Jon Friskics, Principal Technical Author, Pluralsight – Haastattelusarja

Jon Friskics, Principal Technical Author, Pluralsight, on kokenut kouluttaja ja sisällön johtaja, joka on erikoistunut ohjelmistokehitykseen ja AI-koulutukseen. Hän luo asiantuntijoiden johtamia video-kursseja ja käytännön laboratorioita, jotka käsittelevät teknologioita kuten Claude, Node.js, TypeScript, Tailwind CSS ja Python, ja rakentaa pitkän uran perustalle, joka kattaa senior-kirjoittamisen, oppimisarkkitehtuurin ja johtajuuden koulutuksessa ja opetussuunnitelman strategiassa. Aikaisemmin hän oli avainasemassa muokkaamassa skaalautuvia, monimuotoisia oppimisjärjestelmiä ja ohjaamassa tuhansia teknisiä sisällönluojia näyttöön perustuvilla ohjausmenetelmillä, ja uransa alussa hän johti sisällönstrategiaa Code Schoolissa ja opetti laajaa valikoimaa teknisiä aineita Central Floridan yliopistossa, luoden vankan perustan sekä koulutuksessa että kehitystyössä.

Pluralsight on johtava teknologian osaamisen kehittämisen alusta, joka tarjoaa verkkokursseja, käytännön laboratorioita ja taitojen arviointeja, jotta yksilöt ja organisaatiot voivat kehittää osaamistaan alueilla kuten ohjelmistokehitys, AI, pilvilaskenta ja kyberturvallisuus. Perustettu vuonna 2004, yhtiöstä on tullut kattava oppimisympäristö, jota käytetään yrityksissä ja ammattilaisten keskuudessa maailmanlaajuisesti, yhdistämällä asiantuntijoiden luoman sisällön tietoihin, jotta voidaan täyttää taitopuutteita ja kiihdyttää työvoiman kehittymistä yhä enemmän teknologiaan perustuvassa taloudessa.

Uranne kattaa interaktiivisen kurssisuunnittelun, laajan teknisen oppimisjärjestelmän ja edistyneen AI-työkalujen koulutuksen. Miten tämä tausta on muovannut näkemyksesi siitä, miksi vahva insinööritaito on edelleen tärkeää AI-tukea koodauksessa?

Kokemukseni on osoittanut, että vahva insinööritaito on enemmän kuin koodaaminen. Se on ymmärtäminen järjestelmistä ja pitkän aikavälin seurauksista. AI voi automatisoida tehtäviä ja luoda kehyksen, joka johtaa ratkaisuihin, mutta se ei aina ymmärrä päätösten vaikutuksia käyttäjille tai järjestelmille ennustettavalla tavalla. Inhimillinen arvostelukyky varmistaa, että AI käytetään turvallisesti tuottavuuden lisäämiseksi, ja insinööritaito on arvokkaampaa kuin koskaan, johdaten tiimejä hyödyntämään AI:ta tehokkaasti säilyttäen laadun ja luotettavuuden.

Pluralsight on pitkään keskittynyt tukkimaan teknisiä taitopuutteita. Miten näet tämän tehtävän kehittyvän nyt, kun AI-yhteistyötaito on sijoitettu perinteisten ohjelmistokehityksen perusteiden rinnalle?

Pluralsightin tehtävä on varustaa oppijoita perustein teknisin taidoin, joita he tarvitsevat menestyäkseen. Kun AI tulee kehittämistehtävien yhteistyökumppaniksi, nämä perusteet ovat edelleen olennaisia, mutta tiimien on myös ymmärrettävä, miten työskennellä AI:n kanssa vastuullisesti ja validoida sen tuloksia. Vaikka AI voi luoda koodia, se ei korvaa koodaamisen tarvetta, ja se voi parantaa sitä lisäämällä työnkulun ymmärtämistä ja järjestelmien ajattelua olemassa olevan asiantuntemuksen päälle. Pluralsight auttaa oppijoita rakentamaan olemassa oleville perustein ja ylläpitämään strategista ajattelua koulutusratkaisujen avulla, jotka sisältävät tarpeen mukaan kurssit, käytännön laboratoriot ja asiantuntijoiden johtamat työpajat, jotka kehittyvät teknologisen innovaation rinnalla.

Mitkä tarkat arkkitehtuurin, käyttöönoton ja riskienhallinnan taidot ovat eniten vaarassa, jos kehittäjät tulevat liian riippuvaiseksi AI-luodusta koodista?

Kehittäjät, jotka luottavat liikaa AI-koodin generointiin ja hyväksyvät sen tulokset ilman, että ottaisivat aikaa ymmärtääkseen, mitä on luotu, heikentävät strategisia taitojaan, kuten arkkitehtuurista ajattelua ja riskienarviointia, ajan myötä. Ymmärtäminen siitä, miten komponentit vuorovaikuttavat ja suunnittelun luominen luotettavuuden kannalta ovat kykyjä, jotka opitaan kokemuksesta monissa eri tilanteissa. Tämä tarkoittaa, että liiallinen riippuvuus AI:sta voi johtaa piileviin haavoittuvuuksiin ja järjestelmän epävakaus, ja heikentää kehittäjien pitkän aikavälin ongelmanratkaisukykyä, jolloin nämä ongelmat jäävät huomaamatta tai ratkaisematta, kunnes on liian myöhäistä.

Missä suurin ero on autonomisten koodausvälineiden lupausten ja insinöörien valmiuden välillä, kun on kyse validoinnista tai valvonnasta?

Jatkuva oppiminen on välttämätöntä insinööreille, jotka työskentelevät AI-tukea kehittämistyökalujen ja autonomisten koodausjärjestelmien kanssa. Automaattiset koodausvälineet lupaavat nopeutta ja tarkkuutta toiminnallisen koodin luomisessa, mutta ne eivät ymmärrä järjestelmien vuorovaikutuksia, turvallisuutta ja liiketoimintavaikutuksia, ja se tarkoittaa, että sinun on annettava puuttuva konteksti. Ero on oletuksessa, että AI-tulokset ovat täydellisiä tai oikein ilman inhimillistä valvontaa. Kun validointitoimet jätetään väliin tai niitä kiirehditään, tiimit vaarantavat kalliiden virheiden, turvallisuusvaarojen tai arkkitehtuuristen epäjohdonmukaisuuksien esittämisen. Tämä korostaa insinöörien tarvetta jatkaa jatkuvaa osaamisen kehittämistä, jotta he voivat tehokkaasti hallita ja validoida AI-luotua työtä.

Miten yritysten on uudelleenarvioitava uudelleenkoulutusstrategioitaan, jotta kehittäjät tietävät, milloin luottaa AI-ehdotuksiin ja milloin hidastaa ja soveltaa syvempää tarkastelua?

Uudelleenkoulutuksessa on painotettava tietoa siitä, milloin AI-tulokset ovat luotettavia ja milloin syvempää tarkastelua tarvitaan, mukaan lukien skenaariotestaus ja ohjelmointi. Tämä lähestymistapa vahvistaa arvostelukykyä koodaamisen taitojen rinnalla, varmistamalla, että insinöörit voivat luottaa AI:hen valikoivasti eikä turvautua liikaa generoituun koodiin. Koulutusohjelmat, jotka tarjoavat strukturoidut, käytännön oppimiskokemukset, antavat kehittäjille mahdollisuuden kokeilla AI-tukea työnkulussa ja nähdä, miten generoitu koodi käyttäytyy täysimittaisissa sovelluksissa ja harjoitella tuomiovaltaa turvallisessa ympäristössä. Asiantuntijoiden johdolla ja käytännön harjoituksilla insinöörit voivat vahvistaa kriittistä ajattelua, jota tarvitaan AI-luotujen tulosten arvioinnissa vastuullisesti.

Miten nopeasti muuttuvissa tuoteympäristöissä voidaan estää AI-luotujen oikopolkujen aiheuttama pitkän aikavälin tekninen velka tai turvallisuusvaaroihin?

Johtajien on asetettava hallitseva rakenteet ja riskienarvio AI-luoduille koodille. Vahvistamalla vahvoja rajoja ja tarkastamalla tulokset voidaan estää pitkän aikavälin tekninen velka ja turvallisuusvaarot. Suosittelen myös kehittäjien koulutusta turvallisten koodauskäytäntöjen ja arkkitehtuurin tietoisuuden parantamiseksi, jotta he ymmärtävät AI-luotujen ehdotusten takana olevat vaihtoehdot. Säännölliset käytännön tarkastelut ja skenaariopohjainen koulutus voivat auttaa vähentämään piilevien järjestelmäriskien kertymisen todennäköisyyttä.

Mitkä käytännön kehykset tai varotoimet suosittelisit organisaatioille, jotta AI-koodaus säilyy yhteistyönä eikä liabilityna?

Parhaiten toimivat työkalut ovat uudet tarkasteluprotokollat, versionhallintajärjestelmät ja eristetyt AI-kokeilut. Hyödyntämällä mittareita, havainnollistamiskehystä ja arviointeja tiimit voivat seurata tulosten laatua ja vahvistaa vastuullista yhteistyötä, jotta AI on tuottavuuden kumppani eikä liability. On myös arvokasta, että organisaatiot tutkivat AI-tukea työnkulussa, jotta he ymmärtävät näiden työkalujen kyvyt ja rajoitukset tiimien ainutlaatuisiin tarpeisiin. Nämä käytännöt auttavat tiimejä kehittämään tuomiovaltaa, jota tarvitaan AI-ehdotusten tehokkaaseen integroimiseen ilman koodin laatua tai järjestelmän vakauden heikentämistä.

Miten näet, mitkä asiat erottavat kehittäjät, jotka menestyvät AI-tukean tulevaisuudessa, niistä, jotka saattavat kamppailla sopeutumisessa?

Kehittäjät, jotka menestyvät AI-tukean tulevaisuudessa, yhdistävät vahvat perustaidot, arvostelukyvyn, sopeutumiskyvyn ja järjestelmien ajattelun. He ymmärtävät, milloin luottaa AI:hen, milloin puuttua ja ohjata sitä, ja miten tulokset sopivat laajempaan järjestelmään. Ne, jotka kamppailevat, saattavat turvautua liikaa automaatioon, puuttua kokemuksesta reunatapauksissa tai jättää tulokset validoiduksi, jolloin he altistavat organisaationsa virheille ja missaavat arvokkaita oppimismahdollisuuksia, jotka vahvistavat kehittäjän asiantuntemusta uran aikana. Jatkuva oppiminen ja käytännön kokeilu AI-tukean työnkulussa auttavat kehittäjiä teroittamaan nämä taidot lyhyemmässä ajassa ja pysymään tehokkaina, kun AI-koodausvälineet kehittyvät.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Pluralsight-sivustolla.