Jon Friskics, Principal Technical Author, Pluralsight – Rozhovorová série

Jon Friskics, Principal Technical Author, Pluralsight, je zkušený pedagog a lídr v oblasti obsahu specializující se na vývoj softwaru a učení zaměřené na umělou inteligenci. V současné době vytváří odborně vedené video kurzy a praktické laboratoře pokrývající technologie jako Claude, Node.js, TypeScript, Tailwind CSS a Python, navazující na dlouhou kariéru ve společnosti, která zahrnuje seniorní autory, architekturu učení a vedení v oblasti školení a strategie kurikula. Předtím hrál klíčovou roli při vytváření škálovatelných, multimodálních systémů učení a při vedení tisíců tvůrců technického obsahu s využitím osvědčených postupů instruktivního designu, zatímco na počátku své kariéry vedl strategii obsahu ve společnosti Code School a učil širokou škálu technických předmětů na University of Central Florida, a tím vytvořil silný základ v oblasti vzdělávání i skutečného světa.

Pluralsight je přední platforma pro rozvoj technologických dovedností, která nabízí online kurzy, praktické laboratoře a hodnocení dovedností, aby pomohla jednotlivcům a organizacím budovat odbornost v oblastech, jako je vývoj softwaru, umělá inteligence, cloud computing a kybernetická bezpečnost. Založena v roce 2004, společnost se vyvinula v komplexní učební ekosystém, který používají podniky a profesionálové po celém světě, kombinující odborně vytvořený obsah s poznatky, aby uzavřely mezery ve dovednostech a urychily rozvoj pracovní síly v stále více technologicky orientované ekonomice.

Vaše kariéra zahrnuje interaktivní návrh kurikula, velké technické systémy učení a pokročilé vzdělávání v oblasti nástrojů pro umělou inteligenci. Jak tato pozadí ovlivnila váš pohled na to, proč je stále důležitá silná technická úsudek v éře kódování podporovaného umělou inteligencí?

Mé zkušenosti mi ukázaly, že silný technický úsudek je o více než jen psaní kódu. Je to o pochopení systémů a dlouhodobých důsledků. Umělá inteligence může automatizovat úkoly a vytvořit rámec, který vede k řešení, ale ne vždy chápe dopad rozhodnutí na uživatele nebo systémy způsobem, který je předvídatelný. Lidský úsudek zajišťuje, aby byla umělá inteligence použita tak, aby zvyšovala produktivitu bezpečně, technický úsudek je více hodnotný než kdykoli předtím, protože vede týmy k efektivnímu využití umělé inteligence při zachování kvality a spolehlivosti.

Pluralsight se dlouhodobě soustředí na uzavírání mezer ve technických dovednostech. Jak vidíte, jak se tato mise vyvíjí, nyní, když musí být dovednosti spolupráce s umělou inteligencí umístěny vedle tradičních základů vývoje softwaru?

Mise Pluralsightu je vybavit učitele základními technickými dovednostmi, které potřebují k úspěchu. Když se umělá inteligence stává spolupracovníkem při vývojových úkolech, tyto základy zůstávají nezbytné, ale týmy také potřebují pochopit, jak pracovat s umělou inteligencí odpovědně a ověřit její výstupy. I když může umělá inteligence generovat kód, nezastupuje potřebu kódovacích dovedností a může je dokonce zlepšit tím, že přidá pochopení pracovních postupů a systémového myšlení na stávající odbornost. Pluralsight pomáhá učencům budovat na stávajících základních dovednostech a zachovávat strategické myšlení prostřednictvím učebních řešení, která zahrnují kurzy na vyžádání, praktické laboratoře a workshopy vedené lidskými experty, které se vyvíjejí spolu s inovacemi v oblasti technologií.

Jaké konkrétní architektonické, nasazovací a manažerské dovednosti s rizikem si myslíte, že jsou nejvíce ohroženy, pokud se vývojáři stanou příliš závislí na kódu generovaném umělou inteligencí?

Vývojáři, kteří se příliš spoléhají na generování kódu umělou inteligencí a přijímají její výstup bez toho, aby se pokusili pochopit, co bylo vygenerováno, mohou oslabit své strategické dovednosti, jako je architektonické myšlení a hodnocení rizik, v průběhu času. Pochopení, jak komponenty interagují a navrhování pro spolehlivost, jsou schopnosti, které se učí prostřednictvím zkušeností v mnoha různých situacích. To znamená, že přílišná závislost na umělá inteligenci by mohla nejen vést k skrytým zranitelnostem a nestabilitě systému, ale také oslabit dlouhodobé schopnosti řešení problémů vývojářů, což by umožnilo, aby se tyto problémy staly nezjištěnými nebo nevyřešenými, až bude příliš pozdě.

Kde vidíte největší rozpor mezi tím, co tyto nástroje slibují, a tím, na co jsou inženýři skutečně připraveni ověřit nebo dohlížet, když se autonomní kódovací nástroje stávají populárními?

Pokračující vzdělávání je nezbytné pro inženýry, kteří pracují spolu s nástroji pro vývoj podporované umělou inteligencí a autonomními kódovacími systémy. Autonomní kódovací nástroje slibují rychlost a přesnost při generování funkčního kódu, ale postrádají pochopení interakcí systému, bezpečnosti a obchodního dopadu, a to znamená, že je třeba poskytnout chybějící kontext. Rozpor spočívá v předpokladu, že výstup umělá inteligence je kompletní nebo správný bez lidského dohledu. Když jsou ověřovací kroky vynechány nebo spěchány, týmy riskují, že zavedou drahé chyby, zranitelnosti zabezpečení nebo architektonické nesrovnalosti. To zdůrazňuje potřebu, aby inženýři neustále aktualizovali své dovednosti, aby mohli efektivně řídit a ověřovat práci generovanou umělou inteligencí.

Jak by měly společnosti přehodnotit své strategie dalšího vzdělávání, aby zajistily, že vývojáři vědí, kdy důvěřovat návrhům umělá inteligence a kdy zpomalit a aplikovat hlubší kontrolu?

Další vzdělávání by mělo zdůrazňovat znalost toho, kdy je výstup umělá inteligence spolehlivý, a kdy je třeba hlubší kontrolu, včetně testování scénářů a ověření podnětů. Tento přístup posiluje úsudek spolu s kódovacími dovednostmi, zajišťuje, aby inženýři mohli umělou inteligenci selektivně důvěřovat, místo aby se na ni příliš spoléhali. Programy pro rozvoj a vzdělávání, které poskytují strukturované, praktické učební zkušenosti, umožňují vývojářům experimentovat s pracovními postupy podporovanými umělou inteligencí, aby viděli, jak vygenerovaný kód funguje v plných aplikacích, a cvičit tento úsudek v sandboxovém prostředí. Díky tomu, že se spoléhají na odborné vedení a praktické cvičení, mohou inženýři lépe posílit kritické myšlení, které je nezbytné pro odpovědnou evaluaci výstupů generovaných umělou inteligencí.

V rychle se pohybujícím produktovém prostředí, jak mohou lídři inženýrů zabránit tomu, aby zkratky generované umělou inteligencí zavedly dlouhodobý technický dluh nebo zranitelnosti zabezpečení?

Lídři musí vynucovat rámce governance a hodnocení rizik pro kód generovaný umělou inteligencí. Zavedení silných hranic a auditování výstupů by mohlo pomoci zabránit dlouhodobému technickému dluhu a zranitelnostem zabezpečení. Navrhuji také vzdělávání vývojářů zaměřené na bezpečné postupy kódování a architektonické povědomí, aby zajistili, že jejich inženýři rozumí kompromisům za návrhy generované umělou inteligencí. Pravidelné praktické kontrolní cvičení a scénářově založené školení mohou pomoci snížit pravděpodobnost, že se zkratky nahromadí do skrytých systémových rizik.

Jaké praktické rámce nebo zábrany doporučujete organizacím přijmout, aby udržely kódování umělá inteligence jako spolupráci, a ne jako zátěž?

Nástroje, které nejlépe fungují pro tento účel, jsou nové protokoly pro kontrolu, sledování verzí a sandboxované experimenty s umělou inteligencí. Využití metrik, rámců pro pozorovatelnost a hodnocení will pomůže týmům sledovat kvalitu výstupu a posílit odpovědnou spolupráci, aby se zajistilo, že umělá inteligence je partnerem v produktivitě, a ne zátěží. Je také cenné, aby organizace prozkoumaly pracovní postupy podporované umělou inteligencí, aby pochopily schopnosti a omezení těchto nástrojů pro specifické potřeby svých týmů. Tyto postupy pomohou týmům vyvinout úsudek potřebný pro efektivní integraci návrhů umělá inteligence bez ohrožení kvality kódu nebo stability systému.

Copak odlišuje vývojáře, kteří budou prosperovat v budoucnosti obohacené umělou inteligencí, od těch, kteří mohou mít potíže s přizpůsobením?

Vývojáři, kteří vynikají v budoucnosti obohacené umělou inteligencí, budou kombinovat silné základní dovednosti s úsudkem, adaptabilitou a systémovým myšlením. Rozumí, kdy důvěřovat umělá inteligenci, kdy zasáhnout a nasměrovat ji, a jak se výstupy zapadají do širšího systému. Ti, kteří mohou mít potíže, se mohou příliš spoléhat na automatizaci, postrádat zkušenosti s okrajovými případy nebo selhat při ověřování výsledků, a tím riskují chyby pro svou organizaci a ztrácí cenné učební příležitosti, které posilují odbornost vývojáře po celou kariéru. Pokračující vzdělávání a praktické experimenty s pracovními postupy podporovanými umělou inteligencí pomohou vývojářům tyto dovednosti vylepšit v kratším časovém rámci a zůstat efektivní, jak se nástroje pro kódování umělá inteligence vyvíjejí.

Děkuji za skvělý rozhovor, čtenáři, kteří si přejí dozvědět se více, by měli navštívit Pluralsight.