Jon Friskics, Principal Technical Author, Pluralsight – Intervju-serie

Jon Friskics, Principal Technical Author, Pluralsight, er en erfaren utdanner og innholdleder som spesialiserer seg på programvareutvikling og AI-fokusert læring. I sin nåværende stilling lager han ekspertledede video-kurs og hånd-til-hånd-laboratorier som dekker teknologier som Claude, Node.js, TypeScript, Tailwind CSS og Python, bygget på en lang karriere innen selskapet som omfatter senior-forfatter, læringsarkitektur og ledelse i opplæring og læreplan-strategi. Før dette spilte han en nøkkelrolle i å forme skalerbare, multi-modale læringsystemer og veilede tusenvis av tekniske innholdsskapere med evidensbasert instruksjonsdesign-praksis, mens tidligere i sin karriere ledet han innhold-strategi på Code School og underviste i et bredt spekter av tekniske emner ved University of Central Florida, og etablerte en sterk grunnlag i både utdanning og virkelige utviklingsprosjekter.

Pluralsight er en ledende plattform for tekniske ferdigheter som tilbyr online-kurs, hånd-til-hånd-laboratorier og ferdighetsvurderinger for å hjelpe enkelt-personer og organisasjoner bygge ekspertise i områder som programvareutvikling, AI, sky-data, og cybersikkerhet. Grunnlagt i 2004, har selskapet utviklet seg til en komprehensiv lærings-økosystem brukt av bedrifter og profesjonelle over hele verden, som kombinerer ekspert-forfattet innhold med innsikt for å lukke ferdighets-gapper og akselerere arbeids-styrke-utvikling i en stadig mer teknologi-drevet økonomi.

Din karriere omfatter interaktiv læreplan-design, stor-skala teknisk lærings-systemer og avansert AI-verktøy-utdanning. Hvordan har denne bakgrunnen formet din perspektiv på hvorfor sterk ingeniør-dømmekraft fortsatt er viktig i en tid med AI-assistert kode?

Min erfaring har vist meg at sterk ingeniør-dømmekraft handler om mer enn å skrive kode. Det handler om å forstå systemer og lang-tids-konsekvenser. AI kan automatisere oppgaver og skape en ramme som leder til løsninger, men det greper ikke alltid innvirkningen av beslutninger på brukere eller systemer på måter som er forutsigbare. Menneskelig dømmekraft sikrer at AI brukes til å øke produktivitet på en trygg måte, og ingeniør-dømmekraft er mer verdifull enn noensinne, og leder teamene til å utnytte AI effektivt samtidig som de opprettholder kvalitet og pålitelighet.

Pluralsight har lenge fokusert på å lukke tekniske ferdighets-gapper. Hvordan ser du på at denne misjonen utvikler seg nå som AI-samarbeids-ferdigheter må sitte ved siden av tradisjonelle programvareutviklings-grunnleggende ferdigheter?

Pluralsight’s misjon er å utstyre lærere med de grunnleggende tekniske ferdighetene de trenger for å lykkes. Når AI blir en samarbeidspartner i utviklingsoppgaver, forblir disse grunnleggende ferdighetene essensielle, men teamene må også forstå hvordan de kan arbeide med AI på en ansvarlig måte og validere dens utdata. Selv om AI kan generere kode, erstatter det ikke behovet for kode-ferdigheter, og det kan forbedre dem ved å legge til arbeidsflyt-forståelse og system-tenkning ovenfor eksisterende ekspertise. Pluralsight hjelper lærere til å bygge på eksisterende grunnleggende ferdigheter og opprettholde strategisk tenkning gjennom læringsløsninger som inkluderer på-krev-kurs, hånd-til-hånd-laboratorier og menneske-ekspert-ledede workshop som utvikler seg sammen med teknologisk innovasjon.

Hvilke spesifikke arkitektoniske, deployerings- og risiko-styrings-ferdigheter tror du er mest utsatt for å bli svekket hvis utviklere blir for avhengige av AI-generert kode?

Utviklere som er for avhengige av AI-kode-generering og aksepterer utdata uten å ta seg tid til å forstå hva som er generert, kan ende opp med å svekke sine strategiske ferdigheter som arkitektonisk tenkning og risiko-vurdering over tid. Å forstå hvordan komponenter samhandler og designe for pålitelighet er ferdigheter som er lært gjennom erfaring i mange forskjellige situasjoner. Dette betyr at for stor avhengighet av AI kan ikke bare føre til skjulte sårbarheter og system-instabilitet, men også svekke utviklerens langsiktige problemløsings-ferdigheter, og la problemer forbli uoppdaget eller uløste til det er for sent.

Hvor ser du den største koblingen mellom hva disse verktøyene lover og hva ingeniører faktisk er forberedt til å validere eller overvåke?

Kontinuerlig læring er essensielt for ingeniører som arbeider sammen med AI-assistert utviklings-verktøy og autonome kode-systemer. Autonome kode-verktøy lover hastighet og nøyaktighet i å generere funksjonell kode, men de mangler forståelse for system-interaksjoner, sikkerhet og forretnings-påvirkning, og det betyr at du må gi den manglende konteksten. Koblingen ligger i å anta at AI-utdata er fullstendig eller korrekt i fravær av menneskelig overvåking. Når validerings-stegene hoppe over eller hastes, risikerer teamene å introdusere dyre feil, sikkerhets-sårbarheter eller arkitektoniske inkonsistenser. Dette understreker behovet for ingeniører til å kontinuerlig oppdatere sine ferdigheter så de kan effektivt håndtere og validere AI-generert arbeid.

Hvordan bør selskaper tenke om igjen sine opp-nivå-strategier for å sikre at utviklere vet når de skal stole på AI-forslag og når de skal sakke ned og anvende dypere gjennomgang?

Opp-nivå-strategier bør understreke å kjenne når AI-utdata er pålitelig versus når dypere gjennomgang er nødvendig, inkludert scenario-testing og prompt-validering. Denne tilnærmingen understreker dømmekraft sammen med kode-ferdigheter, og sikrer at ingeniører kan stole på AI selektivt snarere enn å være for avhengige av generert kode. Lærings- og utviklings-programmer som tilbyr strukturerte, hånd-til-hånd-lærings-erfaringer, lar utviklere eksperimentere med AI-assistert arbeidsflyt for å se hvordan generert kode oppfører seg i fullstendige applikasjoner og øve den dømmekraften i en sandkasse-miljø. Ved å stole på både ekspert-ledet instruksjon og praktiske øvelser, kan ingeniører bedre styrke de kritiske tenkning-ferdighetene som er nødvendige for å evaluere AI-generert utdata ansvarlig.

I raske produkt-miljøer, hvordan kan tekniske ledere forhindre AI-generert kort-veier fra å introdusere langsiktige tekniske-gjeld eller sikkerhets-sårbarheter?

Ledere må påtvinge styrings-rammer og risiko-vurdering for AI-generert kode. Å etablere sterke grenser og gjennomgå utdata kunne hjelpe til å forhindre langsiktige tekniske-gjeld og sikkerhets-sårbarheter. Jeg ville også foreslå utvikler-utdanning som fokuserer på trygg kode-praksis og arkitektonisk bevissthet for å sikre at deres ingeniører forstår avveiningen bak AI-generert forslag. Regelmessige hånd-til-hånd-gjennomgangs-øvelser og scenario-basert trening kunne hjelpe til å redusere sannsynligheten for at kort-veier akkumulerer til skjulte system-risiko.

Hva praktiske rammer eller retningslinjer anbefaler du at organisasjoner adopterer for å holde AI-koding som et samarbeid snarere enn en byrde?

Verktøyene som fungerer best for dette er nye gjennomgangs-protokoller, versjons-kontroll-sporing og sandkasse-eksperimentering med AI. Å utnytte målinger, overvåkings-rammer og vurderinger kunne hjelpe teamene til å spore utdata-kvalitet og understreke ansvarlig samarbeid for å sikre at AI er en partner i produktivitet snarere enn en byrde. Det er også verdifullt for organisasjoner å utforske AI-assistert arbeidsflyt for å forstå kapasiteten og begrensningene til disse verktøyene for deres teamers unike behov. Disse praksisene kunne hjelpe teamene til å utvikle den dømmekraften som er nødvendig for å integrere AI-forslag effektivt uten å kompromittere kode-kvalitet eller system-stabilitet.

Ser fremover, hva skiller utviklere som vil trives i en AI-forsterket fremtid fra de som kan ha vanskeligheter med å tilpasse seg?

Utviklere som excellerer i en AI-forsterket fremtid vil kombinere sterke grunnleggende ferdigheter med dømmekraft, tilpasning og system-tenkning. De forstår når de skal stole på AI, når de skal gripe inn og rette det, og hvordan utdata passer inn i det bredere systemet. De som kan ha vanskeligheter med å tilpasse seg, kan være for avhengige av automatisering, mangle erfaring med rand-tilfeller, eller ikke validere resultater, og risikerer å åpne for feil for organisasjonen og gå glipp av verdifulle lærings-muligheter som styrker en utviklers ekspertise gjennom en streng karriere. Kontinuerlig læring og hånd-til-hånd-eksperimentering med AI-assistert arbeidsflyt kunne hjelpe utviklere til å skjerpe disse ferdighetene på en kortere tidsramme og forbli effektive når AI-kode-verktøy utvikler seg.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Pluralsight.