Jon Friskics, Principal Technical Author, Pluralsight – Intervieuserie

Jon Friskics, Principal Technical Author, Pluralsight, er en erfaren underviser og indholdsleder, der specialiserer sig i softwareudvikling og AI-fokuserede læringsoplevelser. I sin nuværende stilling skaber han ekspertledede video kurser og hånd-til-hånd-laboratorier, der dækker teknologier som Claude, Node.js, TypeScript, Tailwind CSS og Python, og bygger på en lang karriere inden for virksomheden, der omfatter seniorforfatter, læringsarkitektur og ledelse af uddannelse og kurriculumstrategi. Før dette spillede han en nøglerolle i udformningen af skalerbare, multi-modale læringsystemer og guidning af tusinder af tekniske indholdsskabere med evidensbaserede instruktionsdesignpraktikker, mens han tidligere i sin karriere ledede indholdstrategi på Code School og underviste i en bred vifte af tekniske emner på University of Central Florida, og etablerede en stærk grundlag i både uddannelse og virkelystudvikling.

Pluralsight er en ledende platform for tekniske færdighedsudvikling, der tilbyder online kurser, hånd-til-hånd-laboratorier og færdighedsbedømmelser for at hjælpe enkeltpersoner og organisationer med at bygge ekspertise inden for områder som softwareudvikling, AI, cloud computing og cybersikkerhed. Grundlagt i 2004 er virksomheden udviklet til en omfattende læringsøkosystem, der bruges af virksomheder og fagfolk verden over, og kombinerer ekspert-forfattet indhold med indsigt for at lukke færdigheds huller og accelerere arbejdsstyrkeudvikling i en stadig mere teknologi-dreven økonomi.

Din karriere omfatter interaktiv kurriculumdesign, stor skala teknisk læringsystemer og avanceret AI-værktøjsuddannelse. Hvordan har den baggrund formet din perspektiv på, hvorfor stærk ingeniørdom stadig er vigtig i en æra med AI-assisteret kodning?

Min erfaring har vist mig, at stærk ingeniørdom handler om mere end at skrive kode. Det handler om at forstå systemer og langsigtede konsekvenser. AI kan automatisere opgaver og skabe en ramme, der fører til løsninger, men det griber ikke altid fat i virkningerne af beslutninger på brugere eller systemer på måder, der er forudsigelige. Menneskelig dom garanterer, at AI bruges til at øge produktiviteten sikkert, og ingeniørdom er mere værdifuld end nogensinde, da den guider hold til at udnytte AI effektivt samtidig med, at man opretholder kvalitet og pålidelighed.

Pluralsight har længe fokuseret på at lukke tekniske færdighedshuller. Hvordan ser du, at den mission udvikler sig nu, hvor AI-samarbejdskompetencer skal sidde sammen med traditionelle softwareudviklingsfundament?

Pluralsights mission er at udstyre lærere med de grundlæggende tekniske færdigheder, de har brug for for at lykkes. Da AI bliver en samarbejdspartner i udviklingstasks, forbliver disse fundamentale færdigheder essentielle, men holdene har også brug for at forstå, hvordan de kan arbejde med AI på en ansvarlig måde og validere dens output. Selv om AI kan generere kode, erstatter det ikke behovet for kodningsfærdigheder, og det kan forbedre dem ved at lagre workflow-forståelse og systemtænkning oven på eksisterende ekspertise. Pluralsight hjælper lærere med at bygge på eksisterende grundlæggende færdigheder og opretholde strategisk tænkning gennem læringsløsninger, der inkluderer on-demand-kurser, hånd-til-hånd-laboratorier og menneske-ekspert-ledede workshops, der udvikler sig sammen med teknologiske innovationer.

Hvilke specifikke arkitektoniske, implementerings- og risikostyringsfærdigheder tror du er mest udsat, hvis udviklere bliver for afhængige af AI-genereret kode?

Udviklere, der er for afhængige af AI-kodegenerering og accepterer dens output uden at tage sig tid til at forstå, hvad der er genereret, kan ende med at svække deres strategiske færdigheder som arkitektur-tænkning og risikovurdering over tid. At forstå, hvordan komponenter interagerer, og designe for pålidelighed er færdigheder, der er tilegnede gennem erfaring i mange forskellige situationer. Dette betyder, at for stor afhængighed af AI kan føre til skjulte sårbarheder og systemustabilitet, og kan også svække udviklerens langsigtede problemløsningsfærdigheder, så disse problemer kan forblive uopdagede eller uløste, indtil det er for sent.

Da autonome kodningsværktøjer vinder frem, hvor ser du den største afbrydelse mellem, hvad disse værktøjer lover, og hvad ingeniører faktisk er parat til at validere eller overvåge?

Kontinuerlig læring er afgørende for ingeniører, mens de arbejder sammen med AI-assisterede udviklingværktøjer og autonome kodningssystemer. Autonome kodningsværktøjer lover hastighed og præcision i generering af funktionsdygtig kode, men de mangler forståelse for systeminteraktioner, sikkerhed og forretningsvirkning, og det betyder, at du skal give den manglende kontekst. Afbrydelsen ligger i antagelsen af, at AI-output er komplet eller korrekt i fravær af menneskelig overvågning. Når valideringstrinene springes over eller skyndes, risikerer holdene at introducere dyre fejl, sikkerhedssårbarheder eller arkitektoniske inkonsistenser. Dette understreger behovet for, at ingeniører kontinuerligt opdaterer deres færdigheder, så de kan effektivt styre og validere AI-genereret arbejde.

Hvordan bør virksomheder omstrukturere deres opkvalificeringsstrategier for at sikre, at udviklere ved, hvornår de skal stole på AI-forslag og hvornår de skal sænke farten og anvende dybere gennemgang?

Opkvalificering bør fokuserer på at vide, hvornår AI-output er pålidelig, og hvornår dybere gennemgang er nødvendig, herunder scenarie-testning og prompt-validering. Denne tilgang understreger dom sammen med kodningsfærdigheder, og sikrer, at ingeniører kan stole på AI selektivt i stedet for at overafhænge af genereret kode. L&D-programmer, der tilbyder strukturerede, hånd-til-hånd-læringsoplevelser, giver udviklere mulighed for at eksperimentere med AI-assisterede arbejdsprocesser for at se, hvordan genereret kode opfører sig inden for fulde applikationer, og øve denne dom i en sandkasse-miljø. Ved at læne sig op ad både ekspert-ledet instruktion og praktiske øvelser kan ingeniører bedre styrke de kritiske tænkningfærdigheder, der er nødvendige for at evaluere AI-genereret output ansvarligt.

I hurtigt bevægelige produktmiljøer, hvordan kan tekniske ledere forhindre, at AI-genererede genveje introducerer langsigtede tekniske gæld eller sikkerhedssårbarheder?

Ledere skal gennemtvinge reguleringsrammer og risikovurdering for AI-genereret kode. At etablere stærke grænser og gennemgå output kan hjælpe med at forhindre langsigtede tekniske gæld og sikkerhedssårbarheder. Jeg ville også foreslå udvikleruddannelse fokuseret på sikker kodning og arkitekturbevidsthed for at sikre, at deres udviklere forstår kompromiserne bag AI-genererede forslag. Regelmæssige hånd-til-hånd-gennemgangsøvelser og scenariebaseret træning kan hjælpe med at reducere sandsynligheden for, at genveje akkumulerer til skjulte systemrisici.

Hvilke praktiske rammer eller sikkerhedsforanstaltninger anbefaler du, at organisationer adopterer for at holde AI-kodning som en samarbejdspartner i stedet for en byrde?

De værktøjer, der fungerer bedst til dette, er nye gennemgangsprotokoller, versionskontrolspor og sandkasse-eksperimenter med AI. At udnytte metrikker, overvågningsrammer og vurderinger kan hjælpe hold med at spore outputkvalitet og understrege ansvarlig samarbejde for at sikre, at AI er en partner i produktivitet i stedet for en byrde. Det er også værdifuldt for organisationer at udforske AI-assisterede arbejdsprocesser for at forstå kapaciteterne og begrænsningerne af disse værktøjer til deres holds unikke behov. Disse praksisser vil hjælpe hold med at udvikle den dom, der er nødvendig for at integrere AI-forslag effektivt uden at kompromittere kodkvalitet eller systemstabilitet.

Settende fremad, hvad adskiller udviklere, der vil trives i en AI-forstærket fremtid, fra dem, der måske har svært ved at tilpasse sig?

Udviklere, der excellerer i en AI-forstærket fremtid, vil kombinere stærke grundlæggende færdigheder med dom, tilpasningsevne og systemtænkning. De forstår, hvornår de skal stole på AI, hvornår de skal gribe ind for at guide og omdirigere det, og hvordan output passer ind i det bredere system. De, der har svært ved at tilpasse sig, kan være for afhængige af automatisering, mangle erfaring med kanttilfælde eller ikke validere resultater, og det kan føre til fejl for deres organisation og gå glip af de værdifulde læringsmuligheder, der styrker en udviklers ekspertise gennem en streng karriere. Kontinuerlig læring og hånd-til-hånd-eksperimenter med AI-assisterede arbejdsprocesser vil hjælpe udviklere med at skærpe disse færdigheder på en kortere tid og forblive effektive, mens AI-kodningsværktøjerne udvikler sig.

Tak for det gode interview, læsere, der ønsker at lære mere, kan besøge Pluralsight.