Dirvos tiesa ir sunkus darbas ugdant dirbtinio intelekto raštingumą
The room before the prompt
The first question in an adult AI class is rarely technical. It usually arrives as a story. Someone has a team using a chatbot for summaries. Someone else has a vendor promising automatic decisions. A manager has heard that agents can handle the boring work. A data steward is worried because nobody can say which source is authoritative. The room is full of capable people, but their vocabulary has been assembled from headlines, demos, procurement decks, and a few late evenings with whatever tool happened to be fashionable that month.
That is the room Ground Truth was written for. Not for children. Not for passive beginners. For adults who already carry responsibility, budget, professional memory, and consequences. They do not need a performance about the future. They need a way to ask sharper questions without being shamed by the machinery. They need to know why AI feels like magic, why that feeling is misleading, why a system can be useful without being human-like, and why data, probability, validation, prompts, bias, and governance are not separate conversations.
Peter Vieveen has taught this kind of room for years. His biography in the book is not decorative copy: neural networks since the 1990s, data management and governance, privacy, education, DAMA Netherlands, Hogeschool Utrecht, CIBIT Academy. That history matters because AI literacy is not a list of fashionable terms. It is the habit of slowing down just enough to notice what kind of system you are dealing with before you buy, build, regulate, trust, or fear it.
Why introductory is the wrong promise
The source page calls Ground Truth a beginner's map to the ideas, tools, and tradeoffs behind modern AI. That is accurate, but the word beginner is easy to misread. Beginner can sound small, as if the book were a simplified tour before the real professionals enter. In practice, foundation material is often the hardest material to teach well because it has to correct the shape of the conversation, not merely add facts to it.
A person can use a chatbot every day and still confuse automation with learning. They can write prompts and still miss the difference between a system that follows rules and a system that extracts patterns from examples. They can read a dashboard and still fail to ask whether the test set was held back, whether the model has memorised, whether the data represents the population, or whether the output is a prediction, a ranking, a generated continuation, or a decision someone else has chosen to act on.
That is why Ground Truth is not remedial. It is literacy. Literacy is not the ability to repeat the alphabet. It is the ability to read a contract, notice what is missing, and refuse a sentence that hides the burden in the footnotes. AI literacy works thesame way. It gives people enough structural understanding to resist theatre. Once that happens, the room changes. The impressive demo is still impressive, but it no longer owns the conversation.
Peter's quiet method
The method in Ground Truth is deliberately bottom-up. The index lays out the sequence with almost stubborn patience: foundations, mathematics, how machines learn, classical machine learning, neural networks, deep learning, generative AI, transformers and large language models, training and aligning models, using AI in practice, and ethics, safety, and the future. The book then offers routes through that material: fast, deep, and practical. That is not a marketing funnel. It is an admission that adult learners arrive with different urgencies.
The executive may need the fast route first because a board meeting is already scheduled. The engineer may want the deep route because mechanisms matter. The educator, policymaker, founder, or curious user may want the practical route because they need enough judgement to use tools responsibly. All three routes lead to the same claim in the source: enough understanding to think clearly about AI. That phrase is modest. It is also the highest bar in the room.
Peter's teaching stance is visible in the chapter descriptions. The mathematics chapter does not treat linear algebra, calculus, probability, and optimisation as gatekeeping rituals. It treats them as the four tools AI runs on. The learning chapter defines machine learning as systematic improvement on a measurable task, not as consciousness. The transformer chapter follows attention, tokenisation, and embeddings because every modern chatbot depends on those mechanics. The ethics chapter separates bias, fairness, regulation, safety, environment, agents, and speculation because confusion between those terms is where bad governance starts.
This is adult education without theatre. No one is asked to worship the model. No one is told that every detail must be mastered before action is allowed. The point is to build enough internal structure that a person can keep learning after the session ends. A good foundation does not answer every question. It improves the next question.
The staircase hidden in plain sight
The strongest design choice in Ground Truth is the staircase. It starts with the plain claim that AI is software that learns patterns from examples instead of following rigid pre-written instructions. That sentence seems simple until you use it as a diagnostic. A spell-checker with a fixed dictionary is not the same kind of system as a spam filter trained from labelled examples. A chess engine with hard-coded openings is not the same kind of system as a model that adjusts from feedback. A navigation app predicting traffic is not human, but it may still be learning from patterns in movement data.
The staircase then makes a second move: it refuses to leave the reader at the level of metaphor. The book explains that a model can look magical because the output is fluent while the mechanism is hidden. A large language model is not sitting somewhere contemplating beauty. It is a probability distribution over sequences of tokens, implemented as a network of numbers. That line matters because the difference between tool and oracle is not philosophical decoration. It determines whether a professional checks the answer, asks for evidence, and designs a review path.
Nuo ten laiptai pasiekia mokymosi problemą. 3 skyriuje kaip pagrindinis išbandymas naudojamas skirtumas tarp mokymosi ir įsiminimo. Modelis, kuris puikiai veikia su mokymo duomenimis, bet nepavyksta su naujais pavyzdžiais, neišmoko struktūros; jis įsiminė pratimų sąsiuvinį. Suaugusieji tai supranta iškart, nes yra matę tai žmonėse. Mokinys, kuris atsimena atsakymus, bet negali išspręsti naujos problemos, yra gerai pažįstamas. Tas pats modelis mašinose vadinamas perėjimu prie modelio pritaikymo mokymo duomenims, ir staiga techninis terminas tampa naudingu sprendimu.
Kai skaitytojas pasiekia transformatorius, knyga jau yra užsitarnavusi teisę pristatyti dėmesio mechanizmą. Dėmesys nėra pateikiamas kaip šventas žodynas. Tai mechanizmas, leidžiantis ženklui surinkti informaciją iš kitų konteksto ženklų. Užklausa, raktas ir reikšmė nėra stebuklingi skiemenys; tai išmoktos projekcijos, nukreipiančios informaciją. Sąnaudos auga kartu su sekos ilgiu, nes dėmesio balai lygina pozicijas su pozicijomis. Šis pastebėjimas galiausiai paaiškina, kodėl ilgas kontekstas, agentai, skaitantys didelius kodų kodus, ir paieškos darbo eigos tampa inžineriniais klausimais, o ne rinkodaros teiginiais.
Diena su dirbtiniu intelektu, be dūmų mašinos
Viena naudingiausių pagrindų skyriaus ištraukų visai nėra apie pažangiausius modelius. Joje apžvelgiama įprasta diena: telefono atrakinimas, el. pašto filtravimas, balso asistentas, eismo juostos pagalba, navigacija, paieška, vertimas, nuotraukų apdorojimas, rekomendacijos, banko sukčiavimo patikros, miego stebėjimas. Tikslas nėra sužavėti skaitytoją visur esamybe. Tikslas yra padaryti technologiją pakankamai įprastą, kad ją būtų galima nagrinėti.
Kai dirbtinis intelektas tampa įprastas, pokalbis pagerėja. Profesionalas gali pasakyti: ši sistema klasifikuoja, ši reitinguoja, ši prognozuoja, ši generuoja, ši ieško, ši nukreipia. Jie gali paklausti, kokie duomenys jį išmokė, kokius duomenis jis mato dabar, ko jis siekia optimizuoti, kaip matuojamos klaidos ir kas prisiima išlaidas, kai jis nepavyksta. Sistema netapo mažiau galinga. Ji tapo mažiau teatrališka.
Tai svarbu, nes teatras yra brangus. Pirkėjas, kuris į dirbtinį intelektą žiūri kaip į protą, klaus, ar jis protingas. Pirkėjas, kuris į jį žiūri kaip į modelių atpažinimo programinę įrangą, klaus, iš kokių pavyzdžių jis mokėsi, kur modeliai lūžta, ar užduotis yra išmatuojama ir ar rezultatą galima patikrinti. Antrasis pirkėjas yra mažiau įdomus pristatymo renginyje ir daug naudingesnis, kai ateina sąskaita.
Suaugusiųjų problema nėra prieiga
Suaugusiųjų problema 2026 metais nėra prieiga prie dirbtinio intelekto. Prieiga yra visur. Problema yra interpretacija. Žmonės gali sukurti tekstą, vaizdus, santraukas, kodo pasiūlymus, paieškos ataskaitas ir susitikimų užrašus greičiau, nei gali juos įvertinti. Kliūtis persikėlė nuo kūrimo prie atskyrimo. Ground Truth yra vertinga, nes lavina atskyrimo gebėjimą.
Tos treniruotės prasideda nuo siauro dirbtinio intelekto. Šaltinio tekstas yra atviras: viskas, ką kada nors naudojote, yra siauras dirbtinis intelektas. Laikmačio nustatymo asistentas negali žaisti šachmatų. Šachmatų variklis negali atpažinti jūsų veido. Pokalbių robotas gali parašyti įtikinamą atsakymą, bet jis netampa bendruoju protu vien todėl, kad atsakymas yra įtikinamas. Šis skirtumas apsaugo abi pokalbio puses. Jis apsaugo nuo nuvertinimo, nes siauras dirbtinis intelektas vis tiek gali būti komerciškai ir socialiai galingas. Jis apsaugo nuo pervertinimo, nes galia vienoje užduotyje nereiškia bendros kompetencijos.
Tai taip pat keičia tai, kaip žmonės galvoja apie agentus. Kai sistema pereina iš įrankio į veikėją, rizika nėra ta, kad ji staiga tampa žmogumi. Rizika yra ta, kad ji gali planuoti, kviesti įrankius, rašyti failus, siųsti žinutes ar paleisti darbo eigas, vis tiek likdama modeliais pagrįsta sistema su gedimo režimais. Raštingumas įgalina tokį sakinį. Be raštingumo kambarys svyruoja tarp panikos ir pardavimų entuziazmo. Su raštingumu kambarys gali aptarti įgaliojimus, leidimus, žurnalus, eskalavimą ir apribojimus.
Praktiniuose knygos skyriuose ta pati mintis perteikiama kita kalba. Išvada daroma po vieną ženklą. Temperatūra keičia tikimybių skirstinį. „Top-K“ ir „top-P“ atranka nustato, kurie ženklai pasiekiami. Sistemos raginimas keičia elgseną, bet jis nėra fizikos dėsnis. Paieška gali pagrįsti atsakymą, tačiau kartu kelia klausimų dėl skaidymo į dalis, šaltinių kokybės, reitingavimo ir pasenusių dokumentų. Tai ne pradedančiųjų smulkmenos. Tai detalės, nuo kurių priklauso, ar profesionalus darbo procesas išliks susidūręs su realybe.
Matematika kaip pilietinė infrastruktūra
Daugelis į dirbtinio intelekto mokslus ateina su gynybišku santykiu su matematika. Jie prisimena mokyklą, užtvaras, pažeminimą, egzaminus arba jausmą, kad įdomus pasaulis slepiamas už žymėjimo. „Ground Truth“ siūlo geresnį kelią. Knyga neapsimeta, kad matematika nereikalinga, ir nenaudoja jos kaip skiriamojo ženklo. Matematiką ji traktuoja kaip pilietinę infrastruktūrą, reikalingą dirbtinio intelekto raštingumui.
Vektoriai paaiškina, kodėl tekstą, vaizdus ir vartotojus galima pavaizduoti kaip taškus ir kryptis. Skaičiavimai paaiškina, kaip modelis gali koreguotis matuodamas klaidą ir judėdamas žemyn. Tikimybės paaiškina, kodėl modelis gali būti neapibrėžtas ir vis tiek naudingas. Optimizavimas paaiškina, kodėl mokymas yra paieška kraštovaizdyje, o ne sielos atradimas. Kai šios idėjos įsitvirtina, skaitytojas įgyja supratimą apie mašinos elgseną. Galbūt jis dar nėra pasirengęs įgyvendinti kiekvieną algoritmą, bet gali nustoti laikyti rezultatą balsu iš niekur.
Tai svarbu organizacijose, nes politikos kalba be matematinės intuicijos tampa trapi. Žmonės kalba apie tikslumą, pasitikėjimą, šališkumą, riziką ir nuokrypį taip, lyg šie žodžiai būtų savaime suprantami. Jie nėra. Tikslumas priklauso nuo to, kas matuojama. Pasitikėjimas gali būti neteisingai sukalibruotas. Šališkumas gali atsirasti per istoriją, atstovavimą, matavimą, agregavimą, vertinimą, diegimą ir grįžtamojo ryšio ciklus. Nuokrypis reiškia, kad pasaulis pasikeitė po modeliu. Tai yra valdymo sąvokos tiek pat, kiek techninės.
Čia matyti Peterio patirtis duomenų valdymo srityje. Duomenys nėra kuro krūva, laukianti modelio. Jie turi kilmę, nuosavybę, apibrėžimus, kokybės problemų, leidimus, saugojimo apribojimus ir socialinę reikšmę. Modelis, išmokytas iš istorinių duomenų, gali išmokti istorinę galią. Modelis, įvertintas pagal patogų etaloną, gali nepastebėti žmonių, kuriems iš tikrųjų tarnaus. „Ground Truth“ nuolat grąžina skaitytoją prie to pagrindo, nes atsakingo dirbtinio intelekto raštingumo be duomenų raštingumo nėra.
Juodoji dėžė yra ir mokymo problema
Vienuoliktojo skyriaus medžiaga apie aiškinamumą ir juodąją dėžę priklauso pagrindų knygai, nes nepermatomumas yra ne tik mokslinių tyrimų iššūkis. Tai ir mokymo iššūkis. Žmonėms reikia žinoti skirtumą tarp vietinio paaiškinimo, visuotinio paaiškinimo, kontrafakto, dėmesio žemėlapio, požymio svarbos balo ir priežastinio teiginio. Jei šie dalykai sumaišomi, paaiškinimas vėl tampa teatru.
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.
Štai kodėl svarbūs šios knygos pratimai. Jie prašo skaitytojų klasifikuoti sistemas, atskirti siaurąjį nuo bendrojo dirbtinio intelekto, analizuoti, ar pokalbių robotas supranta pokštą arba sudėlioja tikėtinus žodžių modelius, atsekti savo mokymosi kelią per skyrius ir pasiūlyti mašininio supratimo testus. Tai ne mokyklinės užduotys. Tai repeticijos darbui. Kiekvienas iš tų pratimų atitinka susitikimą, kurį žmogus turės vėliau.
Kas pasikeičia po paskutinio skyriaus
Perskaitęs „Ground Truth", suaugęs besimokantysis neturėtų skambėti kaip mokslininkas. Tai nėra tikslas. Jis turėtų skambėti kaip žmogus, kurį sunkiau apgauti. Jis turėtų klausti, koks vardiklis slypi už statistikos. Jis turėtų pastebėti, kai pardavėjas sako „intelektas", o turi omenyje automatinį teksto užbaigimą. Jis turėtų žinoti, kad suderinimas, saugumas, reguliavimas, privatumas, paaiškinamumas ir aplinka persidengia, bet nėra ta pati problema. Jis turėtų suprasti, kad modelis vienu metu gali būti įspūdingas, naudingas, šališkas, trapus, brangus ir vertas diegimo ribotame darbo sraute.
Jis taip pat turėtų būti ramesnis. Raštingumas pašalina dalį panikos, nes mašina turi mechanizmus. Jis pašalina dalį ažiotažo, nes mechanizmai turi ribas. Jis sukuria brandesnę laikyseną: smalsią, konkrečią, skeptišką ir pasirengusią naudotis įrankiais neperduodant jiems savo sprendimo.
Galutinė „Ground Truth" vertė nėra ta, kad visiems suteikiama ta pati nuomonė apie dirbtinį intelektą. Knyga suteikia pakankamai bendros kalbos, kad žmonės galėtų produktyviai nesutarti. Vienas gali nerimauti dėl šališkumo. Kitas dėl kainos. Kitas dėl duomenų nuosavybės. Kitas gali įžvelgti automatizavimo galimybę. Jei jie dalijasi pagrindu, nesutarimas gali virsti dizainu, o ne triukšmu.
Tylusis testas
Tylusis dirbtinio intelekto raštingumo knygos testas yra tai, kas nutinka per kitą eilinį susitikimą. Jokio dėmesio centre. Jokio pagrindinio pranešimo. Jokio dramatiško raginimo didžiuliame ekrane. Tik komanda, sprendžianti, ar automatizuoti darbo srautą, pirkti įrankį, patvirtinti bandomąjį projektą, mokyti darbuotojus ar rodyti modelį klientams.
Prieš „Ground Truth" toks susitikimas dažnai sukasi apie įspūdžius. Po „Ground Truth" kažkas paklausia, iš ko sistema mokosi. Kažkas paklausia, ką ji tik įsiminė. Kažkas paklausia, kas pasikeičia, kai pasikeičia duomenys. Kažkas paklausia, ar rezultatas yra įrodymas, ar proza. Kažkas paklausia, kas gali apskųsti. Kažkas paklausia, kodėl sistemai apskritai leidžiama veikti, jei ji negali paaiškinti svarbios savo darbo dalies. Nė vienas iš šių klausimų nereikalauja teatro. Jie reikalauja raštingumo.
Štai kodėl „Ground Truth" yra praktinė infrastruktūra. Tai nepagražintas pagrindas po suaugusiu dirbtinio intelekto sprendimu. Knyga moko žmones pažvelgti pro rūko mašiną, įvardyti mechanizmą ir palikti atsakomybę žmonių rankose. 2026 metais tai nėra pataisos darbas. Tai pats darbas.