จอน ฟริสคิกส์, ผู้เขียนเทคนิคหลัก, Pluralsight – สัมภาษณ์ซีรีส์

จอน ฟริสคิกส์, ผู้เขียนเทคนิคหลัก, Pluralsight, เป็นนักการศึกษาที่มีประสบการณ์และผู้นำด้านเนื้อหาที่เชี่ยวชาญด้านการพัฒนาซอฟต์แวร์และการเรียนรู้ที่เน้น AI ในปัจจุบัน เขาผลิตวิดีโอ课程และห้องปฏิบัติการแบบมืออาชีพที่ครอบคลุมเทคโนโลยี เช่น Claude, Node.js, TypeScript, Tailwind CSS และ Python โดยสร้างบนพื้นฐานการทำงานที่ยาวนานภายในบริษัทที่ครอบคลุมการเขียนอาวุโส การออกแบบการเรียนรู้ และการ lãnh đạoด้านการฝึกอบรมและการวางแผนหลักสูตร ก่อนหน้านี้ เขาได้เล่นบทบาทสำคัญในการ塑造ระบบการเรียนรู้แบบหลายรูปแบบและชี้แนะผู้สร้างเนื้อหาทางเทคนิคหลายพันคนด้วยแนวปฏิบัติด้านการออกแบบการสอนตามหลักฐาน ในขณะที่ในช่วงต้นอาชีพของเขา เขาได้率การวางกลยุทธ์ nội dungที่ Code School และสอนวิชาทางเทคนิคหลากหลายที่ University of Central Florida โดยสร้างพื้นฐานที่แข็งแกร่งทั้งด้านการศึกษาและพัฒนาจริง

Pluralsight เป็นแพลตฟอร์มการพัฒนาทักษะเทคโนโลยีที่นำเสนอคอร์สออนไลน์ ห้องปฏิบัติการแบบมืออาชีพ และการประเมินทักษะเพื่อช่วยให้บุคคลและองค์กรสร้างความเชี่ยวชาญในด้านต่างๆ เช่น การพัฒนาซอฟต์แวร์ AI การคำนวณแบบคลาวด์ และความปลอดภัยทางไซเบอร์ ก่อตั้งขึ้นในปี 2004 บริษัทได้พัฒนาเป็นระบบนิเวศการเรียนรู้ที่ครอบคลุมซึ่งใช้โดยองค์กรและผู้เชี่ยวชาญทั่วโลก โดยรวมเนื้อหาที่เขียนโดยผู้เชี่ยวชาญด้วยข้อมูลเชิงลึกเพื่อปิดช่องว่างทักษะและเร่งการพัฒนากำลังคนในเศรษฐกิจที่ขับเคลื่อนด้วยเทคโนโลยีมากขึ้น

อาชีพของคุณครอบคลุมการออกแบบหลักสูตรแบบโต้ตอบ ระบบการเรียนรู้ทางเทคนิคขนาดใหญ่ และการศึกษาด้านเครื่องมือ AI ขั้นสูง ประสบการณ์นั้นได้塑造มุมมองของคุณเกี่ยวกับเหตุผลว่าทำไมการตัดสินใจทางวิศวกรรมที่แข็งแกร่งยังคงมีความสำคัญในยุคที่มีการเขียนโค้ดโดยใช้ AI

ประสบการณ์ของฉันแสดงให้เห็นว่าการตัดสินใจทางวิศวกรรมที่แข็งแกร่งไม่เพียงแต่เกี่ยวกับการเขียนโค้ดเท่านั้น แต่ยังเกี่ยวกับการเข้าใจระบบและผลกระทบในระยะยาว AI สามารถทำให้กระบวนการทำงานอัตโนมัติและสร้างโครงสร้างที่นำไปสู่วิธีแก้ปัญหา แต่ไม่จำเป็นต้องเข้าใจผลกระทบของการตัดสินใจต่อผู้ใช้หรือระบบเสมอไป การตัดสินใจของมนุษย์ทำให้แน่ใจว่า AI ถูกใช้เพื่อเพิ่มผลผลิตอย่างปลอดภัย การตัดสินใจทางวิศวกรรมมีค่ามากกว่าที่เคย โดยชี้แนะทีมให้ใช้ AI อย่างมีประสิทธิภาพในขณะเดียวกันก็รักษาคุณภาพและความน่าเชื่อถือ

Pluralsight มุ่งเน้นไปที่การปิดช่องว่างทักษะทางเทคนิคมาโดยตลอด คุณเห็นภารกิจนี้เปลี่ยนแปลงไปอย่างไรเมื่อทักษะการทำงานร่วมกับ AI ต้องอยู่ข้างๆ การพัฒนาซอฟต์แวร์แบบดั้งเดิม

ภารกิจของ Pluralsight คือการให้ผู้เรียนมีทักษะทางเทคนิคพื้นฐานที่จำเป็นต่อความสำเร็จ เมื่อ AI กลายเป็นผู้ร่วมงานในการพัฒนาทasks พื้นฐานเหล่านั้นยังคงจำเป็น แต่ทีมต้องเข้าใจวิธีการทำงานร่วมกับ AI อย่างมีความรับผิดชอบและตรวจสอบผลลัพธ์ แม้ว่า AI จะสามารถสร้างโค้ดได้ แต่ก็ไม่ได้แทนที่ความจำเป็นในการมีทักษะการเขียนโค้ด และสามารถเพิ่มทักษะการทำงานโดยการเพิ่มความเข้าใจกระบวนการทำงานและความคิดระบบบนพื้นฐานทักษะที่มีอยู่แล้ว Pluralsight ช่วยให้ผู้เรียนสร้างบนพื้นฐานทักษะพื้นฐานที่มีอยู่แล้วและรักษาความคิดเชิงกลยุทธ์ผ่านการเรียนรู้ที่รวมถึงคอร์สแบบออนดีมานด์ ห้องปฏิบัติการแบบมืออาชีพ และการฝึกอบรมโดยผู้เชี่ยวชาญที่พัฒนาไปพร้อมกับการ đổiใหม่ของเทคโนโลยี

ทักษะด้านสถาปัตยกรรม การใช้งาน และการจัดการความเสี่ยงที่คุณเชื่อว่านักพัฒนาอาจเสี่ยงต่อการเสียไปหากพึ่งพาโค้ดที่สร้างโดย AI มากเกินไป

นักพัฒนาที่พึ่งพาการสร้างโค้ดโดย AI มากเกินไปโดยไม่ใช้เวลาในการเข้าใจสิ่งที่ถูกสร้างขึ้นอาจทำให้ทักษะเชิงกลยุทธ์ เช่น การคิดเชิงสถาปัตยกรรมและการประเมินความเสี่ยง อ่อนแอลงไปตามเวลา การเข้าใจว่า компон 件ต่างๆ สัมพันธ์กันและออกแบบเพื่อความน่าเชื่อถือเป็นความสามารถที่เรียนรู้ผ่านประสบการณ์ในหลายๆ สถานการณ์ ซึ่งหมายความว่าการพึ่งพา AI มากเกินไปอาจนำไปสู่ช่องโหว่และความไม่มั่นคงของระบบ และทำให้ทักษะการแก้ปัญหาในระยะยาวของนักพัฒนาอ่อนแอลง ทำให้ปัญหาเหล่านั้นไม่ได้รับการสังเกตหรือแก้ไขจนกว่าจะสายเกินไป

เมื่อเครื่องมือเขียนโค้ดอัตโนมัติได้รับความนิยม คุณเห็นจุดเชื่อมต่อที่ใหญ่ที่สุดระหว่างสิ่งที่เครื่องมือเหล่านี้สัญญากับสิ่งที่วิศวกรเตรียมที่จะตรวจสอบหรือกำกับดูแลอย่างไร

การเรียนรู้อย่างต่อเนื่องเป็นสิ่งจำเป็นสำหรับวิศวกรเมื่อทำงานร่วมกับเครื่องมือพัฒนาโดย AI และระบบเขียนโค้ดอัตโนมัติ เครื่องมือเขียนโค้ดอัตโนมัติสัญญาว่าจะมีความเร็วและความแม่นยำในการสร้างโค้ดที่ทำงานได้ แต่ไม่มีความเข้าใจเกี่ยวกับการโต้ตอบของระบบ ความปลอดภัย และผลกระทบทางธุรกิจ ซึ่งหมายความว่าคุณต้องให้ข้อมูลเชิงบริบทที่หายไป จุดเชื่อมต่ออยู่ที่การ假定ว่าผลลัพธ์ของ AI เป็นสมบูรณ์หรือถูกต้องโดยไม่มีการกำกับดูแลของมนุษย์ เมื่อกำลังข้ามขั้นตอนการตรวจสอบหรือเร่งรีบ ทีมต้องเสี่ยงต่อการนำไปสู่ข้อผิดพลาดที่มีค่าใช้จ่ายสูง ช่องโหว่ด้านความปลอดภัย หรือความไม่สอดคล้องกันทางสถาปัตยกรรม ซึ่งเน้นย้ำถึงความจำเป็นที่วิศวกรจะต้องอัปเดททักษะของตนอย่างต่อเนื่องเพื่อจัดการและตรวจสอบผลงานที่สร้างโดย AI ได้อย่างมีประสิทธิภาพ

บริษัทควรปรับกลยุทธ์การพัฒนาทักษะใหม่เพื่อให้แน่ใจว่านักพัฒนารู้ว่าเมื่อใดที่ควรไว้วางใจคำแนะนำของ AI และเมื่อใดที่ควรชะลอการตรวจสอบอย่างลึกซึ้ง

การเพิ่มทักษะควรเน้นไปที่การรู้ว่าเมื่อใดที่ผลลัพธ์ของ AI น่าเชื่อถือเทียบกับเมื่อใดที่ต้องการการตรวจสอบอย่างลึกซึ้ง รวมถึงการทดสอบสถานการณ์และการตรวจสอบคำสั่ง นี้ช่วยเสริมสร้างการตัดสินใจร่วมกับทักษะการเขียนโค้ด โดยทำให้วิศวกรสามารถไว้วางใจ AI ได้อย่างเลือกสรร มากกว่าการพึ่งพาโค้ดที่สร้างโดย AI มากเกินไป โปรแกรมการฝึกอบรมและการพัฒนาที่ให้ประสบการณ์การเรียนรู้แบบมืออาชีพที่มีโครงสร้างช่วยให้นักพัฒนาสามารถทดลองกับกระบวนการทำงานที่ได้รับการสนับสนุนจาก AI เพื่อดูว่าโค้ดที่สร้างขึ้นจะทำงานอย่างไรภายในแอปพลิเคชันเต็มรูปแบบและฝึกฝนทักษะการตัดสินใจใน环境ที่ปลอดภัย โดยการอาศัยทั้งการฝึกอบรมโดยผู้เชี่ยวชาญและการฝึกปฏิบัติ นักพัฒนาสามารถเสริมสร้างทักษะการคิดเชิงวิพากษ์ที่จำเป็นในการประเมินผลลัพธ์ของ AI อย่างมีความรับผิดชอบ

ในสภาพแวดล้อมผลิตภัณฑ์ที่เปลี่ยนแปลงอย่างรวดเร็ว ผู้นำด้านวิศวกรรมสามารถป้องกันไม่ให้ทางลัดที่สร้างโดย AI นำไปสู่หนี้สินทางเทคนิคหรือช่องโหว่ด้านความปลอดภัยในระยะยาวได้อย่างไร

ผู้นำต้องบังคับใช้โครงสร้างการกำกับดูแลและประเมินความเสี่ยงสำหรับโค้ดที่สร้างโดย AI การกำหนดขอบเขตที่เข้มงวดและตรวจสอบผลลัพธ์สามารถช่วยป้องกันหนี้สินทางเทคนิคและช่องโหว่ด้านความปลอดภัยในระยะยาว ฉันจะแนะนำการฝึกอบรมนักพัฒนาที่เน้นไปที่การเขียนโค้ดอย่างปลอดภัยและความตระหนักทางสถาปัตยกรรมเพื่อให้แน่ใจว่า工程师เข้าใจการแลกเปลี่ยนที่อยู่เบื้องหลังคำแนะนำของ AI การทบทวนแบบมืออาชีพและการฝึกอบรมตามสถานการณ์สามารถช่วยลดความน่าจะเป็นที่ทางลัดจะสะสมเป็นความเสี่ยงของระบบที่ซ่อนอยู่

คุณแนะนำโครงสร้างหรือการป้องกันใดที่องค์กรควรนำมาใช้เพื่อให้แน่ใจว่าการเขียนโค้ดโดย AI เป็นการทำงานร่วมกันมากกว่าการเป็นภัยคุกคาม

เครื่องมือที่ทำงานได้ดีที่สุดสำหรับสิ่งนี้คือโพรโทคอลการตรวจสอบใหม่ การติดตามการควบคุมแบบเรียลไทม์ และการทดลอง AI ในสภาพแวดล้อมที่ปลอดภัย การใช้เมตริกส์ เฟรมเวิร์กการตรวจสอบ และการประเมินจะช่วยให้ทีมติดตามคุณภาพของผลลัพธ์และเสริมสร้างการทำงานร่วมกันอย่างมีความรับผิดชอบเพื่อให้แน่ใจว่า AI เป็นพันธมิตรในการเพิ่มผลผลิตมากกว่าการเป็นภัยคุกคาม นอกจากนี้ยังมีคุณค่าสำหรับองค์กรในการสำรวจกระบวนการทำงานที่ได้รับการสนับสนุนจาก AI เพื่อทำความเข้าใจความสามารถและข้อจำกัดของเครื่องมือเหล่านี้สำหรับความต้องการเฉพาะของทีม การปฏิบัติเหล่านี้จะช่วยให้ทีมพัฒนาการตัดสินใจที่จำเป็นในการรวมคำแนะนำของ AI อย่างมีประสิทธิภาพโดยไม่กระทบต่อคุณภาพของโค้ดหรือเสถียรภาพของระบบ

เมื่อมองไปข้างหน้า สิ่งใดที่ทำให้นักพัฒนาที่จะประสบความสำเร็จในอนาคตที่ได้รับการเสริมด้วย AI ต่างจากผู้ที่อาจต้องดิ้นรนในการปรับตัว

นักพัฒนาที่จะประสบความสำเร็จในอนาคตที่ได้รับการเสริมด้วย AI จะรวมทักษะพื้นฐานที่แข็งแกร่งเข้ากับการตัดสินใจ การปรับตัว และการคิดเชิงระบบ พวกเขาจะเข้าใจว่าเมื่อใดที่จะไว้วางใจ AI เมื่อใดที่จะเข้าแทรกและชี้แนะ AI และวิธีที่ผลลัพธ์เข้ากันได้กับระบบที่กว้างขึ้น ผู้ที่ต้องดิ้นรนในการปรับตัวอาจพึ่งพาอัตโนมัติมากเกินไป ขาดประสบการณ์กับกรณีเชิงขอบ หรือล้มเหลวในการตรวจสอบผลลัพธ์ ซึ่งไม่เพียงแต่ทำให้เกิดความเสี่ยงต่อองค์กรเท่านั้น แต่ยังทำให้พลาดโอกาสในการเรียนรู้ที่มีค่าซึ่งเสริมสร้างความเชี่ยวชาญของนักพัฒนาตลอดอาชีพที่เข้มงวด การเรียนรู้อย่างต่อเนื่องและการทดลองแบบมืออาชีพกับกระบวนการทำงานที่ได้รับการสนับสนุนจาก AI จะช่วยให้นักพัฒนาพัฒนาทักษะเหล่านี้ในระยะเวลาที่สั้นลงและยังคงมีประสิทธิภาพเมื่อเครื่องมือเขียนโค้ดโดย AI วิวัฒนาการ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Pluralsight