La vérité de terrain et le dur travail de la littératie en IA
La salle avant la requête
La première question dans un cours d'IA pour adultes est rarement technique. Elle arrive généralement sous forme d'histoire. Quelqu'un a une équipe qui utilise un chatbot pour des résumés. Un autre a un fournisseur qui promet des décisions automatiques. Un responsable a entendu dire que les agents peuvent s'occuper du travail ennuyeux. Un gestionnaire de données s'inquiète parce que personne ne peut dire quelle source fait autorité. La salle est pleine de personnes compétentes, mais leur vocabulaire a été assemblé à partir de titres, de démos, de présentations d'achat et de quelques soirées tardives avec l'outil qui se trouvait être à la mode ce mois-là.
C'est pour cette salle que Ground Truth a été écrit. Pas pour les enfants. Pas pour les débutants passifs. Pour des adultes qui portent déjà des responsabilités, un budget, une mémoire professionnelle et des conséquences. Ils n'ont pas besoin d'un spectacle sur l'avenir. Ils ont besoin d'un moyen de poser des questions plus précises sans être humiliés par la machine. Ils ont besoin de comprendre pourquoi l'IA semble magique, pourquoi ce sentiment est trompeur, pourquoi un système peut être utile sans être humain, et pourquoi les données, les probabilités, la validation, les requêtes, les biais et la gouvernance ne sont pas des conversations séparées.
Peter Vieveen a enseigné à ce genre de salle pendant des années. Sa biographie dans le livre n'est pas un texte décoratif : les réseaux de neurones depuis les années 1990, la gestion des données et la gouvernance, la vie privée, l'éducation, DAMA Netherlands, Hogeschool Utrecht, CIBIT Academy. Cette histoire compte parce que la littératie en IA n'est pas une liste de termes à la mode. C'est l'habitude de ralentir juste assez pour remarquer à quel type de système on a affaire avant de l'acheter, de le construire, de le réglementer, de lui faire confiance ou de le craindre.
Pourquoi « initiation » est la mauvaise promesse
La page source présente Ground Truth comme une carte d'initiation aux idées, aux outils et aux compromis derrière l'IA moderne. C'est exact, mais le mot initiation est facile à mal interpréter. Initiation peut sembler réducteur, comme si le livre était une visite simplifiée avant l'arrivée des vrais professionnels. En pratique, le matériel de base est souvent le plus difficile à bien enseigner parce qu'il doit corriger la forme de la conversation, pas seulement y ajouter des faits.
Une personne peut utiliser un chatbot tous les jours et confondre encore automatisation et apprentissage. Elle peut écrire des requêtes et manquer encore la différence entre un système qui suit des règles et un système qui extrait des motifs à partir d'exemples. Elle peut lire un tableau de bord et ne pas se demander si l'ensemble de test a été mis de côté, si le modèle a mémorisé, si les données représentent la population, ou si la sortie est une prédiction, un classement, une continuation générée ou une décision que quelqu'un d'autre a choisi de mettre en œuvre.
C'est pourquoi Ground Truth n'est pas un rattrapage. C'est de la littératie. La littératie, ce n'est pas la capacité de réciter l'alphabet. C'est la capacité de lire un contrat, de remarquer ce qui manque et de refuser une phrase qui cache le fardeau dans les notes de bas de page. La littératie en IA fonctionne de la même manière. Elle donne aux gens assez de compréhension structurelle pour résister au théâtre. Une fois que cela se produit, la salle change. La démo impressionnante reste impressionnante, mais elle ne possède plus la conversation.
La méthode discrète de Peter
La méthode de Ground Truth est délibérément ascendante. L'index déploie la séquence avec une patience presque obstinée : les fondations, les mathématiques, la façon dont les machines apprennent, l'apprentissage automatique classique, les réseaux de neurones, l'apprentissage profond, l'IA générative, les transformers et les grands modèles de langage, l'entraînement et l'alignement des modèles, l'utilisation de l'IA en pratique, et l'éthique, la sécurité et l'avenir. Le livre propose ensuite des parcours à travers cette matière : rapide, approfondi et pratique. Ce n'est pas un entonnoir marketing. C'est la reconnaissance que les apprenants adultes arrivent avec des urgences différentes.
Le cadre dirigeant peut avoir besoin du parcours rapide en premier parce qu'un conseil d'administration est déjà planifié. L'ingénieur peut préférer le parcours approfondi parce que les mécanismes comptent. L'éducateur, le décideur politique, le fondateur ou l'utilisateur curieux peut vouloir le parcours pratique parce qu'il lui faut assez de discernement pour utiliser les outils de manière responsable. Les trois parcours mènent à la même affirmation de la source : assez de compréhension pour penser clairement à l'IA. Cette phrase est modeste. C'est aussi la barre la plus haute de la salle.
La posture pédagogique de Peter est visible dans les descriptions des chapitres. Le chapitre sur les mathématiques ne traite pas l'algèbre linéaire, le calcul, les probabilités et l'optimisation comme des rites d'entrée. Il les traite comme les quatre outils sur lesquels l'IA fonctionne. Le chapitre sur l'apprentissage définit l'apprentissage automatique comme une amélioration systématique sur une tâche mesurable, et non comme une conscience. Le chapitre sur les transformers suit l'attention, la tokenisation et les plongements parce que chaque chatbot moderne dépend de ces mécanismes. Le chapitre sur l'éthique sépare les biais, l'équité, la réglementation, la sécurité, l'environnement, les agents et la spéculation parce que la confusion entre ces termes est le point de départ d'une mauvaise gouvernance.
C'est de l'éducation pour adultes sans théâtre. Personne n'est invité à vénérer le modèle. Personne ne se fait dire que chaque détail doit être maîtrisé avant que l'action soit permise. Le but est de construire assez de structure interne pour qu'une personne puisse continuer à apprendre après la fin de la session. Une bonne fondation ne répond pas à toutes les questions. Elle améliore la question suivante.
L'escalier caché à la vue de tous
Le choix de conception le plus fort de Ground Truth est l'escalier. Il commence par l'affirmation simple que l'IA est un logiciel qui apprend des motifs à partir d'exemples au lieu de suivre des instructions rigides préécrites. Cette phrase semble simple jusqu'à ce qu'on l'utilise comme outil de diagnostic. Un correcteur orthographique avec un dictionnaire fixe n'est pas le même type de système qu'un filtre anti-pourriel entraîné sur des exemples étiquetés. Un moteur d'échecs avec des ouvertures codées en dur n'est pas le même type de système qu'un modèle qui s'ajuste à partir de retours. Une application de navigation qui prédit le trafic n'est pas humaine, mais elle peut quand même apprendre des motifs dans les données de déplacement.
L'escalier fait ensuite un deuxième mouvement : il refuse de laisser le lecteur au niveau de la métaphore. Le livre explique qu'un modèle peut sembler magique parce que la sortie est fluide alors que le mécanisme est caché. Un grand modèle de langage n'est pas quelque part en train de contempler la beauté. C'est une distribution de probabilité sur des séquences de jetons, implémentée comme un réseau de nombres. Cette ligne compte parce que la différence entre outil et oracle n'est pas une décoration philosophique. Elle détermine si un professionnel vérifie la réponse, demande des preuves et conçoit un parcours de révision.
De là, l'escalier atteint le problème de l'apprentissage. Le chapitre 3 utilise la distinction entre apprendre et mémoriser comme test central. Un modèle qui obtient de bons résultats sur les données d'entraînement mais échoue sur de nouveaux exemples n'a pas appris la structure ; il a mémorisé le cahier d'exercices. Les adultes comprennent cela immédiatement parce qu'ils l'ont observé chez les personnes. L'élève qui se souvient des réponses mais ne sait pas résoudre un nouveau problème leur est familier. Le même schéma chez les machines s'appelle le surapprentissage, et soudain un terme technique devient un jugement utilisable.
Lorsque le lecteur atteint les transformeurs, le livre a gagné le droit d'introduire l'attention. L'attention n'est pas présentée comme un vocabulaire sacré. C'est le mécanisme qui permet à un jeton de recueillir des informations auprès d'autres jetons dans le contexte. Query, key et value ne sont pas des syllabes magiques ; ce sont des projections apprises qui acheminent l'information. Le coût augmente avec la longueur de la séquence parce que les scores d'attention comparent des positions entre elles. Cette observation explique finalement pourquoi les contextes longs, les agents qui lisent de grandes bases de code et les flux de travail de récupération deviennent des questions d'ingénierie plutôt que des arguments marketing.
Une journée avec l'IA, sans machine à fumée
L'un des passages les plus utiles du chapitre sur les fondements ne concerne pas du tout les modèles de pointe. Il parcourt une journée ordinaire : déverrouillage du téléphone, filtrage des e-mails, assistant vocal, aide au maintien de voie, navigation, recherche, traduction, traitement des photos, recommandations, détection de fraude bancaire, suivi du sommeil. Le but n'est pas d'impressionner le lecteur par l'omniprésence. Le but est de rendre la technologie assez ordinaire pour pouvoir l'examiner.
Une fois que l'IA devient ordinaire, la conversation s'améliore. Un professionnel peut dire : ce système classe, celui-ci classe, celui-ci prédit, celui-ci génère, celui-ci récupère, celui-ci achemine. Il peut demander quelles données l'ont entraîné, quelles données il voit maintenant, ce qu'il optimise, comment les erreurs sont mesurées et qui absorbe le coût en cas d'échec. Le système n'est pas devenu moins puissant. Il est devenu moins théâtral.
Cela compte parce que le théâtre coûte cher. Un acheteur qui traite l'IA comme un esprit demandera si elle est intelligente. Un acheteur qui la traite comme un logiciel d'apprentissage de motifs demandera à partir de quels exemples elle a appris, où les motifs se brisent, si la tâche est mesurable et si la sortie peut être vérifiée. Le deuxième acheteur est moins amusant lors d'un lancement et beaucoup plus utile lorsque la facture arrive.
Le problème des adultes n'est pas l'accès
Le problème des adultes en 2026 n'est pas l'accès à l'IA. L'accès est partout. Le problème est l'interprétation. Les gens peuvent produire des textes, des images, des résumés, des suggestions de code, des rapports de recherche et des notes de réunion plus rapidement qu'ils ne peuvent les évaluer. Le goulot d'étranglement s'est déplacé de la génération vers la discrimination. Ground Truth est précieux parce qu'il entraîne la discrimination.
Cet entraînement commence avec l'IA étroite. Le texte source est direct : tout ce que vous avez jamais utilisé est de l'IA étroite. L'assistant qui règle une minuterie ne peut pas jouer aux échecs. Le moteur d'échecs ne peut pas reconnaître votre visage. Un chatbot peut rédiger une réponse convaincante, mais il ne devient pas un esprit général parce que la réponse est convaincante. Cette distinction protège les deux côtés de la conversation. Elle évite la sous-estimation, car l'IA étroite peut encore être puissante commercialement et socialement. Elle évite la surestimation, car la puissance dans une tâche n'implique pas une compétence générale.
Cela change aussi la façon dont les gens pensent aux agents. Lorsqu'un système passe d'outil à acteur, le risque n'est pas qu'il devienne soudainement une personne. Le risque est qu'il puisse planifier, appeler des outils, écrire des fichiers, envoyer des messages ou déclencher des flux de travail tout en restant un système basé sur des motifs avec des modes de défaillance. La littératie rend cette phrase possible. Sans littératie, la pièce oscille entre panique et enthousiasme commercial. Avec la littératie, la pièce peut discuter d'autorité, de permissions, de journaux, d'escalade et de limites.
Les chapitres pratiques du livre font le même constat dans un autre registre. L'inférence se fait un jeton à la fois. La température modifie la distribution de probabilité. L'échantillonnage top-K et top-P détermine quels jetons sont accessibles. Un prompt système change le comportement, mais ce n'est pas une loi de la physique. La récupération peut ancrer une réponse, mais elle soulève des questions sur le découpage en segments, la qualité des sources, le classement et les documents obsolètes. Ce ne sont pas des détails de débutant. Ce sont les détails qui décident si un flux de travail professionnel survit au contact avec la réalité.
Les mathématiques comme infrastructure civique
Beaucoup de gens arrivent à la formation en IA avec un rapport défensif aux mathématiques. Ils se souviennent de l'école, des barrières, de l'humiliation, des examens, ou de ce sentiment que le monde intéressant était caché derrière la notation. Ground Truth emprunte une meilleure voie. Il ne prétend pas que les mathématiques sont inutiles, et il ne les utilise pas comme un insigne. Il traite les mathématiques comme une infrastructure civique pour la littératie en IA.
Les vecteurs expliquent pourquoi le texte, les images et les utilisateurs peuvent être représentés comme des points et des directions. Le calcul infinitésimal explique comment un modèle peut s'ajuster en mesurant l'erreur et en descendant la pente. Les probabilités expliquent pourquoi un modèle peut être incertain et tout de même utile. L'optimisation explique pourquoi l'entraînement est une recherche à travers un paysage, et non la découverte d'une âme. Une fois ces idées assimilées, le lecteur a une prise sur le comportement de la machine. Il n'est peut-être pas prêt à implémenter chaque algorithme, mais il peut cesser de traiter la sortie comme une voix venue de nulle part.
Cela compte dans les organisations parce que le langage politique sans intuition mathématique devient fragile. Les gens disent exactitude, confiance, biais, risque et dérive comme si ces mots allaient de soi. Ce n'est pas le cas. L'exactitude dépend de ce qui est mesuré. La confiance peut être mal calibrée. Le biais peut entrer par l'histoire, la représentation, la mesure, l'agrégation, l'évaluation, le déploiement et les boucles de rétroaction. La dérive signifie que le monde a changé sous le modèle. Ce sont des concepts de gestion autant que des concepts techniques.
Le parcours de Peter en gestion des données se voit ici. Les données ne sont pas un tas de carburant attendant un modèle. Elles ont une provenance, une propriété, des définitions, des problèmes de qualité, des permissions, des contraintes de conservation et une signification sociale. Un modèle entraîné sur des données historiques peut apprendre le pouvoir historique. Un modèle évalué sur un banc d'essai pratique peut manquer les personnes qu'il servira réellement. Ground Truth ramène constamment le lecteur à ce terrain parce qu'il n'y a pas de littératie responsable en IA sans littératie des données.
La boîte noire est aussi un problème d'enseignement
Le contenu du chapitre 11 sur l'interprétabilité et la boîte noire a sa place dans un livre de fondations parce que l'opacité n'est pas seulement un défi de recherche. C'est un défi d'enseignement. Les gens doivent connaître la différence entre une explication locale, une explication globale, un contrefactuel, une carte d'attention, un score d'importance des caractéristiques et une affirmation causale. Si tout cela est brouillé, l'explication redevient du théâtre.
The ethics chapter is especially useful because it refuses the fantasy that bias is introduced only by malicious programmers. Historical bias, representation bias, measurement bias, aggregation bias, evaluation bias, deployment bias, and feedback loops are each different. A hiring model can learn who historically held power. A healthcare model can use spending as a proxy and under-serve people who historically received less care. A fraud model can turn nationality into risk through a proxy. The Dutch childcare benefits scandal appears in the source as a warning about automated systems deployed without meaningful oversight. That is not an abstract American story. It is a local governance memory.
For adults, this is where the literacy becomes moral without becoming vague. The question is not whether one cares about ethics. The question is which part of the system carries the ethical load. Is it the data collection? The label? The objective? The threshold? The human review? The appeal path? The procurement contract? The monitoring? The model card? The law? The affected person? Ground Truth does not reduce those questions to a poster. It gives the reader enough categories to keep them separate.
Why this belongs before strategy
Organisations often want AI strategy before AI literacy. They want a roadmap, a portfolio, a target architecture, a vendor shortlist, and a statement about risk appetite. Those things can be useful. They are alsodangerous when the people around the table cannot distinguish a model from a product, a demo from a workflow, a prompt from a control, or an answer from evidence.
Ground Truth belongs before strategy because it makes strategy less theatrical. A team that has read it can ask whether the problem is classification, regression, generation, retrieval, optimisation, or decision support. It can ask whether the data has labels, whether the outcome is measurable, whether the failure is reversible, whether the user can challenge the result, and whether the organisation knows what to do when the system is uncertain. That is not academic purity. It is how projects avoid becoming expensive anecdotes.
The book's own series map reinforces this. Ground Truth is volume zero of A citizen's guide to AI. The Builder goes into classical machine learning. The Operator, The Seeker, The Steward, The Archivist, The Essential, and the later volumes each take a role deeper. Volume zero is not lower status. It is the shared floor. Without it, every later specialism has to spend half its time repairing language.
The practical route is not the shallow route
The practical route through Ground Truth includes foundations, learning, generative AI, transformers, using AI, and ethics. Notice what it does not do. It does not skip judgement. It does not say professionals only need prompting tips. It does not pretend that the social consequences arrive after the tool has already been adopted. The practical route is practical precisely becauseit includes the ideas that prevent misuse.
A prompt without model literacy is a request. A prompt with model literacy is a controlled experiment. The user knows that the answer is generated from probabilities, that each token becomes context for the next, that high temperature can make unlikely continuations more reachable, that a confident tone is not evidence, and that retrieval can improve grounding only if the source material is good and the routing is visible. That person writes differently. They verifydifferently. They delegate differently.
Voilà pourquoi les exercices du livre comptent. Ils demandent aux lecteurs de classer des systèmes, de distinguer l'IA étroite de l'IA générale, d'analyser si un chatbot comprend une blague ou assemble des schémas de mots probables, de tracer leur propre parcours d'apprentissage à travers les chapitres et de proposer des tests pour la compréhension machine. Ce ne sont pas des devoirs d'écolier. Ce sont des répétitions pour le travail. Chacun de ces exercices correspond à une réunion que quelqu'un aura plus tard.
Ce qui change après le dernier chapitre
Après Ground Truth, l'apprenant adulte ne doit pas sonner comme un chercheur. Ce n'est pas le but. Il doit être plus difficile à duper. Il doit demander le dénominateur derrière une statistique. Il doit remarquer quand un fournisseur dit intelligence mais veut dire autocomplétion. Il doit savoir que l'alignement, la sécurité, la réglementation, la confidentialité, l'interprétabilité et l'environnement se recoupent mais ne sont pas le même problème. Il doit comprendre qu'un modèle peut être impressionnant, utile, biaisé, fragile, coûteux et digne d'être déployé dans un flux de travail limité, tout à la fois.
Il doit aussi être plus calme. La littératie réduit une partie de la panique parce que la machine a des mécanismes. Elle réduit une partie du battage parce que les mécanismes ont des limites. Elle crée une posture plus adulte : curieuse, précise, sceptique et prête à utiliser des outils sans leur abandonner son jugement.
La valeur finale de Ground Truth n'est pas de donner à tous la même opinion sur l'IA. Elle leur donne assez de langage commun pour être en désaccord de manière productive. Une personne peut s'inquiéter du biais. Une autre peut s'inquiéter du coût. Une autre peut s'inquiéter de la propriété des données. Une autre peut voir une opportunité d'automatisation. S'ils partagent les fondations, le désaccord peut devenir conception au lieu de bruit.
Le test discret
Le test discret d'un livre de littératie en IA, c'est ce qui se passe lors de la prochaine réunion ordinaire. Pas de projecteur. Pas de discours d'ouverture. Pas d'invite dramatique sur un grand écran. Juste une équipe qui décide d'automatiser un flux de travail, d'acheter un outil, d'approuver un projet pilote, de former le personnel ou d'exposer un modèle à des clients.
Avant Ground Truth, cette réunion tourne souvent autour des impressions. Après Ground Truth, quelqu'un demande ce que le système apprend. Quelqu'un demande ce qu'il a simplement mémorisé. Quelqu'un demande ce qui change quand les données évoluent. Quelqu'un demande si la sortie est une preuve ou une prose. Quelqu'un demande qui peut faire appel. Quelqu'un demande pourquoi le système est autorisé à agir du tout alors qu'il ne peut pas expliquer la partie pertinente de son travail. Aucune de ces questions ne nécessite de théâtre. Elles nécessitent de la littératie.
C'est pourquoi Ground Truth est une infrastructure pratique. C'est la base sans éclat sous le jugement adulte en IA. Il apprend aux gens à regarder au-delà de la machine à fumée, à nommer le mécanisme et à garder la responsabilité entre des mains humaines. En 2026, ce n'est pas du rattrapage. C'est le travail.