Jon Friskics, Baş Teknik Yazar, Pluralsight – Röportaj Serisi

Jon Friskics, Pluralsight’ın Baş Teknik Yazarı, deneyimli bir eğitimci ve içerik lideridir. Yazılımların geliştirilmesi ve AI odaklı öğrenme deneyimlerine uzmanlaşmıştır. Mevcut görevinde, Claude, Node.js, TypeScript, Tailwind CSS ve Python gibi teknolojileri kapsayan uzman liderliğindeki video kursları ve pratik laboratuvarlar oluşturmakta, şirket içindeki uzun kariyerine dayanmaktadır. Daha önce, ölçeklenebilir, çok modlu öğrenme sistemlerinin şekillenmesinde ve binlerce teknik içerik yaratıcısına kanıta dayalı öğretim tasarımı uygulamaları konusunda önemli bir rol oynamıştır. Ayrıca, Code School’da içerik stratejisi liderliği yapmış ve Central Florida Üniversitesi’nde geniş bir yelpazede teknik konular taught. Eğitim ve gerçek dünya geliştirme konusunda güçlü bir temel oluşturmuştur.

Pluralsight, bireylerin ve organizasyonların uzmanlık kazanmaları için yazılımların geliştirilmesi, AI, bulut bilişim ve siber güvenlik gibi alanlarda online kurslar, pratik laboratuvarlar ve beceri değerlendirmeleri sunan bir teknoloji becerileri geliştirme platformudur. 2004 yılında kurulan şirket, uzman içerikle birleşen bir öğrenme ekosistemi haline gelmiştir. Uzman içerik ve içgörülerle beceri açıklarını kapatmak ve teknolojik olarak ilerleyen ekonomide işgücü gelişimini hızlandırmak için kullanılır.

Kariyeriniz, etkileşimli müfredat tasarımı, büyük ölçekli teknik öğrenme sistemleri ve ileri AI araçlı eğitimden oluşuyor. Bu geçmiş, güçlü mühendislik yargısının neden hala AI destekli kodlama döneminde önemli olduğunu düşünmenize nasıl yol açtı?

Deneyimlerim, güçlü mühendislik yargısının sadece kod yazmaktan daha fazlası olduğunu gösterdi. Sistemleri ve uzun vadeli sonuçları anlamakla ilgilidir. AI, görevleri otomatikleştirebilir ve bir çerçeve oluşturabilir, ancak her zaman kararların kullanıcılar veya sistemler üzerindeki etkisini öngörülebilir bir şekilde kavramaz. İnsan yargısı, AI’nin güvenli bir şekilde üretkenliği artırmak için kullanıldığını garantiler. Mühendislik yargısı, AI’yi etkili bir şekilde kullanmak ve kalite ile güvenilirliği korumak için ekiplere rehberlik etmek için daha da değerli hale geldi.

Pluralsight, uzun süredir teknik beceri açıklarını kapatmaya odaklandı. AI işbirliği becerilerinin geleneksel yazılım geliştirme temelleriyle birlikte oturması gerektiğini görürken bu misyonun nasıl evrildiğini düşünüyorsunuz?

Pluralsight’ın misyonu, öğrenenlere başarılı olmak için gerekli temel teknik becerileri kazandırmaktır. AI, geliştirme görevlerinde bir işbirliği haline geldikçe, bu temel beceriler hala gereklidir, ancak ekipler ayrıca AI ile sorumlu bir şekilde çalışmayı ve çıktılarını doğrulamayı öğrenmelidir. AI, kodu oluşturabilir, ancak kodlama becerilerinin yerini alamaz ve mevcut uzmanlığa iş akışı anlayışını ve sistem düşünmesini ekleyerek bunları geliştirebilir. Pluralsight, öğrenenlerin mevcut temel becerilerini geliştirmelerine ve stratejik düşünmeyi sürdürmelerine yardımcı olur.

Geliştiricilerin AI tarafından oluşturulan kodu fazla bağımlı hale gelmesi durumunda, mimari, dağıtım ve risk yönetimi becerilerinin hangilerinin en çok tehlike altında olduğunu düşünüyorsunuz?

Geliştiriciler, AI tarafından oluşturulan kodu fazla bağımlı hale gelirse ve oluşturulan kodu anlamak için zaman ayırmazlarsa, mimari düşünme ve risk değerlendirmesi gibi stratejik becerilerini zayıflatabilirler. Bileşenlerin nasıl etkileşimde bulunduğunu anlamak ve güvenilirlik için tasarlamak, birçok farklı durumdan edinilen becerilerdir. AI’ye fazla bağımlılık, sadece gizli zayıflıklar ve sistem istikrarsızlığına yol açmakla kalmaz, aynı zamanda geliştiricilerin uzun vadeli problem çözme yeteneklerini de zayıflatabilir.

Otonom kodlama araçları popülerlik kazandıkça, mühendislerin gerçekten doğrulamak veya denetlemek için hazır oldukları şeylerle bu araçların vadettiği şey arasında en büyük ayrılığın nerede olacağını düşünüyorsunuz?

Mühendisler, AI destekli geliştirme araçları ve otonom kodlama sistemleriyle çalışırken sürekli öğrenme önemlidir. Otonom kodlama araçları, işlevsel kodu hızlı ve doğru bir şekilde oluşturma vaat eder, ancak sistem etkileşimleri, güvenlik ve iş etkileri hakkında bir anlayışa sahip değildir. Bu, insan denetiminin gerekli olduğu anlamına gelir. Doğrulama adımlarını atlamak veya acele etmek, pahalı hatalar, güvenlik açıkları veya mimari tutarsızlıkların ortaya çıkmasına neden olabilir. Bu, mühendislerin becerilerini güncellemesinin ve AI tarafından oluşturulan çalışmayı etkili bir şekilde yönetip doğrulayabilmesinin önemini vurgular.

Şirketler, geliştiricilerin AI önerilerine ne zaman güvenilebileceğini ve ne zaman daha derin bir inceleme yapmaları gerektiğini bilmeleri için yeteneklerini geliştirme stratejilerini nasıl yeniden düşünmelidir?

Yetenek geliştirme, AI çıktısının ne zaman güvenilir ve ne zaman daha derin bir inceleme gerektirdiğini vurgulamalıdır. Bu, kodlama becerileriyle birlikte yargıyı güçlendirir ve mühendislerin AI tarafından oluşturulan çıktıya seçici olarak güvenmelerini sağlar. Yapılandırılmış, pratik öğrenme deneyimleri sunan L&D programları, geliştiricilerin AI destekli iş akışlarını deneyerek, oluşturulan kodun tam uygulamalar içinde nasıl davrandığını görmelerine olanak tanır. Uzman liderliğindeki talimatlar ve pratik egzersizler yoluyla, mühendisler AI tarafından oluşturulan çıktıları sorumlu bir şekilde değerlendirebilecek kritik düşünme becerilerini güçlendirebilirler.

Hızlı hareket eden ürün ortamlarında, mühendislik liderleri AI tarafından oluşturulan kısayolların uzun vadeli teknik borç veya güvenlik açıklarına yol açmasını nasıl önleyebilir?

Liderler, AI tarafından oluşturulan kod için governance çerçeveleri ve risk değerlendirmesi uygulamalıdır. Güçlü sınırlar oluşturmak ve çıktıları denetlemek, uzun vadeli teknik borcu ve güvenlik açıklarını önleyebilir. Ayrıca, güvenli kodlama uygulamaları ve mimari farkındalık konusunda geliştirici eğitimi öneririm. Düzenli, pratik inceleme egzersizleri ve senaryo tabanlı eğitim, kısayolların gizli sistem risklerine dönüşme olasılığını azaltabilir.

Şirketlerin AI kodlamasının bir işbirliği chứ değil bir yük olmasını sağlamak için hangi pratik çerçeveleri veya rehberleri benimsemelerini önerirsiniz?

Bu amaçla çalışan araçlar, yeni inceleme protokollerini, sürüm kontrolünü ve kumanda AI deneylerini içerir. Metriklere, gözlemlenebilirlik çerçevelerine ve değerlendirmelere dayanarak, ekipler AI çıktısının kalitesini izleyebilir ve üretkenlikte sorumlu bir işbirliğini güvence altına alabilir. Ayrıca, şirketlerin AI destekli iş akışlarını keşfetmeleri ve bu araçların benzersiz ihtiyaçları için yetenek ve sınırlamaları anlamaları önemlidir. Bu uygulamalar, ekiplerin AI önerilerini etkili bir şekilde entegre edebilecek yargıyı geliştirmelerine yardımcı olacaktır.

İleriye bakıldığında, AI destekli bir gelecekte başarılı olacak geliştiricileri, uyum sağlamakta zorlanabilecek geliştiricilerden ayıran nedir?

AI destekli bir gelecekte başarılı olacak geliştiriciler, güçlü temel becerilerle birlikte yargı, uyum yeteneği ve sistem düşünmesini birleştireceklerdir. AI’ye ne zaman güvenebileceklerini, ne zaman müdahale edip yönlendireceklerini ve çıktıların daha geniş sistem içindeki yerini bileceklerdir. Zorluk yaşayanlar, otomatikleştirmeye fazla bağımlı olabilir, kenar durumlarıyla experiencia eksikliği yaşayabilir veya sonuçları doğrulamayı atlayabilir, bu da hatalara ve sistem istikrarsızlığına yol açabilir. Sürekli öğrenme ve AI destekli iş akışlarıyla pratik deneyimler, geliştiricilerin bu becerileri daha kısa bir zaman diliminde geliştirmelerine ve AI kodlama araçları evrimleşırken etkili kalmalarına yardımcı olacaktır.

Harika röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular Pluralsight ziyaret edebilir.