Daten entstehen in komplexen Systemen immer lokal – als Messungen, Beobachtungen oder Ereignisse an einzelnen Punkten. Gleichzeitig entfalten sich die relevanten Dynamiken oft auf globaler Systemebene.
Diese Differenz zwischen lokaler Datenerhebung und globalem Systemverhalten stellt eine zentrale Herausforderung für die Modellierung dar.
Daten entstehen lokal.
Messpunkte.
Sensoren.
Beobachtungen.
Systeme existieren global.
Das ist kein semantischer Unterschied.
Das ist ein struktureller Bruch.
Lokale Daten enthalten nicht automatisch globale Information.
Warum?
Weil Systeme:
- nichtlinear sind
- gekoppelt sind
- Zustände besitzen, die nicht direkt beobachtbar sind
Das führt zu einem zentralen Irrtum:
Mehr Daten = besseres Verständnis
Das stimmt nur in einfachen Systemen.
In komplexen Systemen kann mehr Daten sogar schaden:
- Overfitting
- falsche Korrelationen
- Scheinstabilität
Der entscheidende Punkt ist nicht Datenmenge.
Sondern:
Modellstruktur
Ein gutes Modell kann mit wenig Daten funktionieren.
Ein schlechtes Modell scheitert auch mit viel Daten.
Die eigentliche Frage ist daher:
Welche Struktur nehmen wir an?
Nicht: Wie viele Daten haben wir?