Джон Фрискикс, главный технический автор, Pluralsight – Интервью

Джон Фрискикс, главный технический автор, Pluralsight, является опытным педагогом и лидером контента, специализирующимся на разработке программного обеспечения и обучении, ориентированном на искусственный интеллект. В настоящее время он создает видеокурсы и практические лабораторные работы под руководством экспертов, охватывающие технологии such as Claude, Node.js, TypeScript, Tailwind CSS и Python, основанные на долгой карьере в компании, которая включает в себя старшую авторскую деятельность, архитектуру обучения и руководство в области обучения и стратегии учебных планов. Ранее он сыграл ключевую роль в формировании масштабируемых, многофункциональных систем обучения и руководстве тысячами технических создателей контента с помощью доказательных методов инструктивного дизайна, а ранее в своей карьере он возглавлял стратегию контента в Code School и преподавал широкий спектр технических предметов в Университете Центральной Флориды, создавая прочную основу как в образовании, так и в реальном развитии.

Pluralsight является ведущей платформой для развития технологических навыков, которая предоставляет онлайн-курсы, практические лабораторные работы и оценку навыков, чтобы помочь отдельным лицам и организациям построить экспертизу в таких областях, как разработка программного обеспечения, искусственный интеллект, облачные вычисления и кибербезопасность. Основанная в 2004 году, компания эволюционировала в комплексную систему обучения, используемую предприятиями и профессионалами во всем мире, объединяя контент, созданный экспертами, с идеями для закрытия пробелов в навыках и ускорения развития рабочей силы в все более технологически зависимой экономике.

Ваша карьера охватывает интерактивный дизайн учебных планов, крупномасштабные технические системы обучения и продвинутое обучение инструментам искусственного интеллекта. Как этот опыт сформировал ваше мнение о том, почему сильное инженерное суждение все еще важно в эпоху кодирования, поддерживаемого искусственным интеллектом?

Мой опыт показал мне, что сильное инженерное суждение заключается не только в написании кода. Это связано с пониманием систем и долгосрочных последствий. Искусственный интеллект может автоматизировать задачи и создать основу, которая приводит к решениям, но он не всегда понимает влияние решений на пользователей или системы способами, которые можно предсказать. Человеческое суждение гарантирует, что искусственный интеллект используется для повышения производительности безопасно, инженерное суждение более ценно, чем когда-либо, руководя командами по эффективному использованию искусственного интеллекта, сохраняя при этом качество и надежность.

Pluralsight давно фокусируется на закрытии пробелов в технических навыках. Как вы видите эволюцию этой миссии сейчас, когда навыки сотрудничества с искусственным интеллектом должны находиться рядом с традиционными основами разработки программного обеспечения?

Миссия Pluralsight заключается в том, чтобы оснастить учащихся основными техническими навыками, которые им необходимы для успеха. Когда искусственный интеллект становится сотрудником в разработке, эти основы остаются важными, но команды также должны понимать, как работать с искусственным интеллектом ответственно и проверять его выводы. Хотя искусственный интеллект может генерировать код, он не заменяет необходимость в навыках программирования и может улучшить их, добавляя понимание рабочих процессов и системное мышление к существующей экспертизе. Pluralsight помогает учащимся строить на существующих основах и сохранять стратегическое мышление посредством решений для обучения, которые включают курсы по требованию, практические лабораторные работы и семинары под руководством человеческих экспертов, которые эволюционируют вместе с технологическими инновациями.

Какие конкретные архитектурные, развертывание и управление рисками навыки, по вашему мнению, находятся под наибольшим риском, если разработчики становятся слишком зависимыми от кода, сгенерированного искусственным интеллектом?

Разработчики, которые слишком сильно полагаются на генерацию кода искусственным интеллектом и принимают его вывод без уделения времени пониманию того, что было сгенерировано, могут со временем ослабить свои стратегические навыки, такие как архитектурное мышление и оценка рисков. Понимание того, как взаимодействуют компоненты, и проектирование для надежности – это возможности, которые приобретаются через опыт в многих разных ситуациях. Это означает, что чрезмерная зависимость от искусственного интеллекта может не только привести к скрытым уязвимостям и нестабильности системы, но и ослабить долгосрочные навыки решения проблем разработчиков, позволяя этим проблемам остаться незамеченными или нерешенными до тех пор, пока это не станет слишком поздно.

Когда автономные инструменты кодирования набирают обороты, где вы видите наибольшее расхождение между тем, что эти инструменты обещают, и тем, что инженеры на самом деле готовы проверить или контролировать?

Непрерывное обучение имеет решающее значение для инженеров, когда они работают вместе с инструментами разработки, поддерживаемыми искусственным интеллектом, и автономными системами кодирования. Автономные инструменты кодирования обещают скорость и точность при генерации функционального кода, но они не понимают взаимодействия систем, безопасности и бизнес-воздействия, и это означает, что вы должны предоставить этот отсутствующий контекст. Расхождение заключается в предположении, что вывод искусственного интеллекта полный или правильный без человеческого надзора. Когда шаги проверки пропускаются или спешат, команды рискуют ввести дорогостоящие ошибки, уязвимости безопасности или несоответствия архитектуры. Это подкрепляет необходимость для инженеров постоянно обновлять свои навыки, чтобы они могли эффективно управлять и проверять работу, сгенерированную искусственным интеллектом.

Как компании должны пересмотреть свою стратегию повышения квалификации, чтобы гарантировать, что разработчики знают, когда доверять предложениям искусственного интеллекта, а когда замедлить и применить более глубокий обзор?

Повышение квалификации должно подчеркивать знание того, когда вывод искусственного интеллекта надежен, а когда необходим более глубокий обзор, включая тестирование сценариев и проверку подсказок. Этот подход подкрепляет суждение наряду с навыками программирования, гарантируя, что инженеры могут выбирать, когда полагаться на сгенерированный код, а не слишком сильно полагаться на него. Программы обучения и развития, которые предоставляют структурированные, практические опыт обучения, позволяют разработчикам экспериментировать с рабочими процессами, поддерживаемыми искусственным интеллектом, чтобы увидеть, как сгенерированный код ведет себя внутри полных приложений, и упражнять это суждение в песочнице. Полагаясь на обоих экспертное руководство и практические упражнения, инженеры могут лучше укрепить критическое мышление, необходимое для ответственной оценки выводов, сгенерированных искусственным интеллектом.

В быстро меняющихся средах продукта, как лидеры инженерии могут предотвратить то, чтобы сгенерированные искусственным интеллектом сокращения ввели долгосрочный технический долг или уязвимости безопасности?

Лидеры должны обеспечивать соблюдение рамок управления и оценку рисков для кода, сгенерированного искусственным интеллектом. Установление сильных границ и аудит выводов может помочь предотвратить долгосрочный технический долг и уязвимости безопасности. Я бы также предложил образование разработчиков, ориентированное на безопасные практики кодирования и осведомленность об архитектуре, чтобы гарантировать, что их инженеры понимают компромиссы, стоящие за предложениями, сгенерированными искусственным интеллектом. Регулярные практические обзоры и сценарийные тренировки могут помочь снизить вероятность того, что сокращения накопятся в скрытые системные риски.

Какие практические рамки или ограничения вы рекомендуете организациям принять, чтобы сохранить кодирование искусственного интеллекта как сотрудничество, а не как ответственность?

Инструменты, которые работают лучше всего для этого, – это новые протоколы обзора, отслеживание системы контроля версий и эксперименты с искусственным интеллектом в песочнице. Использование метрик, фреймворков наблюдаемости и оценок поможет командам отслеживать качество вывода и подкрепить ответственное сотрудничество, чтобы гарантировать, что искусственный интеллект является партнером в производительности, а не ответственностью. Также ценно для организаций изучить рабочие процессы, поддерживаемые искусственным интеллектом, чтобы понять возможности и ограничения этих инструментов для уникальных потребностей их команд. Эти практики помогут командам развить суждение, необходимое для эффективной интеграции предложений искусственного интеллекта без компрометации качества кода или стабильности системы.

Глядя вперед, что отличает разработчиков, которые будут процветать в будущем, дополненном искусственным интеллектом, от тех, кто может испытывать трудности с адаптацией?

Разработчики, которые преуспеют в будущем, дополненном искусственным интеллектом, будут сочетать сильные основные навыки с суждением, адаптивностью и системным мышлением. Они понимают, когда доверять искусственному интеллекту, когда вмешиваться, чтобы направлять и перенаправлять его, и как выводы подходят к более широкой системе. Те, кто испытывает трудности, могут слишком сильно полагаться на автоматизацию, не иметь опыта работы с крайними случаями или не проверять результаты, рискуя ошибками для своей организации и пропуская ценные возможности обучения, которые укрепляют экспертизу разработчика на протяжении всей строгой карьеры. Непрерывное обучение и практические эксперименты с рабочими процессами, поддерживаемыми искусственным интеллектом, помогут разработчикам развить эти навыки в более короткий срок и оставаться эффективными, поскольку инструменты кодирования искусственного интеллекта будут развиваться.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Pluralsight.