Jon Friskics, Główny Autor Techniczny, Pluralsight – Seria Wywiadów

Jon Friskics, Główny Autor Techniczny, Pluralsight, jest doświadczonym edukatorem i liderem treści specjalizującym się w tworzeniu oprogramowania i doświadczeniach związanych z uczeniem się sztucznej inteligencji. W swojej obecnej roli tworzy kursy wideo i laboratoria praktyczne, które obejmują technologie takie jak Claude, Node.js, TypeScript, Tailwind CSS i Python, budując na długoletniej karierze w firmie, która obejmuje senior authoring, architekturę uczenia się i przywództwo w strategii szkoleniowej i programowej. Wcześniej odegrał kluczową rolę w kształtowaniu skalowalnych, wielomodalnych systemów uczenia się i kierowaniu tysiącami twórców treści technicznych zgodnie z dowodami opartymi na praktykach projektowych, a wcześniej w swojej karierze kierował strategią treści w Code School i nauczał szerokiego zakresu przedmiotów technicznych na Uniwersytecie Centralnej Florydy, ustanawiając silną podstawę zarówno w edukacji, jak i rozwoju świata rzeczywistego.

Pluralsight to wiodąca platforma rozwoju umiejętności technicznych, która zapewnia kursy online, laboratoria praktyczne i oceny umiejętności, aby pomóc osobom i organizacjom w budowaniu ekspertyzy w dziedzinach takich jak rozwój oprogramowania, sztuczna inteligencja, chmura obliczeniowa i cyberbezpieczeństwo. Założona w 2004 roku, firma ewoluowała w kompleksowy ekosystem uczenia się używany przez przedsiębiorstwa i profesjonalistów na całym świecie, łącząc treści autorstwa ekspertów z wglądem w celu zamykania luk umiejętności i przyspieszania rozwoju siły roboczej w coraz bardziej zdominowanej przez technologię gospodarce.

Twoja kariera obejmuje interaktywny projekt curriculum, duże systemy techniczne i zaawansowane narzędzia edukacyjne AI. Jak to tło wpłynęło na twoją perspektywę dotyczącą tego, dlaczego silne osądy inżynierskie nadal mają znaczenie w erze wspomaganej przez AI?

Moje doświadczenie pokazało mi, że silne osądy inżynierskie dotyczą więcej niż tylko pisania kodu. Chodzi o zrozumienie systemów i długoterminowych konsekwencji. AI może automatyzować zadania i tworzyć ramy, które prowadzą do rozwiązań, ale nie zawsze pojmują wpływ decyzji na użytkowników lub systemy w sposób przewidywalny. Ludzkie osądy zapewniają, że AI jest używana do zwiększania produktywności w sposób bezpieczny, a osądy inżynierskie są bardziej wartościowe niż kiedykolwiek, prowadząc zespoły do efektywnego wykorzystania AI przy jednoczesnym utrzymaniu jakości i niezawodności.

Pluralsight od dawna koncentruje się na zamykaniu luk umiejętności technicznych. Jak widzisz ewolucję tej misji teraz, gdy umiejętności współpracy z AI muszą współistnieć z tradycyjnymi podstawami rozwoju oprogramowania?

Misja Pluralsight polega na wyposażeniu uczniów w podstawowe umiejętności techniczne, których potrzebują, aby odnieść sukces. Gdy AI staje się współpracownikiem w zadaniach rozwojowych, te podstawy pozostają niezmiennie ważne, ale zespoły muszą również zrozumieć, jak odpowiedzialnie współpracować z AI i weryfikować jego dane wyjściowe. Chociaż AI może generować kod, nie zastępuje potrzeby umiejętności programistycznych i może je wzmocnić, nakładając na istniejącą ekspertyzę zrozumienie przepływu pracy i myślenia systemowego. Pluralsight pomaga uczniom budować na ich istniejących umiejętnościach podstawowych i utrzymywać myślenie strategiczne za pomocą rozwiązań edukacyjnych, które obejmują kursy na żądanie, laboratoria praktyczne i warsztaty prowadzone przez ludzi ekspertów, które ewoluują wraz z innowacjami technologicznymi.

Jakie konkretnie architektoniczne, wdrożeniowe i zarządcze umiejętności ryzyka uważasz za najbardziej narażone na to, że deweloperzy staną się zbyt zależni od kodu wygenerowanego przez AI?

Deweloperzy, którzy zbyt mocno polegają na generowaniu kodu AI i akceptują jego dane wyjściowe bez poświęcenia czasu na zrozumienie, co zostało wygenerowane, mogą osłabić swoje strategiczne umiejętności, takie jak myślenie architektoniczne i ocena ryzyka, z czasem. Zrozumienie, jak komponenty wzajemnie na siebie wpływają i projektowanie z myślą o niezawodności, są umiejętnościami, które są nabyte przez doświadczenie w wielu różnych sytuacjach. Oznacza to, że nadmierne poleganie na AI może nie tylko prowadzić do ukrytych luk w zabezpieczeniach i niestabilności systemu, ale także osłabić długoterminowe umiejętności rozwiązywania problemów deweloperów, pozwalając na to, by te problemy pozostały niewidoczne lub nierozwiązane, aż do momentu, gdy będzie za późno.

Gdzie widzisz największą różnicę między tym, co te narzędzia obiecują, a tym, na co inżynierowie są naprawdę przygotowani, aby zwalidować lub nadzorować, gdy narzędzia kodowania autonomicznego zyskują na popularności?

Ciągłe uczenie się jest niezbędne dla inżynierów, gdy pracują obok narzędzi rozwojowych wspomaganych przez AI i systemów kodowania autonomicznego. Narzędzia kodowania autonomicznego obiecują szybkość i dokładność w generowaniu funkcjonalnego kodu, ale brakuje im zrozumienia interakcji systemowych, bezpieczeństwa i wpływu biznesowego, co oznacza, że trzeba dostarczyć ten brakujący kontekst. Różnica polega na założeniu, że dane wyjściowe AI są kompletne lub poprawne bez nadzoru ludzkiego. Gdy kroki walidacji są pomijane lub spieszone, zespoły ryzykują wprowadzenie kosztownych błędów, luk w zabezpieczeniach lub nieścisłości architektonicznych. To podkreśla potrzebę, aby inżynierowie ciągle aktualizowali swoje umiejętności, aby mogli skutecznie zarządzać i weryfikować prace wygenerowane przez AI.

Jak firmy powinny przemyśleć swoje strategie podnoszenia kwalifikacji, aby zapewnić, że deweloperzy wiedzą, kiedy ufać sugestiom AI, a kiedy zwolnić i zastosować głębszą kontrolę?

Doskonalenie umiejętności powinno podkreślać wiedzę, kiedy dane wyjściowe AI są niezawodne, a kiedy potrzebna jest głębsza kontrola, w tym testowanie scenariuszy i walidacja sugestii. Ten podejście wzmocni osądy obok umiejętności programistycznych, zapewniając, że inżynierowie mogą wybiórczo ufać AI, zamiast polegać zbyt mocno na wygenerowanym kodzie. Programy szkoleniowe, które zapewniają strukturalne, praktyczne doświadczenia edukacyjne, pozwalają deweloperom eksperymentować z przepływami pracy wspomaganymi przez AI, aby zobaczyć, jak wygenerowany kod zachowuje się w pełnych aplikacjach, i ćwiczyć ten osąd w środowisku piaskownicy. Poprzez opieranie się na instrukcjach prowadzonych przez ekspertów i praktycznych ćwiczeniach, inżynierowie mogą lepiej wzmocnić umiejętności myślenia krytycznego, które są potrzebne do oceny danych wyjściowych AI w sposób odpowiedzialny.

W szybko zmieniających się środowiskach produktowych, jak liderzy inżynierii mogą zapobiec wprowadzeniu długoterminowego długu technicznego lub luk w zabezpieczeniach przez skróty wygenerowane przez AI?

Liderzy muszą egzekwować ramy zarządzania i oceny ryzyka dla kodu wygenerowanego przez AI. Ustanowienie silnych granic i audyt danych wyjściowych może pomóc w zapobieganiu długoterminowemu długu technicznemu i lukom w zabezpieczeniach. Sugeruję również edukację deweloperów ukierunkowaną na bezpieczne praktyki kodowania i świadomość architektoniczną, aby upewnić się, że ich inżynierowie rozumieją kompromisy związane z sugestiami AI. Regularne ćwiczenia przeglądu i szkolenia oparte na scenariuszach mogą pomóc zmniejszyć prawdopodobieństwo, że skróty gromadzą się w ukryte ryzyka systemowe.

Jakie praktyczne ramy lub barierki zalecasz organizacjom, aby utrzymać kodowanie AI jako współpracę, a nie odpowiedzialność?

Narzędzia, które najlepiej działają w tym celu, to nowe protokoły przeglądu, śledzenie kontroli wersji i doświadczenia z piaskownicą AI. Wykorzystanie metryk, ram obsługi i ocen pomoże zespołom śledzić jakość danych wyjściowych i wzmocnić odpowiedzialną współpracę, aby zapewnić, że AI jest partnerem w produktywności, a nie odpowiedzialnością. Jest również wartościowe dla organizacji, aby zbadać przepływy pracy wspomagane przez AI, aby zrozumieć ich możliwości i ograniczenia dla potrzeb ich zespołów. Te praktyki pomogą zespołom rozwinąć osąd potrzebny do skutecznego integrowania sugestii AI bez kompromitowania jakości kodu lub stabilności systemu.

Czego odróżnia deweloperów, którzy będą prosperować w przyszłości wspomaganej przez AI, od tych, którzy mogą mieć trudności z adaptacją?

Deweloperzy, którzy odnoszą sukces w przyszłości wspomaganej przez AI, będą łączyć silne umiejętności podstawowe z osądem, adaptacyjnością i myśleniem systemowym. Rozumieją, kiedy ufać AI, kiedy interweniować, aby ją skierować, i jak dane wyjściowe mieszczą się w szerszym systemie. Ci, którzy mają trudności, mogą zbyt mocno polegać na automatyce, brakować doświadczenia z przypadkami granicznymi lub nie weryfikować wyników, ryzykując błędy dla swojej organizacji i tracąc cenne możliwości uczenia się, które wzmacniają ekspertyzę dewelopera w trakcie całej kariery. Ciągłe uczenie się i praktyczne eksperymentowanie z przepływami pracy wspomaganymi przez AI pomogą deweloperom wyostrzyć te umiejętności w krótszym czasie i pozostać skutecznymi, gdy narzędzia kodowania AI ewoluują.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Pluralsight.