Wat is Mean Average Precision?

Wat is Mean Average Precision?

Stel je voor dat je een zoekopdracht geeft aan een AI-systeem en het geeft je tien resultaten terug. De eerste drie zijn precies wat je zocht, nummer vier is waardeloos, en de rest is weer goed. Mean Average Precision (MAP) is een manier om te meten hoe goed het systeem de beste resultaten bovenaan heeft gezet.

Het werkt zo: voor elke vraag berekent het systeem de precision op elk moment dat er een relevant resultaat verschijnt. Precision betekent hier: hoeveel procent van de resultaten tot nu toe is écht relevant? Als je eerste drie resultaten allemaal goed zijn, is je precision op dat punt 100%. Als je vierde resultaat slecht is, zakt de precision. Het gemiddelde van al die precision-scores voor één vraag heet de Average Precision. De Mean Average Precision is dan het gemiddelde over alle vragen die je hebt getest.

Denk aan een bibliothecaris die je tien boeken geeft. Als de beste drie bovenop liggen, krijgt de bibliothecaris een hoge MAP-score. Liggen de beste boeken onderaan de stapel, dan is de score lager — ook al zitten ze er wel bij.

Waarom zou jij hier iets aan hebben?

MAP is vooral belangrijk als de volgorde van resultaten ertoe doet. Bij een zoekmachine wil je de beste resultaten bovenaan. Bij een product-recommender wil je dat de meest relevante producten eerst verschijnen. Bij beeldherkenning die objecten in een foto detecteert, wil je dat het systeem de belangrijkste objecten met de hoogste zekerheid eerst rapporteert.

Voor bedrijven die AI-systemen ontwikkelen of inkopen is MAP een concrete manier om te vergelijken. Als leverancier A een MAP-score van 0,75 heeft en leverancier B een score van 0,82, dan weet je dat B gemiddeld relevantere resultaten bovenaan zet. Dat kan het verschil betekenen tussen gebruikers die tevreden blijven of afhaken.

Een voorbeeld uit de praktijk

Stel: je ontwikkelt een interne zoekfunctie voor medische beelden. Een arts zoekt naar "longtumor" en het systeem toont twintig scans. De eerste vijf zijn inderdaad scans met tumoren (relevant), nummer zes en zeven zijn verkeerd (niet relevant), de rest is weer goed.

De Average Precision voor deze vraag wordt berekend door te kijken naar de precision telkens wanneer er een relevant resultaat verschijnt:

• Bij resultaat 1: 1/1 = 100%

• Bij resultaat 2: 2/2 = 100%

• Bij resultaat 3: 3/3 = 100%

• Bij resultaat 4: 4/4 = 100%

• Bij resultaat 5: 5/5 = 100%

• Bij resultaat 8: 6/8 = 75%

• Bij resultaat 9: 7/9 = 78%

• Enzovoort

Je telt al die percentages op en deelt door het totaal aantal relevante resultaten. Dat geeft je de Average Precision voor deze ene vraag. Als je dit doet voor honderd zoekvragen en het gemiddelde neemt, heb je de Mean Average Precision.

Waar kom je het tegen?

MAP wordt breed gebruikt in AI-projecten waar het gaat om ranking — het op volgorde zetten van resultaten:

• Zoeksystemen — Google, Bing en interne enterprise-zoekmachines gebruiken MAP (of varianten ervan) om te meten hoe goed zoekresultaten gerangschikt zijn

• Beeldherkenning — systemen die meerdere objecten in een foto detecteren (object detection) worden vaak geëvalueerd met MAP

• Recommender-systemen — Netflix, Spotify, e-commerce platforms meten hoe goed aanbevelingen bovenaan de lijst staan

• Informatieretrieval — digitale bibliotheken, juridische databases, medische kennissystemen

• Multimodale AI — systemen die afbeeldingen, tekst en video combineren om relevante content te vinden

Bij evaluaties van AI-modellen zie je MAP vaak naast andere metrics zoals Precision, Recall en F1-score. Samen geven ze een compleet beeld van hoe goed een systeem werkt.

Wat kun je er nu mee?

Als je een AI-systeem koopt of bouwt waarbij gebruikers meerdere resultaten krijgen, vraag dan naar de MAP-score. Het vertelt je niet alleen óf het systeem de goede dingen vindt, maar ook of het ze slim rangschikt. Dat maakt het verschil tussen een tool die mensen gebruiken en een tool die ze frustreert. En als je zelf aan de knoppen zit: MAP is een heldere manier om vooruitgang te meten — elke tiende punt verbetering betekent dat je gebruikers sneller vinden wat ze zoeken.