SALib

Hinweis: Außerhalb unseres Review-Scopes

SALib ist eine Python-Bibliothek für globale Sensitivitätsanalysen, also ein Stück Open-Source-Code, das Modellierer*innen per pip install SALib in ihre eigenen Simulationspipelines einbinden. Damit lassen sich Sobol-Indizes, Morris-Elementareffekte, FAST und weitere Verfahren berechnen, um zu quantifizieren, welche Eingabeparameter eine Modellausgabe am stärksten beeinflussen.

Das ist ein wertvolles Werkzeug, aber es ist kein einsatzfertiges KI-Produkt im Sinne unseres Review-Scopes. KI-Syndikat reviewt Tools, die ein KMU oder eine Fachabteilung adoptieren, kaufen, einführen kann. SALib hat keine Oberfläche, keinen Anbieter, keinen Vertrag, keinen Support, kein Onboarding. Es setzt voraus, dass jemand bereits ein lauffähiges Simulationsmodell in Python betreibt, und dann ist die Bibliothek ein technisches Detail in einer Modellierungspipeline, kein Produkt, das wir wie ein SaaS bewerten könnten.

Hinzu kommt: SALib selbst enthält keine KI/ML-Komponente. Sensitivitätsanalyse mit Sobol oder Morris ist klassische numerische Statistik, keine generative KI, kein maschinelles Lernen, kein LLM. Die Bibliothek wird zwar oft neben ML-Modellen eingesetzt (z. B. um Surrogate-Modelle zu untersuchen), ist aber selbst kein KI-Werkzeug. Wir wenden hier dieselbe Logik an wie bei PyTorch und dem Eintrag zu LoRaWAN-Netzbetreibern: Infrastruktur und Bibliotheken werden nicht wie Endanwender-Produkte rezensiert.

Wir lassen diese Seite aus Transparenzgründen online, wer SALib aus einer Inventarliste, einem Paper oder einer alten Empfehlung kennt, soll wissen, warum wir keine vollständige Bewertung dazu führen.

Wer trotzdem hier landet

Wenn du als Modelliererin, Forscherin oder Engineering-Team konkret nach SALib gesucht hast: Die offiziellen Quellen sind klar die richtige Anlaufstelle, nicht ein deutscher Tool-Vergleich.

• Offizielle Dokumentation (salib.readthedocs.io), vollständige API-Referenz, Beispiele für Sobol, Morris, FAST, Delta-MIM und weitere Methoden.
• GitHub-Repository (SALib/SALib), Quellcode, Issues, aktuelle Releases, Contribution Guide.
• Referenzliteratur: Saltelli et al., Global Sensitivity Analysis: The Primer (Wiley, 2008), das Standardwerk hinter den meisten in SALib implementierten Methoden.

Innerhalb unseres Tool-Verzeichnisses gibt es keine direkten Peers, weil wir keine wissenschaftlichen Statistik-Bibliotheken reviewen. Wer ein konkretes Simulationsprodukt mit GUI sucht, in dem Sensitivitätsanalysen Teil eines kommerziellen Pakets sind, findet bei uns einige fachspezifische Einträge, aber das ist eine andere Kategorie:

• ANSYS STK, Aerospace- und Missionsmodellierung, kommerzielles Paket mit eigenen Analyse-Modulen.
• MATLAB Aerospace Blockset, modellbasierte Entwicklung in MATLAB/Simulink, mit eigenem Sensitivity-Analysis-Toolbox-Ökosystem.
• SILVA Forest Simulator, Beispiel für ein domänenspezifisches Simulationsprodukt (Forstwissenschaft) mit eigenem Anwendungsfokus.

Diese Tools sind keine Ersatzlösungen für SALib, sie zeigen nur, welche Form von „Simulation” wir tatsächlich reviewen: kommerzielle Produkte mit Anbietern, Verträgen und einer Zielgruppe, die ein Tool kauft und einführt, statt es als Library in Python-Code zu importieren.

Was wir bemerkt haben

• Mai 2026, Eintrag aus dem aktiven Review-Scope genommen. Begründung: Bibliothek ohne KI-/ML-Charakter, kein Produkt für Endanwender*innen.
• Mai 2026, Gleiche Logik wie bei PyTorch und LoRaWAN-Netzbetreibern: Infrastruktur und Bibliotheken sind nicht Gegenstand unserer Reviews.
• Lessons learned: Der Stub entstand aus einer früheren Importrunde mit zu weit gefasstem „Simulation”-Filter. Beim Review wurde klargezogen, dass „Sensitivitätsanalyse als Bibliothek” kein Tool im Sinne unseres Verzeichnisses ist, Tools werden adoptiert, Bibliotheken werden importiert.