Zusammenfassung
Wir leben in einem datengetriebenen (data-driven) Zeitalter, dessen Entwicklung durch exponentielle Wachstumsgesetze von Datenmengen, Rechner- und Speicherkapazitäten beschleunigt wird. Manchen Autoren halten theoretische Fundierungen bereits für überflüssig, da in der Wirtschaft immer effizientere Algorithmen immer schneller immer bessere Kunden- und Produktprofile voraussagen. In der Wissenschaft prophezeien Autoren wie S. Wolfram eine neue Form der Forschung („A New Kind of Science“), die ebenfalls nur noch auf effiziente Algorithmen und Computerexperimente setzen, die angeblich „traditionelle“ mathematische Theorien überflüssig machen. Diese Parolen sind brandgefährlich, haben aber einen richtigen Kern. Gefährlich sind diese Positionen deshalb, da Theorien ohne Daten zwar leer sind, aber Daten und Algorithmen ohne Theorie blind sind und unserer Kontrolle entgleiten. Richtig ist, dass sich der traditionelle Theoriebegriff in vielfacher Weise verändert, sowohl beim Entdecken und Finden von Hypothesen durch Machine Learning also bei theoretischen Erklärungen durch Computerexperimente und der Voraussage durch Predictive Analytics. Entscheidend ist aber vor allem die Prüfung und Kontrolle von Algorithmen, die durch neuartige Theorien möglich werden. Im letzten Abschnitt werden dazu aktuelle Beispiele untersucht. Nur so können wir sicher sein, dass uns am Ende Big Data mit seinen Algorithmen nicht aus dem Ruder läuft.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Anderson, C. (2008). The end of theory? Wired, 16, 7.
Bowling, M., Burch, N., Johanson, M., & Tammelin, O. (2015). Heads-up holdem poker is solved. Science, 347(6218), 145–149.
Brown N, Sandholm, T. (2017). Reduced space and faster convergence in imperfect-information games via pruning. International Conference on Machine Learning (ICML).
Chaitin, G. J. (1998). The limits of mathematics. Singapore: World Scientific.
Economist Staff. (31. Oktober 2015). Blockchains: The great chain of being sure about things. The Economist.
Gentzen G. (1934). Untersuchungen über das logische Schließen I-II. Mathematische Zeitschrift 39 (2), 176–210, (3), 405–431.
Gigerenzer, G., & Selten, R. (Hrsg.). (2002). Bounded rationality: The adaptive toolbox. Cambridge: MIT Press.
Hilbert, D. (1918). Axiomatisches Denken. Mathematische Annalen, 78, 405–415.
Hume D (1976) Eine Untersuchung über den menschlichen Verstand. u. Übers von H. Herring (Hrsg.). Stuttgart: Reclam.
Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.
Knight W. (11. April 2017). The dark secret at the heart of AI. MIT Technology Review, S. 1–22.
Kryptowährung. (2017). Wikipedia (https://de.wikipedia.org/wiki/Kryptow%C3%A4hrung).
Lakatos, I. (1976). Proofs and refutations. The logic of mathematical discovery. London: Cambridge University Press.
Mainzer, K. (2014a). Die Berechnung der Welt. Von der Weltformel zu Big Data. München: Beck.
Mainzer, K. (2014b). Die Berechnung der Welt. Können Big Data Ergebnisse Theorie und Beweise ersetzen? Forschung & Lehre, 9, 14.
Mainzer, K. (2016a). Künstliche Intelligenz. Wann übernehmen die Maschinen?. Berlin: Springer.
Mainzer, K. (2016b). Information: Algorithmus – Wahrscheinlichkeit – Komplexität – Quantenwelt – Leben – Gehirn – Gesellschaft. Berlin: Berlin University Press.
Mainzer, K. (2018). Wie berechenbar ist unsere Welt? Herausforderungen für Mathematik, Informatik und Philosophie im Zeitalter der Digitalisierung. Berlin: Springer.
Mainzer, K., & Chua, L. (2011). The Universe as Automaton. Berlin: Springer.
Mayer-Schönberger, V., & Cukier, K. (2013). Big data – A revolution that will transform how we live, work, and think. London: John Murray.
Narayanan, A., Bonneau, J., Felten, E., Miller, A., & Goldfeder, S. (2016). Bitcoin and cryptocurrency technologies. A comprehensive introduction. Princeton: Princeton University Press.
Pietsch, W., Wernecke, J., & Ott, M. (Hrsg.). (2017). Berechenbarkeit der Welt? Philosophie und Wissenschaft im Zeitalter von Big Data. Festschrift für Klaus Mainzer zum Anlass seiner Emeritierung. Berlin: Springer.
Simon, H. (1957). Administrative behavior: A study of decision-making processes in administrative organizations. New York: MacMillian.
Wolfram, S. (2002). A New kind of science. Wolfram Media, Inc.: Champaign Il.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Mainzer, K. (2020). A New Kind of Science: Big Data und Algorithmen verändern die Wissenschaft. In: Wiegerling, K., Nerurkar, M., Wadephul, C. (eds) Datafizierung und Big Data. Anthropologie – Technikphilosophie – Gesellschaft. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-27149-7_2
Download citation
DOI: https://doi.org/10.1007/978-3-658-27149-7_2
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-27148-0
Online ISBN: 978-3-658-27149-7
eBook Packages: Social Science and Law (German Language)