Jon Friskics, Autor Tehnic Principal, Pluralsight – Seria de Interviuri

Jon Friskics, Autor Tehnic Principal, Pluralsight, este un educator experimentat și lider de conținut specializat în experiențe de învățare axate pe dezvoltarea de software și inteligență artificială. În prezent, el creează cursuri video și laboratoare practice conduse de experți, care acoperă tehnologii precum Claude, Node.js, TypeScript, Tailwind CSS și Python, construind pe o carieră lungă în cadrul companiei, care cuprinde autorat senior, arhitectură de învățare și conducere în strategia de formare și curriculum. Înainte de aceasta, el a jucat un rol cheie în modelarea sistemelor de învățare scalabile, multi-modale și în ghidarea a mii de creatori de conținut tehnic cu practici de proiectare instructivă bazate pe dovezi, în timp ce la începutul carierei sale, el a condus strategia de conținut la Code School și a predat o gamă largă de subiecte tehnice la Universitatea din Central Florida, stabilind o bază solidă atât în educație, cât și în dezvoltare reală.

Pluralsight este o platformă de dezvoltare a abilităților tehnice care oferă cursuri online, laboratoare practice și evaluări ale abilităților pentru a ajuta indivizii și organizațiile să-și dezvolte expertiza în domenii precum dezvoltarea de software, inteligență artificială, calcul în nor și securitate cibernetică. Fondată în 2004, compania a evoluat într-un ecosistem de învățare cuprinzător, utilizat de întreprinderi și profesioniști din întreaga lume, combinând conținut autorizat de experți cu insight-uri pentru a închide lacunele de abilități și a accelera dezvoltarea forței de muncă într-o economie din ce în ce mai condusă de tehnologie.

Careea dvs. cuprinde proiectarea curriculei interactive, sisteme de învățare tehnică la scară largă și educație avansată pentru instrumente AI. Cum v-a influențat această experiență perspectiva asupra motivului pentru care judecata inginerească puternică încă contează în era codării asistate de IA?

Experiența mea mi-a arătat că judecata inginerească puternică este despre mai mult decât scrierea de cod. Este despre înțelegerea sistemelor și consecințelor pe termen lung. IA poate automatiza sarcini și crea un cadru care conduce la soluții, dar nu întotdeauna înțelege impactul deciziilor asupra utilizatorilor sau sistemelor în moduri previzibile. Judecata umană asigură că IA este utilizată pentru a crește productivitatea în siguranță, judecata inginerească fiind mai valoroasă ca niciodată, ghidând echipele pentru a utiliza IA în mod eficient, menținând în același timp calitatea și fiabilitatea.

Pluralsight s-a concentrat de mult timp pe închiderea lacunelor de abilități tehnice. Cum vedeți această misiune evoluând acum, când abilitățile de colaborare AI trebuie să stea lângă fundamentalele dezvoltării de software tradiționale?

Misiunea Pluralsight este de a dota învățătorii cu abilitățile tehnice fundamentale de care au nevoie pentru a reuși. Pe măsură ce IA devine un colaborator în sarcinile de dezvoltare, aceste fundamentale rămân esențiale, dar echipele trebuie să înțeleagă cum să lucreze cu IA în mod responsabil și să valideze ieșirile sale. Chiar dacă IA poate genera cod, nu înlocuiește nevoia de abilități de codare și poate îmbunătăți aceste abilități prin stratificarea înțelegerii fluxului de lucru și a gândirii sistemice peste expertiza existentă. Pluralsight ajută învățătorii să-și construiască pe abilitățile fundamentale existente și să mențină gândirea strategică prin soluții de învățare care includ cursuri la cerere, laboratoare practice și ateliere conduse de experți, care evoluează odată cu inovația tehnologică.

Care sunt abilitățile arhitecturale, de implementare și de gestionare a riscurilor pe care le considerați că sunt cel mai mult expuse la risc, dacă dezvoltatorii devin prea dependenți de codul generat de IA?

Dezvoltatorii care se bazează prea mult pe generarea de cod IA și acceptă ieșirile sale fără a lua timpul necesar pentru a înțelege ce a fost generat, pot slăbi în timp abilitățile strategice, cum ar fi gândirea arhitecturală și evaluarea riscurilor. Înțelegerea modului în care componentele interacționează și proiectarea pentru fiabilitate sunt capacități care se învață prin experiență în multe situații diferite. Acest lucru înseamnă că o dependență excesivă de IA poate duce nu numai la vulnerabilități și instabilități ale sistemului, ci și la diminuarea capacităților de rezolvare a problemelor ale dezvoltatorilor pe termen lung, permițând ca aceste probleme să rămână nedetectate sau nerezolvate până când este prea târziu.

Pe măsură ce instrumentele de codare autonome câștigă teren, unde vedeți cea mai mare discontinuitate între ceea ce promit aceste instrumente și ceea ce inginerii sunt realmente pregătiți să valideze sau să supravegheze?

Învățarea continuă este esențială pentru ingineri pe măsură ce lucrează alături de instrumente de dezvoltare asistate de IA și sisteme de codare autonome. Instrumentele de codare autonome promit viteză și acuratețe în generarea codului funcțional, dar lipsesc înțelegerea interacțiunilor sistemului, securității și impactului comercial, și asta înseamnă că trebuie să furnizați contextul lipsă. Discontinuitatea se află în presupunerea că ieșirile IA sunt complete sau corecte în absența supravegherii umane. Când pașii de validare sunt săriți sau grăbiți, echipele riscă introducerea de bug-uri costisitoare, vulnerabilități de securitate sau incoerențe arhitecturale. Acest lucru subliniază nevoia ca inginerii să-și actualizeze în mod continuu abilitățile pentru a putea gestiona și valida eficient munca generată de IA.

Cum ar trebui companiile să-și reconsidere strategiile de dezvoltare profesională pentru a asigura că dezvoltatorii știu când să aibă încredere în sugestiile IA și când să încetinească și să aplice o revizuire mai profundă?

Dezvoltarea profesională ar trebui să pună accentul pe cunoașterea momentului în care ieșirile IA sunt de încredere, în contrast cu momentele în care este nevoie de o revizuire mai profundă, inclusiv testarea scenariilor și validarea prompturilor. Această abordare întărește judecata alături de abilitățile de codare, asigurând că inginerii pot avea încredere în IA în mod selectiv, mai degrabă decât să se bazeze prea mult pe codul generat. Programele de învățare și dezvoltare care oferă experiențe de învățare practice și structurate permit dezvoltatorilor să experimenteze cu fluxuri de lucru asistate de IA pentru a vedea cum se comportă codul generat în aplicații complete și să exercite această judecată într-un mediu de siguranță. Prin combinarea instruirii conduse de experți cu exerciții practice, inginerii pot consolida abilitățile de gândire critică necesare pentru a evalua ieșirile generate de IA în mod responsabil.

În medii de produs cu mișcare rapidă, cum pot preveni liderii de inginerie introducerea de datorii tehnice pe termen lung sau a vulnerabilităților de securitate de către scurtăturile generate de IA?

Liderii trebuie să impună cadre de guvernanță și evaluări ale riscurilor pentru codul generat de IA. Stabilirea unor limite puternice și auditarea ieșirilor poate ajuta la prevenirea datoriilor tehnice pe termen lung și a vulnerabilităților de securitate. Aș sugera, de asemenea, educația dezvoltatorilor axată pe practici de codare sigure și conștientizarea arhitecturală pentru a asigura că inginerii lor înțeleg compromisurile din spatele sugestiilor generate de IA. Exerciții regulate de revizuire și antrenament bazat pe scenarii pot ajuta la reducerea probabilității ca scurtăturile să se acumuleze în riscuri sistemice ascunse.

Care sunt cadrurile practice sau barajele pe care le recomandați organizațiilor să le adopte pentru a păstra codarea IA ca o colaborare și nu ca o vulnerabilitate?

Uneltele care funcționează cel mai bine pentru acest lucru sunt noi protocoale de revizuire, urmărirea controlului versiunii și experimentarea izolată a IA. Utilizarea metricilor, cadrelor de observabilitate și evaluărilor va ajuta echipele să urmărească calitatea ieșirii și să întărească colaborarea responsabilă, asigurând că IA este un partener în productivitate și nu o vulnerabilitate. De asemenea, este valoros pentru organizații să exploreze fluxuri de lucru asistate de IA pentru a înțelege capacitățile și limitările acestor unelte pentru nevoile specifice ale echipelor lor. Aceste practici vor ajuta echipele să dezvolte judecata necesară pentru a integra sugestiile IA în mod eficient, fără a compromite calitatea codului sau stabilitatea sistemului.

Privind spre viitor, ce distinge dezvoltatorii care vor prospera într-un viitor îmbunătățit de IA de cei care pot lupta să se adapteze?

Dezvoltatorii care vor excela într-un viitor îmbunătățit de IA vor combina abilități fundamentale puternice cu judecată, adaptabilitate și gândire sistemică. Ei înțeleg când să aibă încredere în IA, când să intervină pentru a-o ghida și redirecționa, și cum ieșirile se potrivesc în sistemul mai larg. Cei care pot lupta să se adapteze pot depinde prea mult de automatizare, pot lipsi experiența cu cazuri limită sau pot eșua în validarea rezultatelor, riscând astfel erori pentru organizația lor și pierzând oportunitățile de învățare valoroase care întăresc expertiza unui dezvoltator pe parcursul unei cariere riguroase. Învățarea continuă și experimentarea practică cu fluxuri de lucru asistate de IA vor ajuta dezvoltatorii să-și ascuțească aceste abilități într-un interval de timp mai scurt și să rămână eficienți pe măsură ce uneltele de codare IA evoluează.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe trebuie să viziteze Pluralsight.