flaibo
Glossario

Precision vs Recall

La precisione misura quanti degli elementi che un'AI ha segnalato come positivi erano effettivamente corretti; il recall misura quanti dei casi realmente positivi l'AI è riuscita a individuare, e i due valori spesso sono in trade-off tra loro.

Nessuna carta richiesta

Cosa significa in pratica

Supponiamo che tu implementi uno strumento di AI per segnalare note spese sospette da rivedere. Se ne segnala 100 e 90 si rivelano effettivamente problematiche, questa è alta precisione: il tuo tempo di revisione non viene sprecato su falsi allarmi. Ma se in realtà c'erano 300 note spese problematiche là fuori e ne ha catturate solo 90, il suo recall è scarso: ha mancato due terzi dei casi reali. Un singolo numero di "accuratezza" può sembrare ottimo esattamente in questo scenario, perché ignorare correttamente migliaia di note spese normali e senza problemi conta anch'esso ai fini dell'accuratezza, quindi uno strumento può riportare un'accuratezza del 98% pur continuando a mancare la maggior parte delle frodi che contano davvero.

Esempio

Uno strumento di screening dei curriculum che segnala solo 5 candidati su 500, e tutti e 5 sono validi, ha una precisione perfetta ma potrebbe avere un recall pessimo se altri 40 candidati validi erano rimasti intoccati nel mucchio degli scartati. Uno strumento calibrato nella direzione opposta potrebbe segnalare 200 candidati per assicurarsi di catturare quasi tutti quelli qualificati, alto recall, ma ora un recruiter deve districarsi tra molti più falsi positivi, bassa precisione, per trovarli.

Spesso confuso con

vs. Accuracy

L'accuratezza è un unico numero aggregato: la quota di tutte le previsioni, positive e negative insieme, che il modello ha azzeccato. Può restare alta anche quando uno strumento è silenziosamente scarso proprio nella cosa che conta, perché ignorare correttamente la stragrande maggioranza dei casi normali e non segnalati sostiene il numero indipendentemente da quanti veri positivi siano stati mancati. Precisione e recall separano quel punteggio aggregato nelle due domande a cui il lavoro di screening o rilevamento ha davvero bisogno di rispondere: di ciò che è stato segnalato, quanto era reale, e di ciò che c'era davvero, quanto ne è stato catturato. Uno strumento con un'accuratezza del 98% può comunque avere un recall scarso sui casi rari e ad alto rischio come le frodi, che è esattamente il fallimento che una singola cifra di accuratezza nasconde.

Frequently asked questions

Vuoi il tuo contesto in un unico posto?

Flaibo conserva il tuo ruolo, il tuo tono e il tuo lavoro passato in un unico posto, e li inserisce nei prompt che porti in qualsiasi AI tu usi, così una nuova chat non deve ripartire da una finestra di contesto vuota.

Inizia gratis

Il tuo contesto, ovunque