Jon Friskics, Penulis Teknis Utama, Pluralsight – Seri Wawancara

Jon Friskics, Penulis Teknis Utama, Pluralsight, adalah seorang pendidik berpengalaman dan pemimpin konten yang berspesialisasi dalam pengembangan perangkat lunak dan pengalaman belajar yang berfokus pada AI. Dalam posisinya saat ini, ia membuat kursus video yang dipimpin oleh ahli dan laboratorium praktik yang mencakup teknologi seperti Claude, Node.js, TypeScript, Tailwind CSS, dan Python, membangun pada karir panjang dalam perusahaan yang meliputi penulisan senior, arsitektur pembelajaran, dan kepemimpinan dalam strategi pelatihan dan kurikulum. Sebelumnya, ia memainkan peran kunci dalam membentuk sistem pembelajaran multi-modal yang dapat diskalakan dan membimbing ribuan pembuat konten teknis dengan praktik desain instruksional berbasis bukti, sementara pada awal karirnya ia memimpin strategi konten di Code School dan mengajar berbagai subjek teknis di Universitas Central Florida, membangun fondasi yang kuat dalam pendidikan dan pengembangan dunia nyata.

Pluralsight adalah platform pengembangan keterampilan teknologi yang memimpin yang menyediakan kursus online, laboratorium praktik, dan penilaian keterampilan untuk membantu individu dan organisasi membangun keahlian dalam bidang seperti pengembangan perangkat lunak, AI, komputasi awan, dan keamanan siber. Didirikan pada tahun 2004, perusahaan ini telah berkembang menjadi ekosistem pembelajaran yang komprehensif yang digunakan oleh perusahaan dan profesional di seluruh dunia, menggabungkan konten yang ditulis oleh ahli dengan wawasan untuk menutup celah keterampilan dan mempercepat pengembangan tenaga kerja dalam ekonomi yang semakin didorong oleh teknologi.

Karir Anda meliputi desain kurikulum interaktif, sistem pembelajaran teknis skala besar, dan pendidikan alat AI lanjutan. Bagaimana latar belakang itu membentuk perspektif Anda tentang mengapa penilaian teknik yang kuat masih penting dalam era pengkodean yang dibantu AI?

Pengalaman saya telah menunjukkan bahwa penilaian teknik yang kuat tidak hanya tentang menulis kode. Ini tentang memahami sistem dan konsekuensi jangka panjang. AI dapat mengotomatisasi tugas dan membuat kerangka yang mengarah ke solusi, tetapi tidak selalu memahami dampak keputusan pada pengguna atau sistem dengan cara yang dapat diprediksi. Penilaian manusia memastikan AI digunakan untuk meningkatkan produktivitas dengan aman, Penilaian teknik lebih berharga dari sebelumnya, membimbing tim untuk memanfaatkan AI secara efektif sambil mempertahankan kualitas dan keandalan.

Pluralsight telah lama fokus pada menutup celah keterampilan teknis. Bagaimana Anda melihat misi itu berkembang sekarang bahwa keterampilan kolaborasi AI harus berada di samping dasar-dasar pengembangan perangkat lunak tradisional?

Misi Pluralsight adalah untuk mempersiapkan pembelajar dengan keterampilan teknis dasar yang mereka butuhkan untuk sukses. Ketika AI menjadi rekan dalam tugas pengembangan, dasar-dasar tersebut tetap penting, tetapi tim juga perlu memahami cara bekerja dengan AI secara bertanggung jawab dan memvalidasi outputnya. Meskipun AI dapat menghasilkan kode, itu tidak menggantikan kebutuhan akan keterampilan pengkodean, dan dapat meningkatkan keterampilan tersebut dengan melapisi pemahaman alur kerja dan pemikiran sistem di atas keahlian yang ada. Pluralsight membantu pembelajar membangun keterampilan dasar yang ada dan mempertahankan pemikiran strategis melalui solusi pembelajaran yang mencakup kursus on-demand, laboratorium praktik, dan bengkel yang dipimpin oleh ahli manusia yang berkembang seiring dengan inovasi teknologi.

Apa keterampilan arsitektur, penerapan, dan manajemen risiko spesifik yang Anda percayai paling berisiko jika pengembang menjadi terlalu bergantung pada kode yang dihasilkan AI?

Pengembang yang terlalu bergantung pada generasi kode AI dan menerima outputnya tanpa menghabiskan waktu untuk memahami apa yang dihasilkan mungkin akan melemahkan keterampilan strategis mereka seperti pemikiran arsitektur dan penilaian risiko seiring waktu. Memahami bagaimana komponen berinteraksi dan merancang untuk keandalan adalah kemampuan yang dipelajari melalui pengalaman dalam banyak situasi.. Ini berarti ketergantungan yang berlebihan pada AI tidak hanya dapat menyebabkan kerentanan tersembunyi dan ketidakstabilan sistem, tetapi juga dapat melemahkan kemampuan pemecahan masalah jangka panjang pengembang, sehingga memungkinkan masalah tersebut tidak terdeteksi atau tidak terpecahkan sampai terlambat.

Bagaimana Anda melihat kesenjangan terbesar antara apa yang dijanjikan oleh alat pengkodean otonom dan apa yang sebenarnya disiapkan oleh insinyur untuk memvalidasi atau mengawasi?

Pembelajaran berkelanjutan sangat penting bagi insinyur saat bekerja bersama alat pengembangan yang dibantu AI dan sistem pengkodean otonom. Alat pengkodean otonom menjanjikan kecepatan dan akurasi dalam menghasilkan kode fungsional, tetapi mereka kekurangan pemahaman tentang interaksi sistem, keamanan, dan dampak bisnis, dan itu berarti bahwa Anda harus menyediakan konteks yang hilang. Kesenjangan terletak pada asumsi bahwa output AI lengkap atau benar tanpa pengawasan manusia. Ketika langkah validasi dihilangkan atau dipercepat, tim berisiko memperkenalkan bug yang mahal, kerentanan keamanan, atau inkonsistensi arsitektur. Ini memperkuat kebutuhan bagi insinyur untuk terus memperbarui keterampilan mereka sehingga mereka dapat secara efektif mengelola dan memvalidasi pekerjaan yang dihasilkan AI.

Bagaimana perusahaan harus merancang ulang strategi pengembangan keterampilan mereka untuk memastikan pengembang tahu kapan harus mempercayai saran AI dan kapan harus melambatkan dan menerapkan tinjauan yang lebih dalam?

Pengembangan keterampilan harus menekankan mengetahui kapan output AI dapat diandalkan versus kapan tinjauan yang lebih dalam diperlukan, termasuk pengujian skenario dan validasi prompt. Pendekatan ini memperkuat penilaian bersama dengan keterampilan pengkodean, memastikan insinyur dapat mempercayai AI secara selektif daripada terlalu bergantung pada kode yang dihasilkan. Program L&D yang menyediakan pengalaman pembelajaran terstruktur dan praktis memungkinkan pengembang untuk bereksperimen dengan alur kerja yang dibantu AI untuk melihat bagaimana kode yang dihasilkan berperilaku dalam aplikasi penuh dan melatih penilaian tersebut dalam lingkungan sandbox. Dengan mengandalkan instruksi yang dipimpin oleh ahli dan latihan praktis, insinyur dapat memperkuat keterampilan berpikir kritis yang diperlukan untuk mengevaluasi output AI secara bertanggung jawab.

Di lingkungan produk yang bergerak cepat, bagaimana pemimpin teknik dapat mencegah jalan pintas yang dihasilkan AI memperkenalkan utang teknis jangka panjang atau kerentanan keamanan?

Pemimpin harus menerapkan kerangka kerja tata kelola dan penilaian risiko untuk kode yang dihasilkan AI. Membangun batasan yang kuat dan mengaudit output dapat membantu mencegah utang teknis jangka panjang dan kerentanan keamanan. Saya juga menyarankan pendidikan pengembang yang berfokus pada praktik pengkodean yang aman dan kesadaran arsitektur untuk memastikan insinyur mereka memahami kompromi di balik saran yang dihasilkan AI. Latihan tinjauan praktis dan pelatihan berbasis skenario secara teratur dapat membantu mengurangi kemungkinan bahwa jalan pintas mengumpulkan risiko sistem tersembunyi.

Apa kerangka praktis atau pengaman yang Anda sarankan organisasi untuk mengadopsi untuk menjaga pengkodean AI sebagai kolaborasi daripada kewajiban?

Alat yang paling efektif untuk ini adalah protokol tinjauan baru, pelacakan kontrol versi, dan eksperimen AI yang diawasi. Menggunakan metrik, kerangka kerja pengamatan, dan evaluasi akan membantu tim melacak kualitas output dan memperkuat kolaborasi yang bertanggung jawab untuk memastikan AI adalah mitra dalam produktivitas daripada kewajiban. Juga bernilai bagi organisasi untuk menjelajahi alur kerja yang dibantu AI untuk memahami kemampuan dan keterbatasan alat tersebut untuk kebutuhan unik tim mereka. Praktik ini akan membantu tim mengembangkan penilaian yang diperlukan untuk mengintegrasikan saran AI secara efektif tanpa mengorbankan kualitas kode atau stabilitas sistem.

Menghadap ke depan, apa yang membedakan pengembang yang akan berkembang dalam masa depan yang ditingkatkan AI dari mereka yang mungkin berjuang untuk beradaptasi?

Pengembang yang unggul dalam masa depan yang ditingkatkan AI akan menggabungkan keterampilan dasar yang kuat dengan penilaian, adaptabilitas, dan pemikiran sistem. Mereka memahami kapan harus mempercayai AI, kapan harus campur tangan untuk membimbing dan mengarahkannya, dan bagaimana outputnya sesuai dengan sistem yang lebih luas. Mereka yang berjuang mungkin terlalu bergantung pada otomatisasi, kekurangan pengalaman dengan kasus tepi, atau gagal memvalidasi hasil, yang berisiko menghasilkan kesalahan bagi organisasi mereka dan melewatkan peluang pembelajaran berharga yang memperkuat keahlian pengembang sepanjang karir yang ketat. Pembelajaran berkelanjutan dan eksperimen praktis dengan alur kerja yang dibantu AI akan membantu pengembang memperkuat keterampilan tersebut dalam waktu yang lebih singkat dan tetap efektif saat alat pengkodean AI berkembang.

Terima kasih atas wawancara yang bagus, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Pluralsight.