Wat is False Positive?

Wat is een false positive?

Stel je voor: je smartphone herkent op een foto een wildvreemde als jouw partner. Of je spamfilter gooit een belangrijke zakelijke e-mail in de prullenbak. Dat zijn false positives — momenten waarop een AI-systeem zegt "ja, dit is het!", terwijl het antwoord eigenlijk "nee" had moeten zijn.

Een false positive (ook wel: vals alarm) ontstaat wanneer een model ten onrechte iets positief classificeert. Het systeem denkt dat het iets gevonden heeft, maar dat klopt niet. De term komt uit de statistiek en geneeskunde, maar is cruciaal geworden in AI omdat vrijwel elk classificatiesysteem — van gezichtsherkenning tot fraudedetectie — dit soort fouten maakt.

Het tegenovergestelde heet een false negative: dan mist het systeem juist iets dat er wél is (zoals een spamfilter die spam doorlaat).

Hoe ontstaat zo'n fout?

Een AI-model leert patronen uit trainingsdata en trekt op basis daarvan conclusies. Maar die conclusies zijn nooit 100% zeker — het model rekent met waarschijnlijkheden. Ergens moet je een grens trekken: vanaf welke waarschijnlijkheid zeg je "ja" en daaronder "nee"?

Die grens heet de decision threshold of drempelwaarde. Zet je die laag, dan zegt het systeem sneller "ja" — en krijg je meer false positives (maar minder false negatives). Zet je 'm hoog, dan wordt het systeem voorzichtiger en krijg je minder false positives, maar mogelijk meer gemiste gevallen.

Een voorbeeld uit de praktijk

Een winkel gebruikt AI-camera's om winkeldiefstal te herkennen. Het systeem leert wat verdacht gedrag is: lang rondhangen bij dure producten, spullen in jaszakken stoppen, nerveus rondkijken. Maar soms doet een gewone klant die even aan het vergelijken is of zijn portemonnee zoekt, iets dat lijkt op dat patroon. Het systeem slaat alarm — een false positive. De beveiliging komt ter plekke, controleert, en het blijkt loos alarm.

Dat is vervelend voor de klant, kost tijd voor het personeel, en als het te vaak gebeurt, vertrouwt niemand het systeem meer.

Waarom is dit belangrijk?

False positives zijn niet alleen irritant — ze kunnen echte schade aanrichten:

• In de gezondheidszorg: een AI die kanker detecteert en ten onrechte alarm slaat, leidt tot onnodige stress, vervolgonderzoeken en kosten

• Bij recruitment: een CV-screener die goede kandidaten afwijst omdat ze niet aan een verkeerd patroon voldoen

• In creditscoring: iemand krijgt geen lening terwijl hij wél betrouwbaar is

• Bij moderatie: content die prima is, wordt verwijderd omdat het systeem het verkeerd interpreteert

De kunst is om de balans te vinden tussen false positives en false negatives. In sommige situaties is het ene erger dan het andere. Bij kankerscreening wil je liever een vals alarm (false positive) dan een gemist geval (false negative). Bij spam is het andersom: liever wat spam in je inbox dan een belangrijke mail missen.

Waar kom je het tegen?

• Spamfilters in je e-mailprogramma (Gmail, Outlook, Apple Mail)

• Fraudedetectie bij banken en betaaldiensten (ING, Mollie, Adyen)

• Content moderatie op platforms zoals YouTube, Facebook, LinkedIn

• Gezichtsherkenning in foto-apps (Google Photos, Apple Photos)

• Security-software zoals viruscanners en firewalls

• Recruitment-tools die CV's screenen (veel ATS-systemen)

• Medische diagnostiek met AI-ondersteuning

Als je met AI-systemen werkt die classificaties doen — of je nu zelf een model bouwt of een bestaande tool gebruikt — is het essentieel om te begrijpen hoeveel false positives acceptabel zijn. Soms moet je de instellingen aanpassen, de drempelwaarde verschuiven of menselijke controle inbouwen.

Wat kun je ermee?

Als je een AI-tool gebruikt: vraag je af hoe het systeem omgaat met twijfelgevallen. Kun je de gevoeligheid aanpassen? Is er een manier om false positives te reviewen? En besef: geen enkel systeem is perfect. Een beetje begrip van false positives helpt je om realistischer te zijn over wat AI wel en niet kan — en om betere keuzes te maken in hoe streng of soepel je een systeem instelt.