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

Jon Friskics, Principal Technical Author, Pluralsight, är en erfaren utbildare och innehållsledare som specialiserar sig på programvaruutveckling och AI-fokuserade lärupplevelser. I sin nuvarande roll skapar han expertledda videokurser och praktiska laborationer som täcker teknologier som Claude, Node.js, TypeScript, Tailwind CSS och Python, och bygger på en lång karriär inom företaget som omfattar seniorförfattarskap, lärandearkitektur och ledarskap inom utbildning och kursstrategi. Tidigare har han spelat en nyckelroll i att forma skalbara, multimodala lärningssystem och vägleda tusentals tekniska innehållsskapare med evidensbaserad instruktionsdesign, medan han tidigare i sin karriär ledde innehållsstrategi på Code School och undervisade i en mängd olika tekniska ämnen vid University of Central Florida, och etablerade en stark grund i både utbildning och verklig utveckling.

Pluralsight är en ledande plattform för utveckling av tekniska färdigheter som erbjuder onlinekurser, praktiska laborationer och färdighetsbedömningar för att hjälpa individer och organisationer bygga kompetens inom områden som programvaruutveckling, AI, molnteknik och cybersäkerhet. Grundat 2004 har företaget utvecklats till en omfattande lärningsekosystem som används av företag och proffs över hela världen, och kombinerar expertskapade innehåll med insikter för att täppa till kompetensgap och påskynda arbetsstyrkeutveckling i en alltmer teknikdriven ekonomi.

Din karriär omfattar interaktiv kurssdesign, storskaliga tekniska lärningssystem och avancerad AI-verktygsutbildning. Hur har den bakgrunden format din syn på varför starka ingenjörsbedömningar fortfarande är viktiga i en era med AI-assisterad kodning?

Min erfarenhet har visat mig att starka ingenjörsbedömningar handlar om mer än att skriva kod. Det handlar om att förstå system och långsiktiga konsekvenser. AI kan automatisera uppgifter och skapa en ram som leder till lösningar, men det förstår inte alltid effekten av beslut på användare eller system på sätt som är förutsägbara. Mänsklig bedömning säkerställer att AI används för att förbättra produktiviteten på ett säkert sätt, och ingenjörsbedömning är mer värdefull än någonsin, eftersom den vägleder team att utnyttja AI effektivt samtidigt som de upprätthåller kvalitet och tillförlitlighet.

Pluralsight har länge fokuserat på att täppa till tekniska kompetensgap. Hur ser du att den missionen utvecklas nu när AI-samarbetsfärdigheter måste sitta bredvid traditionella programvaruutvecklingsgrunder?

Pluralsights mission är att utrusta lärande med de grundläggande tekniska färdigheter de behöver för att lyckas. När AI blir en samarbetspartner i utvecklingsuppgifter förblir dessa grunder fortfarande essentiella, men team behöver också förstå hur de kan arbeta med AI på ett ansvarsfullt sätt och validera dess utdata. Även om AI kan generera kod, ersätter det inte behovet av kodningsfärdigheter, och det kan förbättra dem genom att lägga till arbetsflödesförståelse och systemtänkande ovanpå befintlig expertis. Pluralsight hjälper lärande att bygga på befintliga grundläggande färdigheter och upprätthålla strategiskt tänkande genom lärningslösningar som inkluderar kurser på begäran, praktiska laborationer och expertledda workshoppar som utvecklas tillsammans med teknisk innovation.

Vilka specifika arkitektur-, distributions- och riskhanteringsfärdigheter tror du är mest utsatta om utvecklare blir alltför beroende av AI-genererad kod?

Utvecklare som förlitar sig för mycket på AI-kodgenerering och accepterar dess utdata utan att ta sig tid att förstå vad som genererades kan på sikt försvaga sina strategiska färdigheter som arkitektur och riskbedömning. Att förstå hur komponenter interagerar och designa för tillförlitlighet är färdigheter som lärs genom erfarenhet i många olika situationer. Detta innebär att en alltför stor tillit till AI kan inte bara leda till dolda sårbarheter och systeminstabilitet, utan också försvaga utvecklares långsiktiga problemlösningsförmåga, vilket gör att problem kan gå obemärkta eller olösta tills det är för sent.

När autonoma kodverktyg får mer uppmärksamhet, var ser du den största diskonsekansen mellan vad dessa verktyg lovar och vad ingenjörer faktiskt är beredda att validera eller övervaka?

Kontinuerligt lärande är avgörande för ingenjörer när de arbetar tillsammans med AI-assisterade utvecklingsverktyg och autonoma kodsystem. Autonoma kodverktyg lovar snabbhet och noggrannhet i att generera fungerande kod, men de saknar förståelse för systeminteraktioner, säkerhet och affekt, och det betyder att du måste tillhandahålla den saknade kontexten. Diskonsekansen ligger i att anta att AI-utdata är komplett eller korrekt i avsaknad av mänsklig tillsyn. När valideringssteg hoppas över eller skyndas, riskerar team att införa dyra buggar, säkerhetsrisker eller arkitekturinkonsekvenser. Detta förstärker behovet av att ingenjörer kontinuerligt uppdaterar sina färdigheter så att de kan hantera och validera AI-genererat arbete effektivt.

Hur bör företag omvärdera sina uppskillingstrategier för att säkerställa att utvecklare vet när de ska lita på AI-förslag och när de ska sakta ner och tillämpa en djupare granskning?

Uppskilling bör betona att veta när AI-utdata är tillförlitligt kontra när en djupare granskning behövs, inklusive scenariotestning och promptvalidering. Detta tillvägagångssätt förstärker bedömning tillsammans med kodningsfärdigheter, vilket säkerställer att ingenjörer kan lita på AI selektivt snarare än att förlita sig för mycket på genererad kod. L&D-program som erbjuder strukturerade, praktiska lärupplevelser låter utvecklare experimentera med AI-assisterade arbetsflöden för att se hur genererad kod beter sig inom fullständiga applikationer och öva den bedömningen i en sandlådemiljö. Genom att luta sig mot både expertledd undervisning och praktiska övningar kan ingenjörer bättre stärka de kritiska tänkesätten som behövs för att utvärdera AI-genererade utdata på ett ansvarsfullt sätt.

I snabbt föränderliga produktmiljöer, hur kan teknikledare förhindra att AI-genererade genvägar introducerar långsiktig teknisk skuld eller säkerhetsrisker?

Ledare måste upprätthålla styrningsramar och riskbedömning för AI-genererad kod. Att etablera starka gränser och granska utdata kan hjälpa till att förhindra långsiktig teknisk skuld och säkerhetsrisker. Jag skulle också föreslå utvecklarutbildning som fokuserar på säkra kodningspraxis och arkitekturmedvetenhet för att säkerställa att deras ingenjörer förstår avvägningarna bakom AI-genererade förslag. Reguljära praktiska granskningsövningar och scenariobaserad utbildning kan hjälpa till att minska sannolikheten att genvägar ackumuleras till dolda systemrisker.

Vilka praktiska ramverk eller skyddsanordningar rekommenderar du att organisationer antar för att hålla AI-kodning som ett samarbete snarare än en belastning?

De verktyg som fungerar bäst för detta är nya granskningsprotokoll, versionskontrollspårning och sandlådesexperiment med AI. Att utnyttja mått, observerbarhetsramverk och utvärderingar kommer att hjälpa team att spåra utdatakvalitet och förstärka ansvarsfullt samarbete för att säkerställa att AI är en partner i produktivitet snarare än en belastning. Det är också värdefullt för organisationer att utforska AI-assisterade arbetsflöden för att förstå verktygens förmågor och begränsningar för deras teams unika behov. Dessa metoder kommer att hjälpa team att utveckla den bedömning som behövs för att integrera AI-förslag effektivt utan att kompromissa med kodkvalitet eller systemstabilitet.

Om man ser framåt, vad skiljer utvecklare som kommer att trivas i en AI-förstärkt framtid från de som kan ha svårt att anpassa sig?

Utvecklare som excellerar i en AI-förstärkt framtid kommer att kombinera starka grundläggande färdigheter med bedömning, anpassningsförmåga och systemtänkande. De förstår när de ska lita på AI, när de ska ingripa för att vägleda och omriktning, och hur utdata passar in i det bredare systemet. De som kämpar kan förlita sig för mycket på automatisering, sakna erfarenhet av gränsfall eller misslyckas med att validera resultat, vilket både riskerar fel för organisationen och missar de värdefulla lärandemöjligheterna som stärker en utvecklares expertis under en rigorös karriär. Kontinuerligt lärande och praktiskt experiment med AI-assisterade arbetsflöden kommer att hjälpa utvecklare att skärpa dessa färdigheter på en kortare tid och förbli effektiva när AI-kodningsverktyg utvecklas.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Pluralsight.