Seite - 183 - in Digitale Datenbanken - Eine Medientheorie im Zeitalter von Big Data

Banken, Basen, Reservoirs 183 kein Bestand, in dem bereits Bekanntes entdeckt werden kann, sondern Basis für neues Wissen. Aus der Kombination und Rekombination von Informationen können neue Informationen entstehen, die es erlauben, Terroranschläge vorauszusehen und vorzubeugen, ökonomische Entwicklungen in Echtzeit nachzuvollziehen, den Aus- bruch von Krankheitsepidemien zeitnah zu erkennen, Verbrechen zu bekämpfen, Freunde und Lebenspartner zu finden etc.53 Im Großen und im Kleinen birgt die findige Kombination und Rekombination vorhandener Informationen die Möglich- keit, neue Informationen zu erhalten. Insofern können digitale Datenbanken unter Umständen etwas wissen lassen, was so noch nicht gewusst, was allenfalls latent und rein virtuell als potentielle Information vorhanden war. Dies ist die Signatur des Spiels vollständiger Information, welches nach Ansicht von Lyotard charakteristisch für das postmoderne Wissen ist, welches sich in Datenbanken materialisiert: »Solange man es mit einem Spiel unvollständiger Information zu tun hat, kommt der Vorteil dem zu, der über Wissen verfügt und sich einen Zusatz an Information ver- schaffen kann. […] Aber in Spielen mit vollständiger Information kann die höchste Performativität per hypothesin nicht im Erwerb einer solchen Ergänzung bestehen. Sie ergibt sich aus einer neuen Anordnung von Daten, die eben einen ›Spielzug‹ dar- stellen. Diese neue Anordnung wird meist durch die Verknüpfung von Datenreihen erreicht, die bis dahin für unabhängig gehalten wurden. Man kann diese Fähigkeit, zusammen zu artikulieren, was nicht zusammen war, als Phantasie (imagination) bezeichnen.« (Lyotard 2009 [1979]: 126) In dem von Lyotard beschriebenen Spiel vollständiger Information geht es nicht mehr darum, das verfügbare Wissen durch das Hinzufügen neuer Informationen zu erweitern, sondern aus dem Vorhandenen etwas Neues zu schöpfen. Paradigmatisch kommt dieses Bestreben beispielsweise im Data Mining zum Vorschein, dessen Ziel Cios et al. wie folgt beschreiben: »The aim of data mining is to make sense of large amounts of mostly unsupervised data, in some domain« (Cios 2010: 3). Das Data Mining, welches auch als »knowledge extraction, information discovery, information harvesting, data archaeology, and data pattern processing« (Cios 2010: 10) bekannt sei, macht es sich zur Aufgabe, in einer großen Menge vorhandener aber weithin un- strukturierter Daten sinnvolle Zusammenhänge zu entdecken. Dabei werden unter anderem Klassifikations-, Regressions- und Clustering-Verfahren angewendet, um Muster zu entdecken, die so der Interpretation durch einen Analysten zugänglich werden.54 53 | Angesprochen ist hier der Aspekt der Knowledge Discovery in Datenbanken. Hierauf wird im Kapitel »Phänomeno-Logik« (S. 307ff.) näher eingegangen. 54 | Eine besondere Form der Mustererkennung ist die negative Rasterfahndung, welche Gugerli zufolge Ende der 1970er Jahre beim Bundeskriminalamt angewandt wurde, um Mitglieder der RAF ausfindig zu machen. Diese Terroristen »zeichneten fahndungstechnisch durch jene fatale Merkmalslosigkeit aus, die auch das