Istina i naporan rad na AI pismenosti
Prostor prije upita
Prvo pitanje u tečaju umjetne inteligencije za odrasle rijetko je tehničko. Obično stigne kao priča. Netko ima tim koji koristi chatbota za sažetke. Netko drugi ima dobavljača koji obećava automatske odluke. Voditelj je čuo da agenti mogu preuzeti dosadan posao. Skrbnik podataka zabrinut je jer nitko ne može reći koji je izvor mjerodavan. Prostorija je puna sposobnih ljudi, ali njihov je rječnik sastavljen od naslova, demonstracija, nabavnih prezentacija i poneke kasne večeri uz alat koji je tog mjeseca bio u modi.
Upravo za takvu prostoriju napisana je knjiga Ground Truth. Ne za djecu. Ne za pasivne početnike. Za odrasle koji već nose odgovornost, proračun, profesionalno pamćenje i posljedice. Ne treba im predstava o budućnosti. Treba im način da postavljaju oštrija pitanja bez srama pred strojevima. Trebaju znati zašto umjetna inteligencija djeluje poput čarolije, zašto je taj dojam varljiv, zašto sustav može biti koristan bez da nalikuje čovjeku i zašto podaci, vjerojatnost, validacija, upiti, pristranost i upravljanje nisu odvojeni razgovori.
Peter Vieveen godinama poučava u takvim prostorijama. Njegova biografija u knjizi nije ukrasni tekst: neuronske mreže od 1990-ih, upravljanje podacima i upravljanje njima, privatnost, obrazovanje, DAMA Netherlands, Hogeschool Utrecht, CIBIT Academy. Ta povijest je važna jer AI pismenost nije popis modernih pojmova. To je navika usporavanja tek toliko da primijetite s kakvim sustavom imate posla prije nego što ga kupite, izgradite, regulirate, mu vjerujete ili ga se bojite.
Zašto je obećanje početničkog pristupa pogrešno
Izvorna stranica naziva Ground Truth početničkom kartom ideja, alata i kompromisa iza moderne umjetne inteligencije. To je točno, ali riječ početnički lako je pogrešno shvatiti. Početnički može zvučati beznačajno, kao da je knjiga pojednostavljeni obilazak prije nego što uđu pravi profesionalci. U praksi je temeljni materijal često najteži za dobro poučavanje jer mora ispraviti oblik razgovora, a ne samo dodati činjenice.
Osoba može svakodnevno koristiti chatbota i i dalje brkati automatizaciju s učenjem. Može pisati upite i i dalje ne primijetiti razliku između sustava koji slijedi pravila i sustava koji izdvaja obrasce iz primjera. Može čitati nadzornu ploču i i dalje ne pitati je li testni skup bio izdvojen, je li model zapamtio podatke, predstavljaju li podaci populaciju ili je rezultat predviđanje, rangiranje, generirani nastavak ili odluka koju je netko drugi odlučio provesti.
Zato Ground Truth nije popravni tečaj. To je pismenost. Pismenost nije sposobnost ponavljanja abecede. To je sposobnost čitanja ugovora, uočavanja onoga što nedostaje i odbijanja rečenice koja skriva teret u fusnotama. AI pismenost djeluje na isti način. Ljudi dobivaju dovoljno strukturalnog razumijevanja da se odupru teatralnosti. Kad se to dogodi, prostorija se mijenja. Impresivna demonstracija i dalje je impresivna, ali više ne vlada razgovorom.
Peterova tiha metoda
Metoda u knjizi Ground Truth namjerno je odozdo prema gore. Kazalo izlaže slijed gotovo tvrdoglavim strpljenjem: temelji, matematika, kako strojevi uče, klasično strojno učenje, neuronske mreže, duboko učenje, generativna umjetna inteligencija, transformatori i veliki jezični modeli, treniranje i usklađivanje modela, korištenje umjetne inteligencije u praksi te etika, sigurnost i budućnost. Knjiga zatim nudi putove kroz to gradivo: brzi, dubinski i praktični. To nije marketinški lijevak. To je priznanje da odrasli učenici dolaze s različitim hitnostima.
Direktorici može prvo trebati brzi put jer je sastanak uprave već zakazan. Inženjer možda želi dubinski put jer su mu mehanizmi važni. Edukatorici, kreatoru politika, osnivaču ili znatiželjnom korisniku možda treba praktični put jer im treba dovoljno prosudbe za odgovorno korištenje alata. Sva tri puta vode do iste tvrdnje u izvoru: dovoljno razumijevanja za jasno razmišljanje o umjetnoj inteligenciji. Ta je fraza skromna. A ujedno je i najviša letvica u prostoriji.
Petrov pedagoški stav vidljiv je u opisima poglavlja. Poglavlje o matematici ne tretira linearnu algebru, račun, vjerojatnost i optimizaciju kao obrede čuvanja praga. Tretira ih kao četiri alata na kojima počiva umjetna inteligencija. Poglavlje o učenju definira strojno učenje kao sustavno poboljšanje na mjerljivom zadatku, a ne kao svijest. Poglavlje o transformatorima prati pozornost, tokenizaciju i ugradnje jer svaki moderni chatbot ovisi o tim mehanizmima. Poglavlje o etici razdvaja pristranost, pravednost, regulaciju, sigurnost, okoliš, agente i spekulaciju jer je zbrka među tim pojmovima mjesto gdje počinje loše upravljanje.
Ovo je obrazovanje odraslih bez teatralnosti. Od nikoga se ne traži da obožava model. Nikome se ne govori da svaki detalj mora biti savladan prije nego što se dopusti djelovanje. Poanta je izgraditi dovoljno unutarnje strukture da osoba može nastaviti učiti nakon što sesija završi. Dobar temelj ne odgovara na svako pitanje. On poboljšava sljedeće pitanje.
Stubište skriveno naočigled
Najjači dizajnerski izbor u knjizi Ground Truth jest stubište. Počinje jednostavnom tvrdnjom da je umjetna inteligencija softver koji uči obrasce iz primjera umjesto da slijedi krute unaprijed napisane upute. Ta rečenica djeluje jednostavno sve dok je ne upotrijebite kao dijagnostički alat. Provjeravač pravopisa s fiksnim rječnikom nije ista vrsta sustava kao filtar neželjene pošte treniran na označenim primjerima. Šahovski motor s tvrdo kodiranim otvaranjima nije ista vrsta sustava kao model koji se prilagođava na temelju povratnih informacija. Navigacijska aplikacija koja predviđa promet nije čovjek, ali svejedno može učiti iz obrazaca u podacima o kretanju.
Stubište zatim čini drugi potez: odbija ostaviti čitatelja na razini metafore. Knjiga objašnjava da model može djelovati čarobno jer je izlaz tečan dok je mehanizam skriven. Veliki jezični model ne sjedi negdje i razmišlja o ljepoti. On je distribucija vjerojatnosti nad nizovima tokena, implementirana kao mreža brojeva. Ta je rečenica važna jer razlika između alata i proročišta nije filozofski ukras. Ona određuje hoće li profesionalac provjeriti odgovor, zatražiti dokaze i osmisliti put revizije.
Odande stubište dolazi do problema učenja. Poglavlje 3 koristi razliku između učenja i pamćenja kao temeljni test. Model koji dobro radi na podacima za obuku, ali ne uspijeva na novim primjerima, nije naučio strukturu; zapamtio je zbirku zadataka. Odrasli to odmah razumiju jer su to vidjeli kod ljudi. Učenik koji pamti odgovore, ali ne može riješiti novi problem, poznat je. Isti obrazac kod strojeva naziva se pretreniranost, i odjednom tehnički pojam postaje upotrebljiva prosudba.
Do trenutka kada čitatelj stigne do transformera, knjiga je zaslužila pravo uvesti pozornost. Pozornost nije predstavljena kao sveti vokabular. To je mehanizam koji tokenu omogućuje prikupljanje informacija od drugih tokena u kontekstu. Upit, ključ i vrijednost nisu čarobni slogovi; to su naučene projekcije koje usmjeravaju informacije. Trošak raste s duljinom niza jer rezultati pozornosti uspoređuju pozicije s pozicijama. To opažanje na kraju objašnjava zašto dugi kontekst, agenti koji čitaju velike baze koda i tijekovi pretraživanja postaju inženjerska pitanja, a ne marketinške tvrdnje.
Dan s umjetnom inteligencijom, bez magle
Jedan od najkorisnijih odlomaka u poglavlju o osnovama uopće se ne bavi najnaprednijim modelima. Prolazi kroz običan dan: otključavanje telefona, filtriranje e-pošte, glasovni pomoćnik, pomoć pri zadržavanju trake, navigacija, pretraživanje, prevođenje, obrada fotografija, preporuke, provjera bankovnih prijevara, praćenje sna. Poanta nije impresionirati čitatelja sveprisutnošću. Poanta je učiniti tehnologiju dovoljno običnom da se može ispitati.
Kada umjetna inteligencija postane obična, razgovor postaje bolji. Profesionalac može reći: ovaj sustav klasificira, ovaj rangira, ovaj predviđa, ovaj generira, ovaj pretražuje, ovaj usmjerava. Mogu pitati koji su ga podaci obučili, koje podatke sada vidi, čemu teži, kako se mjere pogreške i tko snosi trošak kada zakaže. Sustav nije postao manje moćan. Postao je manje teatralan.
To je važno jer je teatar skup. Kupac koji umjetnu inteligenciju tretira kao um pitat će je li pametna. Kupac koji je tretira kao softver koji uči obrasce pitat će iz kojih je primjera naučila, gdje se obrasci lome, je li zadatak mjerljiv i može li se rezultat provjeriti. Drugi je kupac manje zabavan na predstavljanju proizvoda, a mnogo korisniji kada stigne račun.
Problem odraslih nije pristup
Problem odraslih u 2026. nije pristup umjetnoj inteligenciji. Pristup je posvuda. Problem je tumačenje. Ljudi mogu proizvesti tekst, slike, sažetke, prijedloge koda, izvješća o pretraživanju i bilješke sa sastanaka brže nego što ih mogu procijeniti. Uska grla pomaknula su se s generiranja na razlikovanje. Ground Truth je vrijedan jer razvija sposobnost razlikovanja.
To uvježbavanje počinje s uskom umjetnom inteligencijom. Izvorni je tekst jasan: sve što ste ikada koristili uska je umjetna inteligencija. Pomoćnik za postavljanje mjerača vremena ne može igrati šah. Šahovski motor ne može prepoznati vaše lice. Chatbot može napisati uvjerljiv odgovor, ali ne postaje opći um zato što je odgovor uvjerljiv. Ta razlika štiti obje strane razgovora. Sprječava podcjenjivanje jer uska umjetna inteligencija i dalje može biti komercijalno i društveno moćna. Sprječava precjenjivanje jer moć u jednom zadatku ne podrazumijeva opću kompetenciju.
Također mijenja način na koji ljudi razmišljaju o agentima. Kada sustav prijeđe s alata na aktera, rizik nije u tome što odjednom postaje osoba. Rizik je u tome što može planirati, pozivati alate, pisati datoteke, slati poruke ili pokretati tijekove rada, a pritom i dalje biti sustav temeljen na obrascima s načinima otkazivanja. Pismenost omogućuje takvu rečenicu. Bez pismenosti prostorija oscilira između panike i prodajnog entuzijazma. Uz pismenost, prostorija može raspravljati o ovlastima, dopuštenjima, zapisnicima, eskalaciji i ograničenjima.
Praktična poglavlja knjige istu poantu donose u drugom registru. Zaključivanje se odvija token po token. Temperatura mijenja distribuciju vjerojatnosti. Top-K i top-P uzorkovanje oblikuju koji su tokeni dostupni. Sistemska uputa mijenja ponašanje, ali nije zakon fizike. Dohvaćanje može utemeljiti odgovor, ali otvara pitanja o dijeljenju na segmente, kvaliteti izvora, rangiranju i zastarjelim dokumentima. To nisu početnički detalji. To su detalji koji odlučuju hoće li profesionalni tijek rada preživjeti susret sa stvarnošću.
Matematika kao građanska infrastruktura
Mnogi ljudi u obrazovanje o umjetnoj inteligenciji dolaze s obrambenim odnosom prema matematici. Sjećaju se škole, prepreka, poniženja, ispita ili osjećaja da je zanimljiv svijet bio skriven iza notacije. Ground Truth ide boljim putem. Ne pretvara se da matematika nije potrebna i ne koristi je kao značku. Matematiku tretira kao građansku infrastrukturu za pismenost o umjetnoj inteligenciji.
Vektori objašnjavaju zašto se tekst, slike i korisnici mogu prikazati kao točke i smjerovi. Račun objašnjava kako se model može prilagođavati mjerenjem pogreške i kretanjem nizbrdo. Teorija vjerojatnosti objašnjava zašto model može biti nesiguran, a opet koristan. Optimizacija objašnjava zašto je treniranje pretraživanje krajolika, a ne otkriće duše. Kad te ideje sjednu, čitatelj dobiva uvid u ponašanje stroja. Možda nije spreman implementirati svaki algoritam, ali može prestati tretirati izlaz kao glas niotkuda.
To je važno u organizacijama jer politika bez matematičke intuicije postaje krhka. Ljudi govore o točnosti, pouzdanosti, pristranosti, riziku i pomaku kao da su te riječi same po sebi razumljive. Nisu. Točnost ovisi o tome što se mjeri. Pouzdanost može biti pogrešno kalibrirana. Pristranost može ući kroz povijest, reprezentaciju, mjerenje, agregaciju, evaluaciju, implementaciju i povratne petlje. Pomak znači da se svijet promijenio pod modelom. To su jednako menadžerski koliko i tehnički koncepti.
Peterova pozadina u upravljanju podacima ovdje dolazi do izražaja. Podaci nisu hrpa goriva koja čeka model. Imaju podrijetlo, vlasništvo, definicije, probleme s kvalitetom, dopuštenja, ograničenja zadržavanja i društveno značenje. Model treniran na povijesnim podacima može naučiti povijesnu moć. Model evaluiran na prikladnoj referentnoj vrijednosti može zanemariti ljude kojima će zapravo služiti. Ground Truth neprestano vraća čitatelja na taj teren jer nema odgovorne pismenosti o umjetnoj inteligenciji bez pismenosti o podacima.
Crna kutija također je pedagoški problem
Materijal iz 11. poglavlja o interpretabilnosti i crnoj kutiji pripada temeljnoj knjizi jer neprozirnost nije samo istraživački izazov. To je pedagoški izazov. Ljudi moraju znati razliku između lokalnog objašnjenja, globalnog objašnjenja, kontrafaktualne situacije, mape pažnje, rezultata važnosti značajki i uzročne tvrdnje. Ako se to zamagli, objašnjenje ponovno postaje teatar.
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.
Zato su vježbe u knjizi važne. Traže od čitatelja da klasificiraju sustave, razlikuju usku od opće umjetne inteligencije, analiziraju razumije li chatbot vic ili slaže vjerojatne obrasce riječi, prate vlastiti put učenja kroz poglavlja i predlože testove za strojno razumijevanje. To nisu školske obveze. To su probe za posao. Svaka od tih vježbi odgovara sastanku koji će netko kasnije imati.
Što se mijenja nakon posljednjeg poglavlja
Nakon poglavlja Ground Truth, odrasli učenik ne bi trebao zvučati kao istraživač. To nije cilj. Trebao bi zvučati kao netko koga je teže prevariti. Trebao bi tražiti nazivnik iza statistike. Trebao bi primijetiti kada dobavljač kaže inteligencija, a misli na automatsko dovršavanje. Trebao bi znati da se usklađivanje, sigurnost, regulacija, privatnost, objašnjivost i okoliš preklapaju, ali nisu isti problem. Trebao bi razumjeti da model može biti istovremeno dojmljiv, koristan, pristran, krhak, skup i vrijedan primjene u ograničenom tijeku rada.
Također bi trebao biti smireniji. Pismenost uklanja dio panike jer stroj ima mehanizme. Uklanja dio pompe jer mehanizmi imaju ograničenja. Stvara zreliji stav: znatiželjan, konkretan, skeptičan i spreman koristiti alate bez predaje vlastitog suda njima.
Konačna vrijednost poglavlja Ground Truth nije u tome da svima daje isto mišljenje o umjetnoj inteligenciji. Ono im daje dovoljno zajedničkog jezika za produktivno neslaganje. Jedna osoba može brinuti o pristranosti. Druga može brinuti o troškovima. Treća može brinuti o vlasništvu nad podacima. Četvrta može vidjeti priliku za automatizaciju. Ako dijele temelj, neslaganje može postati dizajn umjesto buke.
Tihi test
Tihi test knjige o pismenosti u području umjetne inteligencije jest ono što se dogodi na sljedećem običnom sastanku. Bez reflektora. Bez uvodnog govora. Bez dramatičnog upita na velikom ekranu. Samo tim koji odlučuje hoće li automatizirati tijek rada, kupiti alat, odobriti pilot-projekt, obučiti osoblje ili izložiti model kupcima.
Prije poglavlja Ground Truth, taj se sastanak često vrti oko dojmova. Nakon poglavlja Ground Truth, netko pita iz čega sustav uči. Netko pita što je samo zapamćeno. Netko pita što se mijenja kada se podaci pomaknu. Netko pita je li rezultat dokaz ili proza. Netko pita tko se može žaliti. Netko pita zašto sustavu uopće smijemo dopustiti djelovanje kada ne može objasniti relevantni dio svog rada. Nijedno od tih pitanja ne zahtijeva teatralnost. Zahtijevaju pismenost.
Zato je poglavlje Ground Truth praktična infrastruktura. To je neugledna osnova ispod zrelog odraslog prosuđivanja o umjetnoj inteligenciji. Uči ljude da gledaju mimo stroja za maglu, imenuju mehanizam i zadrže odgovornost u ljudskim rukama. U 2026. to nije popravni rad. To je posao.