Według powszechnego przekonania big data i uczenie maszynowe dostarczają zupełnie nowego podejścia do nauki, które ma potencjał rewolucjonizować postęp naukowy i ostatecznie prowadzić do "końca teorii". Zwolennicy tego stanowiska twierdzą, że zaawansowane algorytmy są w stanie przeszukiwać ogromne ilości danych dotyczących danego problemu bez wcześniejszej wiedzy, i że nie musimy się martwić o przyczynowość, ponieważ korelacja jest wystarczająca do radzenia sobie z złożonymi problemami. W rezultacie ludzki wkład w postęp naukowy jest uznawany za nieistotny i zastępowalny. My jednak, podążając za najczęściej reprezentowanym stanowiskiem w filozofii nauki, argumentujemy, że potrzeba ludzkiej wiedzy pozostaje istotna. Na podstawie analizy metod big data i uczenia maszynowego w dwóch przypadkach - detekcji raka skóry i składaniu białek - pokazujemy, że wiedza eksperta jest niezbędna i inherentna w zastosowaniu tych metod.