Sanning och det hårda arbetet med AI-kunskap
Rummet före prompten
Den första frågan i en AI-kurs för vuxna är sällan teknisk. Den kommer oftast som en berättelse. Någon har ett team som använder en chattbot för sammanfattningar. Någon annan har en leverantör som lovar automatiska beslut. En chef har hört att agenter kan ta hand om det tråkiga arbetet. En dataförvaltare är orolig eftersom ingen kan säga vilken källa som är auktoritativ. Rummet är fullt av kompetenta människor, men deras ordförråd har byggts upp av rubriker, demonstrationer, upphandlingspresentationer och några sena kvällar med det verktyg som råkat vara på modet den månaden.
Det är det rummet Ground Truth är skriven för. Inte för barn. Inte för passiva nybörjare. För vuxna som redan bär på ansvar, budget, yrkesminne och konsekvenser. De behöver ingen föreställning om framtiden. De behöver ett sätt att ställa skarpare frågor utan att skämmas av maskineriet. De behöver veta varför AI känns som magi, varför den känslan är missvisande, varför ett system kan vara användbart utan att vara människolikt, och varför data, sannolikhet, validering, prompts, bias och styrning inte är separata samtal.
Peter Vieveen har undervisat i den typen av rum i åratal. Hans biografi i boken är inte dekorativ text: neurala nätverk sedan 1990-talet, datahantering och styrning, integritet, utbildning, DAMA Netherlands, Hogeschool Utrecht, CIBIT Academy. Den historien spelar roll eftersom AI-kunnighet inte är en lista med trendiga termer. Det är vanan att sakta ner precis tillräckligt för att märka vilken typ av system du har att göra med innan du köper, bygger, reglerar, litar på eller fruktar det.
Varför introducerande är fel löfte
Källsidan kallar Ground Truth en nybörjarkarta över idéerna, verktygen och avvägningarna bakom modern AI. Det är korrekt, men ordet nybörjare är lätt att missförstå. Nybörjare kan låta obetydligt, som om boken vore en förenklad rundtur innan de riktiga proffsen kliver in. I praktiken är grundmaterial ofta det svåraste materialet att undervisa i, eftersom det måste korrigera samtalets form, inte bara lägga till fakta till det.
En person kan använda en chattbot varje dag och ändå blanda ihop automatisering med lärande. De kan skriva prompts och ändå missa skillnaden mellan ett system som följer regler och ett system som extraherar mönster ur exempel. De kan läsa en instrumentpanel och ändå inte fråga om testsetet hölls undan, om modellen har memorerat, om datan representerar populationen, eller om utdata är en förutsägelse, en rangordning, en genererad fortsättning eller ett beslut som någon annan har valt att agera på.
Det är därför Ground Truth inte är en uppsamlingskurs. Det är kunnighet. Kunnighet är inte förmågan att rabbla alfabetet. Det är förmågan att läsa ett avtal, märka vad som saknas och vägra en mening som gömmer bördan i fotnoterna. AI-kunnighet fungerar på samma sätt. Den ger människor tillräcklig strukturell förståelse för att stå emot teater. När det väl händer förändras rummet. Den imponerande demonstrationen är fortfarande imponerande, men den äger inte längre samtalet.
Peters stilla metod
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.
Därifrån når trappan inlärningsproblemet. Kapitel 3 använder skillnaden mellan att lära sig och att memorera som ett centralt test. En modell som presterar bra på träningsdata men misslyckas på nya exempel har inte lärt sig strukturen; den har memorerat övningsboken. Vuxna förstår detta omedelbart eftersom de har sett det hos människor. Eleven som kommer ihåg svaren men inte kan lösa ett nytt problem är bekant. Samma mönster i maskiner kallas överanpassning, och plötsligt blir en teknisk term ett användbart omdöme.
När läsaren når transformatorer har boken förtjänat rätten att introducera attention. Attention presenteras inte som helig vokabulär. Det är mekanismen som låter en token samla information från andra tokens i kontexten. Query, key och value är inte magiska stavelser; de är inlärda projektioner som dirigerar information. Kostnaden växer med sekvenslängden eftersom attention-poängen jämför positioner mot positioner. Den observationen förklarar så småningom varför lång kontext, agenter som läser stora kodbaser och hämtningsarbetsflöden blir ingenjörsfrågor snarare än marknadsföringspåståenden.
En dag med AI, utan rökridåer
En av de mest användbara passagerna i grundkapitlet handlar inte alls om frontmodeller. Den går igenom en vanlig dag: upplåsning av telefon, e-postfiltrering, röstassistent, filhållningsassistans, navigering, sökning, översättning, fotobearbetning, rekommendationer, bedrägerikontroller i banken, sömnspårning. Poängen är inte att imponera på läsaren med allestädesnärvaro. Poängen är att göra tekniken tillräckligt vardaglig för att kunna granskas.
När AI blir vardaglig blir samtalet bättre. En yrkesperson kan säga: det här systemet klassificerar, det här rangordnar, det här förutsäger, det här genererar, det här hämtar, det här dirigerar. De kan fråga vilken data som tränade det, vilken data det ser nu, vad det optimerar för, hur fel mäts och vem som bär kostnaden när det misslyckas. Systemet har inte blivit mindre kraftfullt. Det har blivit mindre teatraliskt.
Det spelar roll eftersom teater är dyr. En köpare som behandlar AI som ett sinne kommer att fråga om det är smart. En köpare som behandlar det som mönsterinlärningsprogramvara kommer att fråga vilka exempel det lärde sig från, var mönstren bryts, om uppgiften är mätbar och om resultatet kan verifieras. Den andra köparen är mindre rolig på en lanseringsevent och mycket mer användbar när fakturan kommer.
Vuxenproblemet är inte tillgång
Vuxenproblemet 2026 är inte tillgång till AI. Tillgång finns överallt. Problemet är tolkning. Människor kan producera text, bilder, sammanfattningar, kodförslag, sökrapporter och mötesanteckningar snabbare än de kan bedöma dem. Flaskhalsen flyttades från generering till diskriminering. Ground Truth är värdefullt eftersom det tränar diskriminering.
Den träningen börjar med smal AI. Källtexten är rak: allt du någonsin har använt är smal AI. Den timerinställande assistenten kan inte spela schack. Schackmotorn kan inte känna igen ditt ansikte. En chattbot kan skriva ett övertygande svar, men den blir inte ett allmänt sinne för att svaret är övertygande. Denna distinktion skyddar båda sidor av samtalet. Den förhindrar underskattning, eftersom smal AI fortfarande kan vara kommersiellt och socialt kraftfull. Den förhindrar överskattning, eftersom styrka i en uppgift inte innebär allmän kompetens.
Det förändrar också hur människor tänker om agenter. När ett system går från verktyg till aktör är risken inte att det plötsligt blir en person. Risken är att det kan planera, anropa verktyg, skriva filer, skicka meddelanden eller utlösa arbetsflöden samtidigt som det fortfarande är ett mönsterbaserat system med felfall. Läskunnighet gör den meningen möjlig. Utan läskunnighet pendlar rummet mellan panik och säljentusiasm. Med läskunnighet kan rummet diskutera auktoritet, behörigheter, loggar, eskalering och gränser.
Bokens praktiska kapitel gör samma poäng i en annan tonart. Inferens sker en token i taget. Temperatur ändrar sannolikhetsfördelningen. Top-K- och top-P-provtagning formar vilka token som är nåbara. En systemprompt ändrar beteendet, men den är ingen naturlag. Retrieval kan förankra ett svar, men det väcker frågor om uppdelning i segment, källkvalitet, rangordning och inaktuella dokument. Det här är inga nybörjardetaljer. Det är detaljerna som avgör om ett professionellt arbetsflöde överlever kontakt med verkligheten.
Matematik som medborgerlig infrastruktur
Många kommer till AI-utbildning med ett försvarsperspektiv på matematik. De minns skolan, grindar, förödmjukelse, prov eller känslan av att den intressanta världen gömdes bakom notation. Ground Truth tar en bättre väg. Den låtsas inte att matematik är onödig, och den använder inte matematik som en statussymbol. Den behandlar matematik som medborgerlig infrastruktur för AI-kunnighet.
Vektorer förklarar varför text, bilder och användare kan representeras som punkter och riktningar. Kalkyl förklarar hur en modell kan justera sig genom att mäta fel och röra sig nedför. Sannolikhet förklarar varför en modell kan vara osäker och ändå användbar. Optimering förklarar varför träning är ett sökande genom ett landskap, inte upptäckten av en själ. När dessa idéer landar har läsaren ett grepp om maskinens beteende. De kanske inte är redo att implementera varje algoritm, men de kan sluta behandla resultatet som en röst från ingenstans.
Detta är viktigt i organisationer eftersom policyformuleringar utan matematisk intuition blir sköra. Människor säger noggrannhet, konfidens, bias, risk och drift som om orden vore självförklarande. Det är de inte. Noggrannhet beror på vad som mäts. Konfidens kan vara felkalibrerad. Bias kan komma in genom historia, representation, mätning, aggregering, utvärdering, driftsättning och återkopplingsslingor. Drift innebär att världen förändrades under modellen. Detta är ledningskoncept lika mycket som tekniska koncept.
Peters bakgrund inom datahantering syns här. Data är inte en hög med bränsle som väntar på en modell. Den har ursprung, ägande, definitioner, kvalitetsproblem, behörigheter, lagringsbegränsningar och social betydelse. En modell som tränats på historisk data kan lära sig historisk makt. En modell som utvärderats på ett bekvämt riktmärke kan missa de människor den faktiskt ska tjäna. Ground Truth för läsaren tillbaka till den marken gång på gång, för det finns ingen ansvarsfull AI-kunnighet utan datakunnighet.
Den svarta lådan är också ett undervisningsproblem
Kapitel 11:s material om tolkningsbarhet och den svarta lådan hör hemma i en grundbok eftersom opacitet inte bara är en forskningsutmaning. Det är en undervisningsutmaning. Människor behöver veta skillnaden mellan en lokal förklaring, en global förklaring, en kontrafaktisk, en uppmärksamhetskarta, en poäng för funktionsbetydelse och ett kausalt påstående. Om dessa blandas ihop blir förklaringen teater igen.
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.
Det är därför övningarna i boken spelar roll. De ber läsarna att klassificera system, skilja smal AI från generell AI, analysera om en chattbot förstår ett skämt eller sätter samman sannolika ordmönster, följa sin egen inlärningsväg genom kapitlen och föreslå tester för maskinförståelse. Det här är inga skoluppgifter. Det är repetition inför arbetslivet. Var och en av dessa övningar motsvarar ett möte som någon kommer att ha senare.
Vad som förändras efter det sista kapitlet
Efter Ground Truth ska den vuxna läsaren inte låta som en forskare. Det är inte målet. De ska låta svårare att lura. De ska fråga efter nämnaren bakom en statistik. De ska lägga märke till när en leverantör säger intelligens men menar autokomplettering. De ska veta att anpassning, säkerhet, reglering, integritet, tolkningsbarhet och miljö överlappar men inte är samma problem. De ska förstå att en modell kan vara imponerande, användbar, partisk, bräcklig, dyr och värd att driftsätta i ett begränsat arbetsflöde på en och samma gång.
De ska också vara lugnare. Läskunnighet tar bort en del panik eftersom maskinen har mekanismer. Den tar bort en del hype eftersom mekanismerna har begränsningar. Den skapar en mer vuxen hållning: nyfiken, specifik, skeptisk och villig att använda verktyg utan att överlämna omdömet till dem.
Det slutliga värdet av Ground Truth är inte att den ger alla samma åsikt om AI. Den ger dem tillräckligt med gemensamt språk för att kunna vara oense på ett produktivt sätt. En person kan oroa sig för partiskhet. En annan kan oroa sig för kostnad. En annan kan oroa sig för dataägande. En annan kan se en automationsmöjlighet. Om de delar grunden kan oenigheten bli design i stället för brus.
Det tysta testet
Det tysta testet av en bok om AI-kunnighet är vad som händer på nästa vanliga möte. Ingen strålkastare. Ingen keynote. Ingen dramatisk prompt på en stor skärm. Bara ett team som beslutar om de ska automatisera ett arbetsflöde, köpa ett verktyg, godkänna en pilot, utbilda personal eller exponera en modell för kunder.
Före Ground Truth kretsar det mötet ofta kring intryck. Efter Ground Truth frågar någon vad systemet lär sig från. Någon frågar vad det bara har memorerat. Någon frågar vad som ändras när datan skiftar. Någon frågar om resultatet är bevis eller prosa. Någon frågar vem som kan överklaga. Någon frågar varför systemet över huvud taget får agera när det inte kan förklara den relevanta delen av sitt arbete. Ingen av dessa frågor kräver teater. De kräver läskunnighet.
Det är därför Ground Truth är praktisk infrastruktur. Det är den oglamorösa grunden under vuxet AI-omdöme. Den lär människor att se bortom rökridån, namnge mekanismen och behålla ansvaret i mänskliga händer. År 2026 är det inte grundläggande. Det är själva arbetet.