Situatieonafhankelijkheid

Situatieonafhankelijkheid is een term uit de informatica, statistiek en besluitvorming die verwijst naar de eigenschap van een systeem, model of beleid om consistent te presteren ongeacht de wisselende context of omstandigheden waarin het wordt toegepast. In essentie gaat het om robuustheid en generalisatie: de uitkomsten mogen niet afhankelijk zijn van variabelen zoals tijd, locatie, gebruikerskenmerken of omgevingscondities.

Toepassingsvelden omvatten onder meer machine learning, data-analyse en operationeel beleid. In ML duidt situatieonafhankelijkheid op het vermogen van een model om te generaliseren naar data uit verschillende contexten (domain generalization) en om invarianten te leren die onberoerd blijven door contextwijzigingen. In beleid en bedrijfsprocessen kan dit betekenen dat beslissingen hetzelfde effect hebben onder diverse marktomstandigheden.

Benaderingen om situatieonafhankelijkheid te bevorderen zijn onder meer het ontwerpen van invarianten, normaliseren of standaardiseren van data, en het toepassen van cross-context validatie. Ook technieken zoals domain adaptation of invariant risk minimization worden genoemd als middelen om modellen te maken die contextveranderingen beter weerstaan. Er bestaan echter trade-offs; grotere robuustheid kan soms ten koste gaan van specifieke prestaties in een bepaalde context.

De term is relatief nieuw en wordt in verschillende vakgebieden gebruikt met nuanceafhankelijke definities. Over het algemeen verwijst het naar het streven naar objectieve betrouwbaarheid, in plaats van optimalisatie voor een specifieke situatie.

Zie ook: robuustheid, generalisatie, domain generalization, invariant risk minimization, context awareness.