Wat is False Negative?

Wat is een False Negative?

Stel je voor: je hebt een beveiligingscamera die auto's moet detecteren die door rood licht rijden. Een auto scheurt door rood, maar de camera ziet het niet. Dat is een false negative — een fout waarbij het systeem iets mist dat er wél is.

In AI-termen: een false negative ontstaat wanneer een model voorspelt dat iets niet aanwezig is, terwijl het in werkelijkheid wel aanwezig is. Het is een gemiste diagnose, een niet-gedetecteerde bedreiging, een spammail die toch in je inbox belandt.

Waarom is dit belangrijk?

Niet alle fouten zijn even erg. Of een false negative ernstig is, hangt volledig af van de context:

• Medische diagnostiek: Een false negative betekent dat een ziekte niet wordt ontdekt. Een patiënt met kanker krijgt te horen dat alles oké is. Dit kan letterlijk levensgevaarlijk zijn.

• Spamfilter: Een false negative betekent dat spam doorkomt naar je inbox. Vervelend, maar niet dramatisch.

• Fraudedetectie: Een false negative betekent dat een frauduleuze transactie wordt goedgekeurd. De bank verliest geld, maar dat is hun probleem.

• Terrorismedetectie: Een false negative kan betekenen dat een bedreiging niet wordt opgemerkt. De gevolgen kunnen catastrofaal zijn.

De ernst hangt dus af van wat je mist, en wat de consequenties daarvan zijn.

Het tegenovergestelde: False Positive

Het spiegelbeeld van een false negative is een false positive — waarbij het model denkt dat iets er is, terwijl het er niet is. Een gezonde patiënt die als ziek wordt geclassificeerd. Een normale mail die als spam wordt geblokkeerd.

Bij het ontwerpen van AI-systemen maak je bewust een afweging: wil je liever te voorzichtig zijn (veel false positives, weinig false negatives) of juist conservatief (weinig false positives, meer false negatives)?

Een voorbeeld: bij borstkankerschreening kies je vaak voor een gevoelig systeem dat alles wat verdacht lijkt markeert. Dat geeft veel onterechte alarmen (false positives), maar je mist minder echte gevallen (false negatives). Bij spam doe je het omgekeerde: liever wat spam doorlaten dan belangrijke mails blokkeren.

Hoe meet je dit?

False negatives zijn onderdeel van een groter geheel van evaluatie-metrics:

• Recall (ook wel 'sensitivity' of 'gevoeligheid'): het percentage van alle positieve gevallen dat het model ook echt vindt. Hoe lager je false negatives, hoe hoger je recall.

• Precision: het percentage van de positieve voorspellingen dat ook echt klopt. Hier gaat het om false positives.

• Als je false negatives verlaagt (meer recall), krijg je vaak meer false positives (lagere precision). Het is een balans.

Een voorbeeld uit de praktijk

Een online platform voor tweedehands spullen wil oplichters detecteren. Ze trainen een model dat verdachte accounts blokkeert.

• False negative: Een oplichter wordt als betrouwbaar beoordeeld en kan doorgaan. Mensen worden opgelicht.

• False positive: Een eerlijke verkoper wordt geblokkeerd. Die persoon is gefrustreerd en stapt misschien over naar een concurrent.

Het platform moet kiezen: liever een paar oplichters missen (false negatives) of liever onschuldige gebruikers blokkeren (false positives)? Meestal kiezen ze voor een tussenweg, en stellen ze de drempelwaarde van het model zo in dat beide fouten acceptabel zijn.

Waar kom je het tegen?

Elke AI-toepassing die classificeert of detecteert kent false negatives:

• ChatGPT, Claude, Gemini, Copilot: content-moderatie systemen die schadelijke content moeten blokkeren — een false negative betekent dat iets schadelijks doorkomt.

• Google Photos, Apple Photos: gezichtsherkenning — een false negative betekent dat een foto van jou niet wordt getagd.

• Cybersecurity-tools (Crowdstrike, Darktrace): een false negative betekent dat malware niet wordt gedetecteerd.

• Recruitment-AI: een false negative betekent dat een geschikte kandidaat wordt afgewezen.

• Kwaliteitscontrole in fabrieken: een defect product wordt niet opgemerkt en komt bij de klant terecht.

Wat kun je ermee?

Als je een AI-systeem bouwt, evalueert of gebruikt, is het cruciaal om te begrijpen welke fout erger is: false negatives of false positives. Stel jezelf de vraag: wat gebeurt er als het model iets mist? En wat gebeurt er als het onterecht alarm slaat?

Op basis van dat antwoord kun je de gevoeligheid van je model aanpassen. Bij twijfel: vraag domeinexperts (artsen, beveiligingsspecialisten, juristen) wat in hun context het ergste scenario is. Dat helpt je om een weloverwogen keuze te maken.