Ground Truth un smagais darbs, kas saistīts ar mākslīgā intelekta pratību
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 thechapter 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.
No tās kāpnes sasniedz mācīšanās problēmu. 3. nodaļa kā galveno pārbaudījumu izmanto atšķirību starp mācīšanos un iegaumēšanu. Modelis, kas labi darbojas ar apmācības datiem, bet neizdodas ar jauniem piemēriem, nav iemācījies struktūru; tas ir iegaumējis uzdevumu grāmatu. Pieaugušie to saprot uzreiz, jo ir to redzējuši cilvēkos. Skolēns, kurš atceras atbildes, bet nevar atrisināt jaunu uzdevumu, ir pazīstams. To pašu modeli mašīnās sauc par pārmācīšanos, un pēkšņi tehnisks termins kļūst par izmantojamu spriedumu.
Līdz brīdim, kad lasītājs nonāk līdz transformatoriem, grāmata ir nopelnījusi tiesības iepazīstināt ar uzmanību. Uzmanība netiek pasniegta kā svēta vārdnīca. Tā ir mehānisms, kas ļauj tokenam apkopot informāciju no citiem tokeniem kontekstā. Vaicājums, atslēga un vērtība nav maģiskas zilbes; tās ir apgūtas projekcijas, kas novirza informāciju. Izmaksas pieaug līdz ar secības garumu, jo uzmanības rādītāji salīdzina pozīcijas savā starpā. Šis novērojums galu galā izskaidro, kāpēc garš konteksts, aģenti, kas lasa lielas koda bāzes, un izguves darbplūsmas kļūst par inženiertehniskiem jautājumiem, nevis mārketinga apgalvojumiem.
Diena ar mākslīgo intelektu bez miglas mašīnas
Viena no visnoderīgākajām vietām pamatu nodaļā nemaz nav par vadošajiem modeļiem. Tā izstaigā parastu dienu: telefona atslēgšana, e-pasta filtrēšana, balss palīgs, joslas asistents, navigācija, meklēšana, tulkošana, fotoapstrāde, ieteikumi, banku krāpšanas pārbaudes, miega izsekošana. Mērķis nav pārsteigt lasītāju ar visuresamību. Mērķis ir padarīt tehnoloģiju pietiekami parastu, lai to varētu izpētīt.
Kad mākslīgais intelekts kļūst parasts, saruna kļūst labāka. Profesionālis var teikt: šī sistēma klasificē, šī sarindo, šī prognozē, šī ģenerē, šī izgūst, šī novirza. Viņi var jautāt, ar kādiem datiem tas tika apmācīts, kādus datus tas redz tagad, ko tas optimizē, kā tiek mērītas kļūdas un kurš uzņemas izmaksas, kad tas neizdodas. Sistēma nav kļuvusi mazāk spēcīga. Tā ir kļuvusi mazāk teatrāla.
Tas ir svarīgi, jo teātris ir dārgs. Pircējs, kurš uztver mākslīgo intelektu kā prātu, jautās, vai tas ir gudrs. Pircējs, kurš to uztver kā modeļu apguves programmatūru, jautās, no kādiem piemēriem tas mācījās, kur modeļi sabrūk, vai uzdevums ir izmērāms un vai izvadi var pārbaudīt. Otrais pircējs ir mazāk jautrs palaišanas pasākumā un daudz noderīgāks, kad pienāk rēķins.
Pieaugušo problēma nav piekļuve
Pieaugušo problēma 2026. gadā nav piekļuve mākslīgajam intelektam. Piekļuve ir visur. Problēma ir interpretācija. Cilvēki var radīt tekstu, attēlus, kopsavilkumus, koda ieteikumus, meklēšanas ziņojumus un sapulču pierakstus ātrāk, nekā spēj tos novērtēt. Pudeļu kakls pārcēlās no ģenerēšanas uz diskrimināciju. Ground Truth ir vērtīga, jo tā trenē diskrimināciju.
Šī apmācība sākas ar šauru mākslīgo intelektu. Avota teksts ir tiešs: viss, ko jebkad esat lietojis, ir šaurs mākslīgais intelekts. Taimera iestatīšanas palīgs nevar spēlēt šahu. Šaha dzinējs nevar atpazīt jūsu seju. Tērzēšanas robots var uzrakstīt pārliecinošu atbildi, bet tas nekļūst par vispārēju prātu tāpēc, ka atbilde ir pārliecinoša. Šī atšķirība aizsargā abas sarunas puses. Tā novērš nenovērtēšanu, jo šaurs mākslīgais intelekts joprojām var būt komerciāli un sociāli spēcīgs. Tā novērš pārvērtēšanu, jo spēks vienā uzdevumā nenozīmē vispārēju kompetenci.
Tas arī maina to, kā cilvēki domā par aģentiem. Kad sistēma pāriet no rīka uz darītāju, risks nav tas, ka tā pēkšņi kļūst par cilvēku. Risks ir tas, ka tā var plānot, izsaukt rīkus, rakstīt failus, sūtīt ziņojumus vai aktivizēt darbplūsmas, joprojām būdama uz modeļiem balstīta sistēma ar kļūmju veidiem. Lietotprasme padara šo teikumu iespējamu. Bez lietotprasmes telpa svārstās starp paniku un pārdošanas entuziasmu. Ar lietotprasmi telpā var apspriest pilnvaras, atļaujas, žurnālus, eskalāciju un ierobežojumus.
Grāmatas praktiskās nodaļas to pašu domu pauž citā reģistrā. Inferance notiek pa vienam tokenam. Temperatūra maina varbūtību sadalījumu. Top-K un top-P paraugatlase nosaka, kuri tokeni ir sasniedzami. Sistēmas uzvedne maina uzvedību, bet tā nav fizikas likums. Izguve var pamatot atbildi, taču tā rada jautājumus par sadalīšanu daļās, avotu kvalitāti, ranžēšanu un novecojušiem dokumentiem. Tās nav iesācēju detaļas. Tās ir detaļas, kas izšķir, vai profesionāls darba process iztur saskari ar realitāti.
Matemātika kā pilsoniskā infrastruktūra
Daudzi cilvēki uz AI izglītību nāk ar aizsargājošu attieksmi pret matemātiku. Viņi atceras skolu, barjeras, pazemojumu, eksāmenus vai sajūtu, ka interesantā pasaule tiek slēpta aiz pierakstu zīmēm. Ground Truth izvēlas labāku ceļu. Tā neizliekas, ka matemātika nav vajadzīga, un neizmanto matemātiku kā nozīmītes. Tā traktē matemātiku kā pilsonisko infrastruktūru AI pratībai.
Vektori izskaidro, kāpēc tekstu, attēlus un lietotājus var attēlot kā punktus un virzienus. Aprēķini izskaidro, kā modelis var pielāgoties, mērot kļūdu un virzoties lejup. Varbūtība izskaidro, kāpēc modelis var būt nenoteikts un tomēr noderīgs. Optimizācija izskaidro, kāpēc apmācība ir meklēšana ainavā, nevis dvēseles atklāšana. Kad šīs idejas ir saprastas, lasītājam ir izpratne par mašīnas uzvedību. Viņi, iespējams, nav gatavi ieviest katru algoritmu, bet viņi var pārstāt uztvert izvadi kā balsi no nekurienes.
Tas ir svarīgi organizācijās, jo politikas valoda bez matemātiskas intuīcijas kļūst trausla. Cilvēki lieto vārdus precizitāte, pārliecība, neobjektivitāte, risks un novirze tā, it kā tie būtu pašsaprotami. Tie nav. Precizitāte ir atkarīga no tā, kas tiek mērīts. Pārliecība var būt nepareizi kalibrēta. Neobjektivitāte var ienākt caur vēsturi, reprezentāciju, mērīšanu, apkopošanu, novērtēšanu, ieviešanu un atgriezeniskās saites cilpām. Novirze nozīmē, ka pasaule ir mainījusies zem modeļa. Tie ir vadības koncepti tikpat lielā mērā kā tehniski koncepti.
Pītera pieredze datu pārvaldībā šeit ir redzama. Dati nav degvielas kaudze, kas gaida modeli. Tiem ir izcelsme, īpašumtiesības, definīcijas, kvalitātes problēmas, atļaujas, saglabāšanas ierobežojumi un sociālā nozīme. Modelis, kas apmācīts uz vēsturiskiem datiem, var apgūt vēsturisko varu. Modelis, kas novērtēts uz ērta etalona, var palaist garām cilvēkus, kuriem tas patiesībā kalpos. Ground Truth nepārtraukti atgriež lasītāju pie šī pamata, jo nav atbildīgas AI pratības bez datu pratības.
Melnā kaste ir arī mācīšanas problēma
11. nodaļas materiāls par interpretējamību un melno kasti pieder pamatu grāmatai, jo necaurredzamība nav tikai pētniecības izaicinājums. Tas ir mācīšanas izaicinājums. Cilvēkiem ir jāzina atšķirība starp lokālu skaidrojumu, globālu skaidrojumu, kontrfaktuālu, uzmanības karti, pazīmju nozīmīguma rādītāju un cēloņsakarības apgalvojumu. Ja tie tiek sajaukti kopā, skaidrojums atkal kļūst par teatralitāti.
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.
Tāpēc grāmatas vingrinājumi ir svarīgi. Tie aicina lasītājus klasificēt sistēmas, nošķirt šauru un vispārīgu mākslīgo intelektu, analizēt, vai tērzēšanas robots saprot joku vai saliek kopā iespējamās vārdu virknes, izsekot savam mācību ceļam cauri nodaļām un piedāvāt testus mašīnas sapratnes pārbaudei. Tie nav skolas mājasdarbi. Tās ir mēģinājumi darbam. Katrs no šiem vingrinājumiem atbilst kādai sapulcei, kas kādam būs vēlāk.
Kas mainās pēc pēdējās nodaļas
Pēc Ground Truth pieaugušais mācību dalībnieks nedrīkst izklausīties kā pētnieks. Tas nav mērķis. Viņam vajadzētu izklausīties grūtāk apmānāmam. Viņam vajadzētu jautāt par saucēju aiz statistikas. Viņam vajadzētu pamanīt, kad pārdevējs saka inteliģence, bet domā automātisko teksta pabeigšanu. Viņam vajadzētu zināt, ka saskaņošana, drošība, regulējums, privātums, interpretējamība un vide pārklājas, bet nav viena un tā pati problēma. Viņam vajadzētu saprast, ka modelis vienlaikus var būt iespaidīgs, noderīgs, neobjektīvs, trausls, dārgs un vērts ieviest ierobežotā darba plūsmā.
Viņam vajadzētu būt arī mierīgākam. Lasītprasme mazina daļu panikas, jo mašīnai ir mehānismi. Tā mazina daļu ažiotāžas, jo mehānismiem ir robežas. Tā rada pieaugušāku attieksmi: zinātkāru, konkrētu, skeptisku un gatavu lietot rīkus, nenododot tiem savu spriestspēju.
Ground Truth galvenā vērtība nav tā, ka tā visiem dod vienādu viedokli par mākslīgo intelektu. Tā dod pietiekami kopīgu valodu, lai produktīvi nepiekristu. Viens var uztraukties par neobjektivitāti. Cits var uztraukties par izmaksām. Cits var uztraukties par datu īpašumtiesībām. Cits var saskatīt automatizācijas iespēju. Ja viņiem ir kopīgs pamats, domstarpības var kļūt par dizainu, nevis troksni.
Klusais pārbaudījums
Klusais pārbaudījums grāmatai par mākslīgā intelekta lasītprasmi ir tas, kas notiek nākamajā parastajā sapulcē. Bez prožektoru gaismas. Bez atklāšanas runas. Bez dramatiska uzvednes demonstrējuma uz liela ekrāna. Tikai komanda, kas izlemj, vai automatizēt darba plūsmu, iegādāties rīku, apstiprināt izmēģinājuma projektu, apmācīt darbiniekus vai piedāvāt modeli klientiem.
Pirms Ground Truth šī sapulce bieži grozās ap iespaidiem. Pēc Ground Truth kāds jautā, no kā sistēma mācās. Kāds jautā, ko tā ir tikai iegaumējusi. Kāds jautā, kas mainās, kad dati mainās. Kāds jautā, vai izvade ir pierādījums vai proza. Kāds jautā, kurš var pārsūdzēt. Kāds jautā, kāpēc sistēmai vispār ir atļauts rīkoties, ja tā nevar izskaidrot būtisko savas darba daļu. Nevienam no šiem jautājumiem nav vajadzīga teatralitāte. Tiem ir vajadzīga lasītprasme.
Tāpēc Ground Truth ir praktiska infrastruktūra. Tas ir neizskatīgais pamats zem pieauguša cilvēka spriestspējas par mākslīgo intelektu. Tā māca cilvēkiem skatīties cauri dūmu mašīnai, nosaukt mehānismu vārdā un paturēt atbildību cilvēku rokās. 2026. gadā tas nav trūkumu novēršana. Tas ir pats darbs.