Zahlreiche neue regulatorische Rahmenwerke und politische Initiativen fordern Prüfungen von Algorithmen des maschinellen Lernens. Wir argumentieren, dass Prüfverfahren für Algorithmen als Informationsproduktionsprozesse verstanden werden müssen, die von wirtschaftlichen Anreizsystemen umgeben sind, und dass der moderne Marktdesignansatz einen hilfreichen Rahmen und Werkzeugkasten für die Entwicklung geeigneter Prüfverfahren bietet.Ein guter Startpunkt ist das von Epstein et al. (2018) vorgeschlagene Turing-Box-Modell, in dem Algorithmen in eine Clearingstelle gegeben werden, um von Prüfern geprüft zu werden. Wir argumentieren, dass zusätzlich geeignete ökonomische Anreizsysteme und Marktmechanismen für eine effektive Informationsproduktion in solchen Umgebungen entscheidend sind. Wir bezeichnen diese Kombination als „Turing Markets“.Im Rahmen des vorgeschlagenen Projekts werden wir einen Wettbewerb für Designs von Turing Markets durchführen, die Informationen über die Verlässlichkeit eines Finanzmarkthandelsalgorithmus produzieren sollen. Die vielversprechendsten Turing-Market-Designs werden dann in einem „Labor im Feld“-Experiment getestet. Jedes Design bildet einen experimentellen Arm, dem Gruppen von Experten für maschinelles Lernen zugewiesen werden.Der Ansatz, Turing Markets für bestimmte Klassen von Algorithmen des maschinellen Lernens sorgfältig zu entwerfen, könnte auch über dieses Proof-of-Concept-Setting hinaus verallgemeinert werden. Durch den Aufbau einer Community von akademischen Forschern, Praktikern und Regulierungsbehörden wollen wir die Rahmenbedingungen schaffen, um diese Idee weiterzuentwickeln.