Ground Truth a tvrdá práce v oblasti AI gramotnosti
Místnost před promptem
První otázka v kurzu umělé inteligence pro dospělé málokdy bývá technická. Obvykle přijde jako příběh. Někdo má tým, který používá chatbota na shrnutí. Někdo jiný má dodavatele, který slibuje automatická rozhodnutí. Manažer slyšel, že agenti zvládnou nudnou práci. Správce dat si dělá starosti, protože nikdo neumí říct, který zdroj je autoritativní. Místnost je plná schopných lidí, ale jejich slovní zásoba se poskládala z titulků, demoverzí, nákupních prezentací a pár pozdních večerů s nástrojem, který byl zrovna ten měsíc v módě.
Pro takovou místnost vznikla kniha Ground Truth. Ne pro děti. Ne pro pasivní začátečníky. Pro dospělé, kteří už nesou odpovědnost, rozpočet, profesní paměť a důsledky. Nepotřebují představení o budoucnosti. Potřebují způsob, jak klást ostřejší otázky, aniž by je stroje zahanbily. Potřebují vědět, proč umělá inteligence působí jako kouzlo, proč je ten pocit zavádějící, proč může být systém užitečný, aniž by byl lidský, a proč data, pravděpodobnost, validace, prompty, zaujatost a správa nejsou oddělené rozhovory.
Peter Vieveen učí v takové místnosti léta. Jeho životopis v knize není ozdobný text: neuronové sítě od devadesátých let, správa dat a governance, soukromí, vzdělávání, DAMA Netherlands, Hogeschool Utrecht, CIBIT Academy. Tahle historie je důležitá, protože AI gramotnost není seznam módních pojmů. Je to návyk zpomalit přesně tak, abyste si všimli, s jakým druhem systému máte co do činění, než si ho koupíte, postavíte, zregulujete, důvěřujete mu, nebo se ho bojíte.
Proč je úvod špatný slib
Zdrojová stránka označuje Ground Truth za mapu pro začátečníky po myšlenkách, nástrojích a kompromisech za moderní umělou inteligencí. To je přesné, ale slovo začátečník se snadno špatně pochopí. Začátečník může znít malicherně, jako by kniha byla zjednodušená prohlídka před tím, než vstoupí skuteční profesionálové. Ve skutečnosti je základní materiál často to nejtěžší, co se dá dobře učit, protože musí napravit tvar konverzace, ne jen přidat fakta.
Člověk může chatbota používat každý den a přesto si plést automatizaci s učením. Může psát prompty a přesto mu uniknout rozdíl mezi systémem, který se řídí pravidly, a systémem, který z příkladů vytahuje vzorce. Může číst dashboard a přesto se nezeptat, jestli byla testovací sada oddělena, jestli si model něco nezapamatoval, jestli data reprezentují populaci, nebo jestli je výstup predikce, pořadí, generované pokračování, nebo rozhodnutí, podle kterého se někdo jiný rozhodl jednat.
Proto Ground Truth není nápravný kurz. Je to gramotnost. Gramotnost není schopnost odříkat abecedu. Je to schopnost přečíst smlouvu, všimnout si, co chybí, a odmítnout větu, která schovává zátěž do poznámek pod čarou. AI gramotnost funguje stejně. Dává lidem dost strukturálního porozumění, aby odolali divadlu. Jakmile se to stane, místnost se změní. Působivá demoverze je stále působivá, ale už nevlastní konverzaci.
Petrův tichý přístup
Metoda v knize Ground Truth je záměrně zdola nahoru. Rejstřík rozvrhuje posloupnost s téměř tvrdohlavou trpělivostí: základy, matematika, jak se stroje učí, klasické strojové učení, neuronové sítě, hluboké učení, generativní AI, transformery a velké jazykové modely, trénování a slaďování modelů, používání AI v praxi a etika, bezpečnost a budoucnost. Kniha pak nabízí cesty tímto materiálem: rychlou, hlubokou a praktickou. To není marketingový trychtýř. Je to přiznání, že dospělí studenti přicházejí s různými naléhavostmi.
Vedoucí pracovník může potřebovat nejprve rychlou cestu, protože zasedání představenstva je již naplánováno. Inženýr může chtít hlubokou cestu, protože na mechanismech záleží. Pedagog, tvůrce politik, zakladatel nebo zvědavý uživatel může chtít praktickou cestu, protože potřebují dostatek úsudku k odpovědnému používání nástrojů. Všechny tři cesty vedou ke stejnému tvrzení ve zdroji: dostatek porozumění k jasnému přemýšlení o AI. Tato věta je skromná. Je to také nejvyšší laťka v místnosti.
Petrův učitelský postoj je viditelný v popisech kapitol. Kapitola o matematice nepovažuje lineární algebru, kalkulus, pravděpodobnost a optimalizaci za rituály brány. Považuje je za čtyři nástroje, na kterých AI běží. Kapitola o učení definuje strojové učení jako systematické zlepšování na měřitelném úkolu, ne jako vědomí. Kapitola o transformerech sleduje pozornost, tokenizaci a vložení, protože na těchto mechanismech závisí každý moderní chatbot. Kapitola o etice odděluje zaujatost, spravedlnost, regulaci, bezpečnost, životní prostředí, agenty a spekulace, protože záměna mezi těmito pojmy je místem, kde začíná špatná správa.
Toto je vzdělávání dospělých bez divadla. Nikdo není žádán, aby model uctíval. Nikomu není řečeno, že každý detail musí být zvládnut, než je povolena akce. Smyslem je vybudovat dostatek vnitřní struktury, aby se člověk mohl učit i po skončení sezení. Dobrý základ neodpovídá na každou otázku. Zlepšuje další otázku.
Schodiště skryté na očích
Nejsilnějším designovým rozhodnutím v knize Ground Truth je schodiště. Začíná prostým tvrzením, že AI je software, který se učí vzorce z příkladů místo toho, aby se řídil strnulými předem napsanými instrukcemi. Tato věta se zdá jednoduchá, dokud ji nepoužijete jako diagnostiku. Kontrola pravopisu s pevným slovníkem není stejný druh systému jako filtr spamu trénovaný na označených příkladech. Šachový engine s pevně zakódovanými zahájeními není stejný druh systému jako model, který se přizpůsobuje zpětné vazbě. Navigační aplikace předpovídající dopravu není člověk, ale může se stále učit ze vzorců v pohybových datech.
Schodiště pak udělá druhý krok: odmítá nechat čtenáře na úrovni metafory. Kniha vysvětluje, že model může vypadat magicky, protože výstup je plynulý, zatímco mechanismus je skrytý. Velký jazykový model nesedí někde a nerozjímá o kráse. Je to rozdělení pravděpodobnosti nad sekvencemi tokenů, implementované jako síť čísel. Tato věta je důležitá, protože rozdíl mezi nástrojem a orákulem není filozofická dekorace. Určuje, zda profesionál zkontroluje odpověď, požádá o důkazy a navrhne cestu přezkumu.
Odtud se schodiště dostává k problému učení. Kapitola 3 používá rozlišení mezi učením a memorováním jako základní test. Model, který si vede dobře na trénovacích datech, ale selhává na nových příkladech, se nenaučil strukturu; zapamatoval si cvičebnici. Dospělí to pochopí okamžitě, protože to viděli u lidí. Žák, který si pamatuje odpovědi, ale neumí vyřešit nový problém, je důvěrně známý. Stejný vzorec u strojů se nazývá přeučení a najednou se z technického termínu stává použitelný úsudek.
Než se čtenář dostane k transformátorům, kniha si zaslouží právo představit pozornost. Pozornost není představena jako posvátná slovní zásoba. Je to mechanismus, který tokenu umožňuje shromažďovat informace od jiných tokenů v kontextu. Dotaz, klíč a hodnota nejsou kouzelná zaklínadla; jsou to naučené projekce, které směrují informace. Náklady rostou s délkou sekvence, protože skóre pozornosti porovnává pozice mezi sebou. Toto pozorování nakonec vysvětluje, proč se dlouhý kontext, agenti čtoucí rozsáhlé kódové základny a pracovní postupy vyhledávání stávají inženýrskými otázkami, nikoli marketingovými tvrzeními.
Den s umělou inteligencí bez oparu
Jedna z nejužitečnějších pasáží v kapitole o základech se vůbec netýká špičkových modelů. Prochází obyčejný den: odemknutí telefonu, filtrování e-mailů, hlasový asistent, asistent jízdního pruhu, navigace, vyhledávání, překlad, zpracování fotografií, doporučení, kontrola bankovních podvodů, sledování spánku. Smyslem není ohromit čtenáře všudypřítomností. Smyslem je učinit technologii natolik obyčejnou, aby ji bylo možné zkoumat.
Jakmile se umělá inteligence stane obyčejnou, konverzace se zlepší. Profesionál může říci: tento systém klasifikuje, tento řadí, tento předpovídá, tento generuje, tento vyhledává, tento směruje. Může se zeptat, jaká data ho trénovala, jaká data vidí nyní, co optimalizuje, jak se měří chyby a kdo nese náklady, když selže. Systém se nestal méně výkonným. Stal se méně divadelním.
To je důležité, protože divadlo je drahé. Kupující, který zachází s umělou inteligencí jako s myslí, se zeptá, zda je chytrá. Kupující, který s ní zachází jako se softwarem pro učení vzorců, se zeptá, z jakých příkladů se učila, kde se vzorce rozpadají, zda je úkol měřitelný a zda lze výstup ověřit. Druhý kupující je na uvedení produktu méně zábavný a mnohem užitečnější, když přijde faktura.
Dospělý problém není přístup
Dospělý problém v roce 2026 není přístup k umělé inteligenci. Přístup je všude. Problémem je interpretace. Lidé dokážou vytvářet text, obrázky, souhrny, návrhy kódu, vyhledávací zprávy a poznámky ze schůzek rychleji, než je dokážou posoudit. Úzké hrdlo se přesunulo z generování na rozlišování. Ground Truth je cenná, protože trénuje rozlišování.
Tento trénink začíná úzkou umělou inteligencí. Zdrojový text je přímočarý: vše, co jste kdy použili, je úzká umělá inteligence. Asistent pro nastavení časovače neumí hrát šachy. Šachový engine nepozná váš obličej. Chatbot může napsat přesvědčivou odpověď, ale nestane se obecnou myslí jen proto, že je odpověď přesvědčivá. Toto rozlišení chrání obě strany konverzace. Zabraňuje podceňování, protože úzká umělá inteligence může být stále komerčně a společensky mocná. Zabraňuje přeceňování, protože síla v jednom úkolu neznamená obecnou kompetenci.
Mění to také způsob, jakým lidé přemýšlejí o agentech. Když se systém přesune z nástroje na aktéra, riziko nespočívá v tom, že se náhle stane osobou. Riziko spočívá v tom, že může plánovat, volat nástroje, zapisovat soubory, odesílat zprávy nebo spouštět pracovní postupy, přičemž stále zůstává systémem založeným na vzorcích s režimy selhání. Gramotnost umožňuje, aby tato věta byla možná. Bez gramotnosti místnost osciluje mezi panikou a prodejním nadšením. S gramotností může místnost diskutovat o oprávněních, protokolech, eskalaci a limitech.
Praktické kapitoly knihy sdělují totéž jiným jazykem. Inference probíhá vždy o jeden token. Teplota mění rozdělení pravděpodobností. Výběr top-K a top-P určuje, které tokeny přicházejí v úvahu. Systémový prompt mění chování, ale není to fyzikální zákon. Vyhledávání může ukotvit odpověď, ale přináší otázky kolem dělení textu na bloky, kvality zdrojů, řazení výsledků a zastaralých dokumentů. Tohle nejsou detaily pro začátečníky. Jsou to detaily, které rozhodují o tom, zda profesionální pracovní postup přežije střet s realitou.
Matematika jako občanská infrastruktura
Mnoho lidí přichází ke vzdělávání o AI s obranným vztahem k matematice. Pamatují si školu, zábrany, ponížení, zkoušky nebo pocit, že zajímavý svět byl schovaný za notací. Ground Truth volí lepší cestu. Nepředstírá, že matematika není potřebná, a nepoužívá ji jako odznak. Pracuje s ní jako s občanskou infrastrukturou pro AI gramotnost.
Vektory vysvětlují, proč lze text, obrázky a uživatele znázornit jako body a směry. Kalkulus vysvětluje, jak se model může přizpůsobovat tím, že měří chybu a postupuje z kopce. Pravděpodobnost vysvětluje, proč může být model nejistý, a přesto užitečný. Optimalizace vysvětluje, proč je trénink hledáním v krajině, nikoli objevováním duše. Jakmile tyto myšlenky zapadnou na své místo, má čtenář v rukou klíč k chování stroje. Třeba ještě nebude připraven implementovat každý algoritmus, ale přestane výstup vnímat jako hlas odnikud.
Na organizační úrovni na tom záleží, protože řeč politiky bez matematické intuice křehne. Lidé mluví o přesnosti, spolehlivosti, zkreslení, riziku a posunu dat, jako by se rozumělo samo sebou. Není tomu tak. Přesnost závisí na tom, co se měří. Spolehlivost může být špatně kalibrovaná. Zkreslení může vstoupit skrze historii, reprezentaci, měření, agregaci, hodnocení, nasazení a zpětnovazební smyčky. Posun dat znamená, že se svět pod modelem změnil. Jsou to koncepty řízení stejně jako technické koncepty.
Peterovo zázemí ve správě dat je tu znát. Data nejsou hromada paliva čekající na model. Mají původ, vlastnictví, definice, problémy s kvalitou, oprávnění, omezení uchovávání a společenský význam. Model trénovaný na historických datech se může naučit historické rozložení moci. Model hodnocený na pohodlném benchmarku může přehlédnout lidi, kterým má ve skutečnosti sloužit. Ground Truth čtenáře neustále vrací k této půdě, protože bez datové gramotnosti neexistuje odpovědná AI gramotnost.
Černá skříňka je také problém výuky
Materiál o interpretovatelnosti a černé skříňce v 11. kapitole patří do základní knihy, protože neprůhlednost není jen výzkumnou výzvou. Je to výzva pro výuku. Lidé potřebují znát rozdíl mezi lokálním vysvětlením, globálním vysvětlením, kontrafaktuálem, mapou pozornosti, skóre důležitosti příznaků a kauzálním tvrzením. Pokud se to smíchá dohromady, stane se z vysvětlování zase divadlo.
Kapitola o etice je obzvlášť užitečná, protože odmítá představu, že zkreslení vnášejí pouze zlovolní programátoři. Historické zkreslení, zkreslení reprezentace, měření, agregace, hodnocení, nasazení a zpětné vazby jsou každé jiné. Náborový model se může naučit, kdo měl historicky moc. Model ve zdravotnictví může použít výdaje jako zástupný ukazatel a nedostatečně sloužit lidem, kteří se historicky dočkali menší péče. Model pro odhalování podvodů může proměnit národnost v riziko prostřednictvím zástupného ukazatele. Skandál s nizozemskými přídavky na děti se ve zdroji objevuje jako varování před automatizovanými systémy nasazenými bez smysluplného dohledu. To není abstraktní americký příběh. Je to místní paměť správy věcí veřejných.
Pro dospělé je to místo, kde se gramotnost stává morální, aniž by se stala vágní. Otázka nezní, zda někomu na etice záleží. Otázka zní, která část systému nese etické břemeno. Je to sběr dat? Štítek? Cíl? Práh? Lidský přezkum? Odvolací cesta? Smlouva o dodávkách? Monitorování? Modelový list? Zákon? Dotčená osoba? Ground Truth tyto otázky nesráží na plakát. Dává čtenáři dostatek kategorií, aby je udržel oddělené.
Proč to patří před strategii
Organizace často chtějí strategii umělé inteligence dříve než gramotnost v oblasti umělé inteligence. Chtějí plán, portfolio, cílovou architekturu, užší seznam dodavatelů a prohlášení o chuti k riziku. Tyto věci mohou být užitečné. Jsou také nebezpečné, když lidé u stolu nedokážou rozlišit model od produktu, demo od pracovního postupu, výzvu od ovládacího prvku nebo odpověď od důkazu.
Ground Truth patří před strategii, protože činí strategii méně divadelní. Tým, který ji přečetl, se může ptát, zda je problém klasifikace, regrese, generování, vyhledávání, optimalizace nebo podpora rozhodování. Může se ptát, zda mají data štítky, zda je výsledek měřitelný, zda je selhání vratné, zda uživatel může napadnout výsledek a zda organizace ví, co dělat, když si systém není jistý. To není akademická čistota. To je způsob, jak se projekty vyhnou tomu, aby se staly drahými anekdotami.
Vlastní mapa série knihy to posiluje. Ground Truth je nultý svazek průvodce občana umělou inteligencí. The Builder se zabývá klasickým strojovým učením. The Operator, The Seeker, The Steward, The Archivist, The Essential a další svazky se každý hlouběji věnují jedné roli. Nultý svazek není nižší status. Je to společný základ. Bez něj musí každá pozdější specializace trávit polovinu času opravou jazyka.
Praktická cesta není mělká cesta
Praktická cesta skrze Ground Truth zahrnuje základy, učení, generativní umělou inteligenci, transformery, používání umělé inteligence a etiku. Všimněte si, co nedělá. Nepřeskakuje úsudek. Neříká, že profesionálové potřebují jen tipy na výzvy. Nepředstírá, že sociální důsledky přicházejí až poté, co byl nástroj již přijat. Praktická cesta je praktická právě proto, že zahrnuje myšlenky, které brání zneužití.
Výzva bez znalosti modelu je žádost. Výzva se znalostí modelu je řízený experiment. Uživatel ví, že odpověď je generována z pravděpodobností, že každý token se stává kontextem pro další, že vysoká teplota může zpřístupnit nepravděpodobná pokračování, že sebevědomý tón není důkaz a že vyhledávání může zlepšit ukotvení pouze tehdy, pokud je zdrojový materiál dobrý a směrování je viditelné. Takový člověk píše jinak. Ověřuje jinak. Deleguje jinak.
Proto na cvičeních v této knize záleží. Vedou čtenáře k tomu, aby systémy klasifikovali, rozlišovali úzkou a obecnou umělou inteligenci, posuzovali, zda chatbot rozumí vtipu, nebo pouze skládá pravděpodobné sekvence slov, sledovali vlastní cestu učením napříč kapitolami a navrhovali testy strojového porozumění. Nejsou to školní úkoly. Jsou to nácviky pro praxi. Každé z těchto cvičení odpovídá nějaké schůzce, kterou člověk jednou zažije.
Co se změní po poslední kapitole
Po přečtení Ground Truth by dospělý student neměl znít jako výzkumník. To není cílem. Měl by být hůře oklamatelný. Měl by se ptát na jmenovatele za statistikou. Měl by si všimnout, když dodavatel řekne inteligence, ale myslí tím automatické dokončování. Měl by vědět, že sladění, bezpečnost, regulace, soukromí, interpretovatelnost a životní prostředí se překrývají, ale nejsou tentýž problém. Měl by chápat, že model může být působivý, užitečný, zaujatý, křehký, nákladný a zároveň vhodný k nasazení v omezeném pracovním postupu.
Měl by být také klidnější. Gramotnost odstraňuje část paniky, protože stroj má mechanismy. Odstraňuje část humbuku, protože mechanismy mají své limity. Vytváří dospělejší postoj: zvídavý, konkrétní, skeptický a ochotný používat nástroje, aniž by jim odevzdal vlastní úsudek.
Skutečná hodnota Ground Truth nespočívá v tom, že dá všem stejný názor na umělou inteligenci. Dává jim dostatek společného jazyka k tomu, aby mohli produktivně nesouhlasit. Jeden se může obávat zaujatosti. Dalšího může trápit cena. Další se může obávat vlastnictví dat. Jiný v tom může vidět příležitost k automatizaci. Pokud sdílejí společný základ, může se neshoda proměnit v návrh místo v šum.
Tichý test
Tichým testem knihy o AI gramotnosti je to, co se stane na příští běžné schůzce. Žádné reflektory. Žádný hlavní projev. Žádný dramatický prompt na velké obrazovce. Jen tým, který se rozhoduje, zda automatizovat pracovní postup, koupit nástroj, schválit pilotní projekt, proškolit zaměstnance nebo vystavit model zákazníkům.
Před přečtením Ground Truth se taková schůzka často točí kolem dojmů. Po přečtení Ground Truth se někdo zeptá, z čeho se systém učí. Někdo se zeptá, co si pouze zapamatoval. Někdo se zeptá, co se stane, když se data změní. Někdo se zeptá, zda je výstup důkaz, nebo jen text. Někdo se zeptá, kdo se může odvolat. Někdo se zeptá, proč má systém vůbec právo jednat, když nedokáže vysvětlit příslušnou část své práce. Žádná z těchto otázek nevyžaduje divadlo. Vyžadují gramotnost.
Proto je Ground Truth praktickou infrastrukturou. Je to nenápadný základ dospělého úsudku o umělé inteligenci. Učí lidi dívat se za kouřovou clonu, pojmenovat mechanismus a ponechat odpovědnost v lidských rukou. V roce 2026 to není náprava. To je ta práce.