Jon Friskics, Principal Technical Author, Pluralsight – Interview Serie

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 praktiske 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 i træning og kurriculumstrategi. Før dette spillede han en nøglerolle i udformningen af skalerbare, multi-modale lærningssystemer og vejledning af tusinder af tekniske indholdsskabere med bevisbaserede 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 dermed en stærk grundlag i både uddannelse og virkelystudvikling.

Pluralsight er en førende teknologi til udvikling af færdigheder, der tilbyder onlinekurser, praktiske laboratorier og færdighedsbedømmelser for at hjælpe enkeltpersoner og organisationer med at opbygge ekspertise inden for områder som softwareudvikling, AI, cloud computing og cybersikkerhed. Selskabet blev grundlagt i 2004 og er udviklet til et omfattende læringsøkosystem, der bruges af virksomheder og professionelle verden over, og kombinerer ekspertforfattet indhold med indsigt for at lukke færdigheds Huller og accelerere arbejdsstyrkeudvikling i en stadig mere teknologidreven økonomi.

Din karriere spænder over interaktiv kurriculumdesign, store tekniske lærningssystemer og avanceret AI-værktøjsundervisning. Hvordan har denne 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 konsekvenserne af beslutninger på brugere eller systemer på måder, der er forudsigelige. Menneskelig dom garanterer, at AI bruges til at øge produktiviteten på en sikker måde, og ingeniørdom er mere værdifuld end nogensinde, da den vejleder 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 denne mission udvikler sig nu, hvor AI-samarbejdssfærdigheder 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, praktiske laboratorier og menneskeledede workshops, der udvikler sig sammen med teknologiske innovationer.

Hvilke specifikke arkitektoniske, implementerings- og risikostyringsfærdigheder tror du, er mest udsat for, 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 og risikovurdering over tid. Forståelse af, hvordan komponenter interagerer, og design til pålidelighed er færdigheder, der læres gennem erfaring i mange forskellige situationer. Dette betyder, at overafhængighed af AI ikke kun kan føre til skjulte sårbarheder og systeminstabilitet, men også kan svække udviklerens langsigtede problemløsningsfærdigheder, så problemerne kan gå ubemærket hen eller forblive uløste, indtil det er for sent.

Hvor ser du den største afkobling mellem, hvad disse værktøjer lover, og hvad ingeniører faktisk er parat til at validere eller overvåge?

Kontinuerlig læring er afgørende for ingeniører, da de arbejder sammen med AI-assisterede udviklingstools og autonome kodningssystemer. Autonome kodningstools lover hastighed og nøjagtighed i generering af funktionsdygtig kode, men de mangler forståelse for systeminteraktioner, sikkerhed og forretningsimpact, og det betyder, at du skal levere den manglende kontekst. Afkoblingen ligger i antagelsen af, at AI-output er komplet eller korrekt i fravær af menneskelig overvågning. Når valideringstrinene springes over eller hastiges, 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 virksomhederne omstrukturere deres opkvalificeringsstrategier for at sikre, at udviklere ved, hvornår de kan stole på AI-forslag, og hvornår de skal gå langsommere og anvende en dybere gennemgang?

Opkvalificering bør fokusere på at vide, hvornår AI-output er pålidelig, og hvornår en dybere gennemgang er nødvendig, herunder scenarie-test og prompt-validering. Denne tilgang understreger dom sammen med kodningsfærdigheder, så ingeniører kan stole på AI selektivt i stedet for at overafhænge af genereret kode. L&D-programmer, der tilbyder struktureret, praktisk læring, giver udviklere mulighed for at eksperimentere med AI-assisterede arbejdsprocesser for at se, hvordan genereret kode opfører sig i fulde applikationer, og udøve denne dom i en sandkasse-miljø. Ved at læne sig op ad både ekspertledet undervisning og praktiske øvelser kan ingeniører styrke de kritiske tænkningsevner, der er nødvendige for at evaluere AI-genererede output ansvarligt.

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

Ledere skal gennemtvinge styre- og risikovurderingsrammer for AI-genereret kode. Etablering af stærke grænser og gennemgang af output kan hjælpe med at forhindre langsigtede tekniske gæld og sikkerhedssårbarheder. Jeg ville også foreslå udvikleruddannelse fokuseret på sikker kodning og arkitektonisk bevidsthed for at sikre, at deres udviklere forstår kompromiserne bag AI-genererede forslag. Regelmæssige praktiske 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 et samarbejde og ikke en byrde?

De værktøjer, der fungerer bedst til dette, er nye gennemgangsprotokoller, versionskontrolsporings- og sandkasse-eksperimenter med AI. Udvikling af metrikker, overvågningsrammer og evalueringer vil hjælpe hold med at spore outputkvalitet og understrege ansvarligt samarbejde for at sikre, at AI er en partner i produktivitet og ikke 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 kodekvalitet eller systemstabilitet.

Set 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 kan stole på AI, hvornår de skal intervenere for at vejlede og omdirigere det, og hvordan output passer ind i det bredere system. De, der kæmper, kan være for afhængige af automatisering, mangle erfaring med edge-cases eller ikke validere resultater, og det kan både risikere fejl for deres organisation og gå glip af de værdifulde læringsmuligheder, der styrker en udviklers ekspertise gennem en lang og rigorøs karriere. Kontinuerlig læring og praktisk eksperimentering med AI-assisterede arbejdsprocesser vil hjælpe udviklere med at skærpe disse færdigheder på en kortere tidsramme og forblive effektive, mens AI-kodningstools udvikler sig.

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