne.kauttonen@haaga-helia.fi
Martti Asikainen
TKI-viestinnän asiantuntija
+358 44 920 7374
martti.asikainen@haaga-helia.fi
Lähteet
Acharya, A., Singh, S.K., Pereira, V. & Singh, P. (2018). Big data, knowledge co-creation and decision making in fashion industry. International Journal of Information Management, 42 (p. 90-101). Elsevier. Amsterdam.
Angwin, J., Larson, J., Mattu, S. & Kirchner, L. (2016). Machine bias: There’s software used across the country to predict future criminals. And it’s biased against blacks. ProPublica. New York.
Bischoff, M. (2023). How Recommendation Algorithms Work—And Why They May Miss the Mark. Scientific American. Springer Nature. New York City.
Chhabra, S. (2017). Netflix says 80 percent of watched content is based on algorithmic recommendations. Mobile Syrup. Toronto.
Crispin, J. (2021). Job-hunting is stressful and humiliating enough. Now robots judge our résumés. The Guardian.
Fenza, G., Gallo, M., Loia, V., Orciuoli, F. & Herrera-Viedma, E. H. (2021). Data set quality in Machine Learning: Consistency measure based on Group Decision Making. Applied Soft Computing, 106. Elsevier. Amsterdam.
Gillespie, T. (2014). The Relevance of Algorithms. From Media Technologies: Essays on Communication, Materiality, and Society. The MIT Press. Cambridge.
Luca, M., Kleinberg, J. & Mullainathan, S. (2016). Algorithms Need Managers Too. Harvard Business Review. Brighton.
Mahmud, H., Namjum Isla, A.K.M., Ahmed, S.I. & Smolander, K. (2021). What influences algorithmic decision-making? A systematic literature review on algorithm aversion. Technological Forecasting and Social Change, 175. Elsevier. Amsterdam.
McCormack, S. & Schwarz, D. (2023). Biased Algorithms are Deciding Who Gets Hired. We’re Not Doing Enough to Stop Them. New York Civil Liberties Union. New York.
Ologunebi, J., Taiwo, E. & All, K. (2024). Digital Consumer Behavior in E-commerce: A Study of Amazon and Temu’s Customer Purchase Decision-Making Processes in the UK and the USA. Munich Personal RePEc. München.
Van Giffen, B., Herhause, D. & Fahse, T. (2022). Overcoming the pitfalls and perils of algorithms: A classification of machine learning biases and mitigation methods. Journal of Business Research, vol. 144, s. 93-106. Elsevier. Amsterdam.
Zeller, J. (2020). Algortimen sind wie Kochrezepte. Goethe Institute Belgiumin verkkosivu.
