Jon Friskics, Principal Technical Author, Pluralsight – Interview Series

Jon Friskics, Principal Technical Author, Pluralsight, je zkušený pedagog a lídr v oblasti obsahu specializující se na software development a AI zaměřené vzdělávací zkušenosti. V současné době vytváří odborně vedené video kurzy a praktické laboratoře pokrývající technologie, jako je Claude, Node.js, TypeScript, Tailwind CSS a Python, navazující na dlouhou kariéru uvnitř společnosti, která zahrnuje seniorní autorství, architekturu učení a vedení v oblasti školení a strategie kurikula. Předtím hrál klíčovou roli při formování škálovatelných, multimodálních učících systémů a při vedení tisíců tvůrců technického obsahu na základě praktických instrukčních designových postupů, zatímco na počátku své kariéry vedl strategii obsahu ve firmě Code School a učil širokou škálu technických předmětů na University of Central Florida, zakládající silný základ v oblasti vzdělávání i reálného vývoje.

Pluralsight je vedoucí platforma pro rozvoj technologických dovedností, která poskytuje online kurzy, praktické laboratoře a hodnocení dovedností, aby pomohla jednotlivcům a organizacím získat odbornost v oblastech, jako je software development, AI, cloud computing a kybernetická bezpečnost. Založena v roce 2004, společnost se vyvinula v komplexní učící ekosystém, který používají podniky a profesionálové po celém světě, kombinující odborně vytvořený obsah s přehledy, aby uzavřely mezery ve dovednostech a urychlit rozvoj pracovní síly v stále více technologicky orientované ekonomice.

Vaše kariéra zahrnuje interaktivní návrh kurikula, velké technické učící systémy a pokročilé AI nástroje pro vzdělávání. Jak vám tato zkušenost formovala perspektivu na to, proč stále záleží na silném inženýrském úsudku v éře AI asistovaného kódování?

Mé zkušenosti mi ukázaly, že silný inženýrský úsudek je o více než jen psaní kódu. Je to o pochopení systémů a dlouhodobých důsledků. AI 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, že AI je používán k bezpečnému zvýšení produktivity, Inženýrský úsudek je cennější než kdykoli dříve, protože vede týmy k efektivnímu využití AI při zachování kvality a spolehlivosti.

Pluralsight se dlouhodobě zaměřuje na uzavírání technických mezer ve dovednostech. Jak vidíte vývoj této mise nyní, kdy musí dovednosti spolupráce s AI stát vedle tradičních základů software developmentu?

Mise Pluralsight spočívá v tom, aby seřadila učíte s základními technickými dovednostmi, které potřebují k úspěchu. Když se AI stává spolupracovníkem při vývojových úkolech, tyto základy zůstávají nezbytné, ale týmy také potřebují pochopit, jak pracovat s AI zodpovědně a ověřit jeho výstupy. I když AI může generovat kód, nezastupuje potřebu kódovacích dovedností a může je dokonce posílit tím, že přidá pochopení pracovních postupů a systémového myšlení na stávající odbornost. Pluralsight pomáhá učiteli budovat na stávajících základních dovednostech a udržovat strategické myšlení prostřednictvím učících se řešení, která zahrnují kurzy na vyžádání, praktické laboratoře a workshopy vedené lidskými experty, které se vyvíjejí spolu s inovacemi technologií.

Jaké konkrétní architektonické, nasazovací a manažerské dovednosti riskujete, pokud se vývojáři stanou příliš závislými na kódu generovaném AI?

Vývojáři, kteří se příliš spoléhají na generování kódu AI a přijímají jeho výstup bez toho, aby se pokusili pochopit, co bylo vygenerováno, mohou oslabit své strategické dovednosti, jako je architektonické myšlení a hodnocení rizik, s časem. 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 AI může nejen vést k skrytým zranitelnostem a nestabilitě systému, ale také oslabit dlouhodobé schopnosti řešení problémů vývojářů, umožňující, aby tyto problémy zůstaly nezpozorované nebo nevyřešené, dokud nebude příliš pozdě.

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

Pro inženýry je kontinuální učení nezbytné, když pracují spolu s AI asistovanými vývojovými nástroji a autonomními kódovacími systémy. Autonomní kódovací nástroje slibují rychlost a přesnost při generování funkčního kódu, ale chybí jim pochopení systémových interakcí, bezpečnosti a obchodního dopadu, a to znamená, že musíte poskytnout chybějící kontext. Nesoulad spočívá v předpokladu, že výstup AI je kompletní nebo správný v nepřítomnosti lidského dohledu. Když jsou ověřovací kroky vynechány nebo spěchány, týmy riskují, že zavlečou drahé chyby, zranitelnosti zabezpečení nebo architektonické nesrovnalosti. To zdůrazňuje potřebu, aby inženýři kontinuálně aktualizovali své dovednosti, aby mohli účinně spravovat a ověřovat práce generované AI.

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

Další vzdělávání by mělo zdůrazňovat znalost, kdy je výstup AI spolehlivý, a kdy je potřeba hlubší kontrola, včetně testování scénářů a ověření podnětů. Tento přístup posiluje úsudek spolu s kódovacími dovednostmi, zajišťuje, že inženýři mohou AI důvěřovat selektivně, spíše než se na něj příliš spoléhat. Programy L&D, které poskytují strukturované, praktické učící zkušenosti, umožňují vývojářům experimentovat s AI asistovanými pracovními postupy, aby viděli, jak se vygenerovaný kód chová v plných aplikacích, a cvičit tento úsudek v sandboxovém prostředí. Díky spoléhání se na odborně vedenou instrukci a praktické cvičení mohou inženýři lépe posílit kritické myšlení, které je nezbytné pro odpovědné hodnocení výstupů AI.

V rychle se pohybujícím produktovém prostředí, jak mohou lídři inženýrství zabránit tomu, aby zkratky generované AI vedly k dlouhodobému technickému dluhu nebo zranitelnostem zabezpečení?

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

Jaké praktické rámce nebo ochranné prvky doporučujete organizacím přijmout, aby udržely kódování AI jako spolupráci, spíše než zátěž?

Nástroje, které pro to fungují nejlépe, jsou nové protokoly kontrol, sledování verzí a sandboxované experimenty s AI. Využívání metrik, rámců pro pozorovatelnost a hodnocení bude pomáhat týmům sledovat kvalitu výstupu a posilovat odpovědnou spolupráci, aby se zajistilo, že AI je partnerem produktivity, spíše než zátěží. Je také cenné, aby organizace prozkoumaly AI asistované pracovní postupy, aby pochopily schopnosti a omezení těchto nástrojů pro specifické potřeby svých týmů. Tyto postupy pomohou týmům rozvinout úsudek potřebný k efektivní integraci návrhů AI bez ohrožení kvality kódu nebo stability systému.

Pohledem do budoucnosti, co odlišuje vývojáře, kteří budou prosperovat v AI posílené budoucnosti, od těch, kteří mohou mít problém se přizpůsobit?

Vývojáři, kteří vynikají v AI posílené budoucnosti, budou kombinovat silné základní dovednosti s úsudkem, adaptabilitou a systémovým myšlením. Rozumí, kdy důvěřovat AI, kdy zasáhnout a směrovat ji, a jak výstupy zapadají do širšího systému. Ti, kteří budou mít problém, se mohou příliš spoléhat na automatizaci, postrádat zkušenosti s edge případy nebo selhat při ověřování výsledků, riskují chyby pro svou organizaci a zmeškávají cenné učící se příležitosti, které posilují odbornost vývojáře po celou rigorózní kariéru. Kontinuální učení a praktické experimenty s AI asistovanými pracovními postupy pomohou vývojářům tyto dovednosti v krátkém časovém rámci a zůstat efektivní, jak se AI kódovací nástroje vyvíjejí.

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