Jon Friskics, Principal Technical Author, Pluralsight – Interview-Serie

Jon Friskics, Principal Technical Author, Pluralsight, ist ein erfahrener Pädagoge und Content-Leader, der sich auf Software-Entwicklung und AI-fokussierte Lern Erfahrungen spezialisiert hat. In seiner aktuellen Position erstellt er Experten-geführte Video-Kurse und Hands-on-Labs, die Technologien wie Claude, Node.js, TypeScript, Tailwind CSS und Python abdecken, und baut auf einer langen Karriere innerhalb des Unternehmens auf, die Senior-Autoren, Lern-Architektur und Führung in der Ausbildung und Curriculum-Strategie umfasst. Vorher war er maßgeblich an der Gestaltung von skalierbaren, multi-modalen Lernsystemen und der Unterstützung von Tausenden von technischen Content-Erstellern mit evidenzbasierten instruktionalen Design-Praktiken beteiligt, während er früher in seiner Karriere die Content-Strategie bei Code School leitete und ein breites Spektrum von technischen Fächern an der University of Central Florida unterrichtete, und damit eine starke Grundlage in Bildung und realer Welt-Entwicklung legte.

Pluralsight ist eine führende Plattform für die Entwicklung von Technologie-Fähigkeiten, die Online-Kurse, Hands-on-Labs und Fähigkeitsbewertungen bietet, um Einzelpersonen und Organisationen dabei zu helfen, Expertenwissen in Bereichen wie Software-Entwicklung, AI, Cloud-Computing und Cyber-Sicherheit aufzubauen. Gegründet im Jahr 2004, hat sich das Unternehmen zu einem umfassenden Lern-Ökosystem entwickelt, das von Unternehmen und Fachleuten weltweit genutzt wird, und kombiniert Experten-geführten Content mit Erkenntnissen, um Fähigkeitslücken zu schließen und die Arbeitskräfte-Entwicklung in einer immer mehr technologie-getriebenen Wirtschaft zu beschleunigen.

Ihre Karriere umfasst interaktives Curriculum-Design, große technische Lern-Systeme und fortschrittliche AI-Tooling-Bildung. Wie hat diese Erfahrung Ihre Perspektive auf die Bedeutung von starkem Ingenieurs-Urteil in einer Ära von AI-gestütztem Coding geprägt?

Meine Erfahrung hat mir gezeigt, dass starkes Ingenieurs-Urteil mehr als nur das Schreiben von Code ist. Es geht darum, Systeme und langfristige Konsequenzen zu verstehen. AI kann Aufgaben automatisieren und einen Rahmen schaffen, der zu Lösungen führt, aber sie versteht nicht immer die Auswirkungen von Entscheidungen auf Benutzer oder Systeme in vorhersehbarer Weise. Menschliches Urteil stellt sicher, dass AI sicher produktiv eingesetzt wird, und Ingenieurs-Urteil ist wertvoller denn je, um Teams zu führen, AI effektiv einzusetzen und Qualität und Zuverlässigkeit zu gewährleisten.

Pluralsight hat sich seit Langem auf die Schließung von technischen Fähigkeitslücken konzentriert. Wie sehen Sie diese Mission in einer Zeit, in der AI-Kollaborations-Fähigkeiten neben traditionellen Software-Entwicklungs-Grundlagen stehen müssen?

Pluralsights Mission ist es, Lernende mit den grundlegenden technischen Fähigkeiten auszustatten, die sie benötigen, um erfolgreich zu sein. Wenn AI zu einem Kollaborations-Partner in der Entwicklung wird, bleiben diese Grundlagen unverzichtbar, aber Teams müssen auch verstehen, wie sie mit AI verantwortungsvoll und dessen Ausgaben validieren können. Obwohl AI Code generieren kann, ersetzt es nicht die Notwendigkeit von Codier-Fähigkeiten, und es kann diese Fähigkeiten durch die Schichtung von Workflow-Verständnis und System-Denken auf bestehendes Know-how verbessern. Pluralsight hilft Lernenden, auf bestehenden grundlegenden Fähigkeiten aufzubauen und strategisches Denken durch Lern-Lösungen zu erhalten, die On-Demand-Kurse, Hands-on-Labs und Experten-geführte Workshops umfassen, die sich mit der technischen Innovation weiterentwickeln.

Welche spezifischen architektonischen, bereitstellungs- und Risiko-Management-Fähigkeiten glauben Sie, dass am meisten gefährdet sind, wenn Entwickler zu sehr auf AI-generierten Code angewiesen sind?

Entwickler, die zu sehr auf AI-Code-Generierung angewiesen sind und die Ausgaben ohne sorgfältige Prüfung akzeptieren, können ihre strategischen Fähigkeiten wie architektonisches Denken und Risiko-Beurteilung über Zeit schwächen. Das Verständnis, wie Komponenten interagieren und wie für Zuverlässigkeit entworfen wird, sind Fähigkeiten, die durch Erfahrung in vielen verschiedenen Situationen erlernt werden. Dies bedeutet, dass eine zu starke Abhängigkeit von AI nicht nur zu versteckten Schwachstellen und System-Instabilität führen kann, sondern auch die langfristigen Problemlösungsfähigkeiten von Entwicklern schwächen und es ihnen erschweren kann, Probleme zu erkennen oder zu lösen, bevor es zu spät ist.

Wenn autonome Codier-Tools an Popularität gewinnen, wo sehen Sie die größte Diskrepanz zwischen dem, was diese Tools versprechen, und dem, was Ingenieure tatsächlich vorbereitet sind, zu validieren oder zu überwachen?

Kontinuierliches Lernen ist für Ingenieure unerlässlich, wenn sie mit AI-gestützten Entwicklungstools und autonomen Codier-Systemen arbeiten. Autonome Codier-Tools versprechen Geschwindigkeit und Genauigkeit bei der Generierung von funktionsfähigem Code, aber sie verstehen nicht die System-Interaktionen, Sicherheit und Geschäftsauswirkungen, und das bedeutet, dass Sie diese fehlende Kontextualisierung bereitstellen müssen. Die Diskrepanz liegt darin, dass man annimmt, AI-Ausgaben seien vollständig oder korrekt, ohne menschliche Überwachung. Wenn Validierungsschritte übersprungen oder überhastet werden, riskieren Teams die Einführung teurer Fehler, Sicherheits-Schwachstellen oder architektonische Inkonsistenzen. Dies unterstreicht die Notwendigkeit für Ingenieure, ihre Fähigkeiten kontinuierlich zu aktualisieren, um AI-generierte Arbeit effektiv zu verwalten und zu validieren.

Wie sollten Unternehmen ihre Strategien zur Weiterbildung von Entwicklern anpassen, um sicherzustellen, dass diese wissen, wann sie AI-Vorschlägen vertrauen und wann sie langsamer vorgehen und eine tiefere Überprüfung durchführen sollten?

Weiterbildung sollte betonen, wann AI-Ausgaben verlässlich sind und wann eine tiefere Überprüfung erforderlich ist, einschließlich Szenario-Tests und Prompt-Validierung. Dieser Ansatz stärkt das Urteil neben den Codier-Fähigkeiten, um sicherzustellen, dass Ingenieure AI selektiv vertrauen können, anstatt sich zu sehr auf generierten Code zu verlassen. L&D-Programme, die strukturierte, hands-on-Lern-Erfahrungen bieten, ermöglichen es Entwicklern, mit AI-gestützten Workflows zu experimentieren und zu sehen, wie generierter Code in vollständigen Anwendungen funktioniert, und üben das Urteil in einer Sandbox-Umgebung. Durch die Kombination von Experten-geführter Anleitung und praktischen Übungen können Ingenieure die kritischen Denkfähigkeiten stärken, die erforderlich sind, um AI-generierte Ausgaben verantwortungsvoll zu bewerten.

In schnelllebigen Produkt-Umgebungen, wie können Engineering-Führer verhindern, dass AI-generierte Abkürzungen langfristige technische Schulden oder Sicherheits-Schwachstellen einführen?

Führer müssen Governance-Rahmen und Risiko-Beurteilung für AI-generierten Code durchsetzen. Die Einrichtung starker Grenzen und die Überprüfung von Ausgaben können helfen, langfristige technische Schulden und Sicherheits-Schwachstellen zu verhindern. Ich würde auch empfehlen, Entwickler-Bildung auf sichere Codier-Praktiken und architektonisches Bewusstsein zu konzentrieren, um sicherzustellen, dass ihre Ingenieure die Kompromisse hinter AI-generierten Vorschlägen verstehen. Regelmäßige hands-on-Überprüfungen und szenario-basierte Schulungen können die Wahrscheinlichkeit verringern, dass Abkürzungen zu versteckten System-Risiken akkumulieren.

Welche praktischen Rahmenbedingungen oder Schutzmechanismen empfehlen Sie Organisationen, um sicherzustellen, dass AI-Codierung eine Kollaboration bleibt und keine Haftung wird?

Die Werkzeuge, die am besten funktionieren, sind neue Überprüfungs-Protokolle, Version-Kontroll-Verfolgung und sandbox-Experimente mit AI. Die Nutzung von Metriken, Beobachtbarkeits-Rahmen und Bewertungen hilft Teams, die Qualität der Ausgaben zu verfolgen und verantwortungsvolle Kollaboration zu fördern, um sicherzustellen, dass AI ein Partner in der Produktivität ist und keine Haftung darstellt. Es ist auch wertvoll für Organisationen, AI-gestützte Workflows zu erkunden, um die Fähigkeiten und Grenzen dieser Tools für die spezifischen Bedürfnisse ihrer Teams zu verstehen. Diese Praktiken helfen Teams, das Urteil zu entwickeln, das erforderlich ist, um AI-Vorschläge effektiv zu integrieren, ohne die Code-Qualität oder System-Stabilität zu gefährden.

Wenn man in die Zukunft blickt, was unterscheidet Entwickler, die in einer AI-ergänzten Zukunft erfolgreich sein werden, von denen, die Schwierigkeiten haben, sich anzupassen?

Entwickler, die in einer AI-ergänzten Zukunft erfolgreich sein werden, kombinieren starke Grundlagen-Fähigkeiten mit Urteil, Anpassungsfähigkeit und System-Denken. Sie verstehen, wann sie AI vertrauen können, wann sie eingreifen müssen, um AI zu leiten und umzuleiten, und wie Ausgaben in das breitere System passen. Diejenigen, die Schwierigkeiten haben, sich anzupassen, verlassen sich möglicherweise zu sehr auf Automatisierung, haben keine Erfahrung mit Randfällen oder validieren Ergebnisse nicht, und riskieren damit nicht nur Fehler für ihre Organisation, sondern verpassen auch die wertvollen Lern-Chancen, die ihre Expertise während einer anspruchsvollen Karriere stärken. Kontinuierliches Lernen und hands-on-Experimente mit AI-gestützten Workflows helfen Entwicklern, diese Fähigkeiten in kürzerer Zeit zu schärfen und effektiv zu bleiben, während AI-Codier-Tools sich weiterentwickeln.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Pluralsight besuchen.