Wat is AI Recall?

Wat meet recall eigenlijk?

Stel je voor: je zoekt alle foto's van je hond in een map met 1000 foto's. Er zitten 50 hondenfoto's tussen. Je AI-assistent vindt er 45. Die 45 gevonden van de 50 échte hondenfoto's — dat is de recall: 90%. Het model heeft 10% gemist.

Recall geeft antwoord op de vraag: van alles wat we hadden moeten vinden, hoeveel hebben we gevonden? Het is een manier om te meten hoe grondig een AI-model is. Hoge recall betekent dat het model weinig over het hoofd ziet. Lage recall betekent dat het veel mist.

Waar maakt dat uit?

In sommige situaties is het cruciaal om niks te missen:

• Medische screening — bij het opsporen van kanker wil je geen enkele afwijking missen, zelfs als dat betekent dat je soms vals alarm krijgt

• Spamfilters — je wilt alle spam vangen, ook al betekent dat dat af en toe een gewone mail in de spamfolder belandt

• Fraudedetectie — bij het opsporen van verdachte transacties wil je liever tien keer te vaak een valse waarschuwing dan één échte fraude missen

In andere situaties is recall minder belangrijk. Bij een Google-zoekopdracht maakt het niet uit of je 95% of 98% van alle relevante pagina's ziet — zolang de eerste pagina maar goed is.

Het balletje met precision

Recall werkt samen met precision (nauwkeurigheid). Precision meet: van alles wat het model vindt, hoeveel klopt er? Die twee staan vaak op gespannen voet.

Terug naar de hondenfoto's: als je AI zegt "dit zijn alle hondenfoto's" en geeft 200 foto's terug waarvan er 45 écht honden zijn, dan heb je hoge recall (je hebt alles gevonden), maar lage precision (veel ruis erbij).

Je kunt een model meestal zo afstellen dat het voorzichtiger wordt (minder vals alarm, maar ook meer gemist) of juist gevoeliger (alles vangen, maar meer ruis). Die afweging heet de precision-recall trade-off.

Hoe bereken je het?

De formule is simpel: recall = (aantal correct gevonden dingen) / (totaal aantal échte dingen). Dat getal ligt tussen 0 (niks gevonden) en 1 (alles gevonden). Vaak zie je het als percentage: 0,85 = 85% recall.

In de praktijk test je een model op een dataset waar je al weet wat het goede antwoord is. Je telt hoeveel relevante gevallen het model vindt, deelt dat door het totaal aantal relevante gevallen, en je hebt je recall.

Waar kom je het tegen?

Recall is een standaard meetlat bij elk AI-systeem dat dingen moet vinden of classificeren:

• Documentzoeksystemen — hoeveel relevante documenten haalt het systeem op?

• Beeldherkenning — hoeveel objecten in een foto worden gedetecteerd?

• Chatbots met retrieval — hoeveel relevante kennisbronken vindt de bot bij een vraag?

• Content moderatie — hoeveel schadelijke posts worden opgepikt?

In dashboards van AI-platformen zoals Amazon SageMaker, Google Vertex AI of Microsoft Azure Machine Learning zie je recall vaak naast precision en andere metrics staan. Ook in wetenschappelijke papers over AI-modellen is recall een standaard onderdeel van de evaluatie.

Wat kun je ermee?

Als je een AI-systeem bouwt of inkoopt, let dan op de recall-cijfers in combinatie met de use case. Vraag jezelf af: wat kost het als we iets missen? Bij risicovolle toepassingen (gezondheid, veiligheid, fraude) wil je recall boven de 95%. Bij minder kritische taken mag het lager.

Kijk ook naar hoe het team de trade-off maakt tussen recall en precision. Een leverancier die alleen maar zegt "ons model heeft 99% accuracy" zonder onderscheid te maken tussen recall en precision, snapt waarschijnlijk de nuance niet. Stel de vraag: hoeveel missen jullie, en hoeveel vals alarm leveren jullie?