Wat is Sensitivity?

Wat is sensitivity eigenlijk?

Sensitivity (ook wel 'recall' genoemd) is een rekengetal dat aangeeft hoe goed een AI-model alle positieve gevallen weet te vinden. Stel je voor dat je een hond hebt getraind om kroketten uit een bak met voer te halen. Sensitivity meet hoeveel van álle kroketten in de bak je hond ook daadwerkelijk vindt.

Concreet: als er 100 spam-mails in je inbox zitten en je spamfilter herkent er 85, dan heeft dat filter een sensitivity van 85%. De overige 15 spam-mails belanden per ongeluk in je inbox.

De formule is simpel: van alle dingen die écht positief zijn (alle echte spam), hoeveel herkent het model ook als positief? Sensitivity geeft antwoord op de vraag: missen we veel?

Waarom is dit belangrijk?

Hoe hoog je sensitivity moet zijn, hangt af van wat je aan het bouwen bent. Bij sommige toepassingen is het dramatisch als je iets mist — denk aan een AI die kankercellen op röntgenfoto's zoekt. Als die maar 70% van de tumoren herkent, betekent dat dat 30% van de patiënten een gemiste diagnose krijgt. Daar wil je een sensitivity van minstens 95% of hoger.

Bij een spamfilter is het minder erg: als 15% van de spam door je filter glipt, is dat irritant maar niet levensbedreigend. Je kunt die mails zelf nog weggooien.

Het punt is: hoge sensitivity betekent weinig gemiste gevallen, maar vaak ook meer valse alarmen. Als je spamfilter agressiever wordt ingesteld om alle spam te vangen, zal het waarschijnlijk ook meer gewone mails per ongeluk als spam markeren. Dat is de afweging tussen sensitivity en een andere metric: precisie.

Waar kom je het tegen?

• Medische AI-tools zoals die gebruikt worden voor vroege detectie van ziektes op scans — hier streef je naar hoge sensitivity om geen gevallen te missen

• Fraudedetectiesystemen bij banken: liever tien keer onterecht een transactie blokkeren dan één fraudegeval missen

• Content moderatie op social media: platforms willen schadelijke content niet missen, dus streven naar hoge sensitivity (met als keerzijde dat soms onschuldige posts worden gemarkeerd)

• Kwaliteitscontrole in fabrieken: AI-camera's die defecte producten eruit filteren — een gemist defect is duurder dan een vals alarm

• CV-screening: sommige recruitmenttools focussen op hoge sensitivity om geen potentiële topkandidaten te missen

In tools zoals evaluatiedashboards (bijvoorbeeld in Azure Machine Learning, Google Vertex AI, of open-source bibliotheken zoals scikit-learn) zie je sensitivity vaak naast andere metrics staan: precisie, F1-score, specificiteit. Samen geven ze een compleet beeld van hoe je model presteert.

De balans vinden

In de praktijk is het kiezen van de juiste sensitivity een kwestie van afwegen: wat kost een gemist geval, en wat kost een vals alarm? Bij levensreddende toepassingen kies je voor hoge sensitivity, ook al betekent dat meer valse alarmen. Bij spam mag je relaxter zijn.

Als je zelf een AI-model evalueert of laat bouwen, vraag dan: welke fouten zijn acceptabel, en welke niet? Dat helpt je te bepalen of je model goed genoeg is — ongeacht of de algemene 'accuraatheid' op papier hoog lijkt.