Jon Friskics, Tekniksel Yazı Yönetmeni, Pluralsight – Röportaj Serisi

Jon Friskics, Tekniksel Yazı Yönetmeni, Pluralsight, yazılım geliştirme ve AI odaklı öğrenme deneyimleri konusunda uzmanlaşmış bir eğitimci ve içerik lideridir. Mevcut görevinde, Claude, Node.js, TypeScript, Tailwind CSS ve Python gibi teknolojileri kapsayan uzman liderliğindeki video kursları ve uygulamalı laboratuvarlar oluşturmakta ve şirket içinde uzun bir kariyere sahip olan senior yazma, öğrenme mimarisi ve eğitim ve müfredat stratejisi liderlik rollerini üstlenmektedir. Daha önce, ölçeklenebilir, çok modlu öğrenme sistemlerini şekillendirmede ve kanıta dayalı öğretim tasarımı uygulamalarıyla binlerce teknik içerik yaratıcısını yönlendirmede önemli bir rol oynamıştır. Kariyerinin başlarında, Code School’da içerik stratejisi liderliği yapmış ve Central Florida Üniversitesi’nde geniş bir yelpazede teknik konular taught, böylece eğitim ve gerçek dünya geliştirme konusunda güçlü bir temel oluşturmuştur.

Pluralsight bireylerin ve organizasyonların yazılım geliştirme, AI, bulut bilişim ve siber güvenlik gibi alanlarda uzmanlık kazanmasına yardımcı olan bir teknoloji becerisi geliştirme platformudur. 2004 yılında kurulan şirket, uzman tarafından oluşturulan içeriği beceri açıklarını kapatmak ve teknoloji odaklı bir ekonomide işgücü gelişimini hızlandırmak için içgörülerle birleştiren kapsamlı bir öğrenme ekosistemi haline gelmiştir.

Kariyeriniz etkileşimli müfredat tasarımı, büyük ölçekli teknik öğrenme sistemleri ve gelişmiş AI araç eğitimini içermektedir. Bu geçmiş, güçlü mühendislik yargısının neden AI destekli kodlama döneminde hala önemli olduğunu düşünmenize neden oldu?

Deneyimlerim, güçlü mühendislik yargısının yalnızca kod yazmaktan daha fazlasını içerdiğini gösterdi. Sistemleri ve uzun vadeli sonuçları anlamakla ilgili. AI, görevleri otomatikleştirebilir ve çözümlere yol açan bir çerçeve oluşturabilir, ancak kararların kullanıcılar veya sistemler üzerindeki etkilerini her zaman öngörülebilir bir şekilde kavramaz. İnsan yargısı, AI’ın üretkenliği güvenli bir şekilde artırmak için kullanıldığını garantiler, mühendislik yargısı her zamankinden daha değerli, AI’ı etkili bir şekilde kullanmak ve kalite ve güvenilirliği korumak için ekiplere rehberlik ediyor.

Pluralsight, uzun süredir teknik beceri açıklarını kapatmaya odaklandı. AI işbirliği becerilerinin geleneksel yazılım geliştirme temellerinin yanı sıra gelmesi durumunda bu misyonun nasıl evrildiğini görüyorsunuz?

Pluralsight’ın misyonu, öğrenenlere başarılı olmak için gerekli temel teknik becerileri kazandırmaktır. AI, geliştirme görevlerinde bir işbirliği haline geldikçe, bu temel beceriler hala esaslıdır, ancak ekiplerin AI ile sorumlu bir şekilde çalışmayı ve çıktılarını doğrulamayı öğrenmeleri gerekir. AI, kodu oluşturabilir, ancak kodlama becerilerine olan ihtiyacı değiştirmez ve mevcut uzmanlığa iş akışı anlayışını ve sistem düşüncesini katmanlar halinde ekleyerek bunları geliştirebilir. Pluralsight, öğrenenlerin mevcut temel becerilerini geliştirmelerine ve teknoloji yenilikleri ile birlikte gelişen öğrenme çözümleri, talep üzerine kurslar, uygulamalı laboratuvarlar ve insan uzman liderliğindeki atölye çalışmaları yoluyla stratejik düşünmeyi sürdürmelerine yardımcı olur.

Geliştiriciler AI tarafından oluşturulan kodu fazla bağımlı hale geldiklerinde, hangi özel mimari, dağıtım ve risk yönetimi becerilerinin en çok risk altında olduğuna inanıyorsunuz?

Geliştiriciler, AI tarafından oluşturulan kodu fazla bağımlı hale geldiklerinde ve üretilen şeyi anlamak için zaman ayırmadıklarında, stratejik beceriler gibi mimari düşünce ve risk değerlendirmesi gibi yeteneklerini zamanla zayıflatabilirler. Bileşenlerin nasıl etkileşimde bulunduğunu anlamak ve güvenilirlik için tasarlamak, birçok farklı durumda kazanılan yeteneklerdir. Bu, AI’a fazla bağımlılığın, sadece gizli güvenlik açıklarına ve sistem istikrarsızlığına yol açmakla kalmayıp, geliştiricilerin uzun vadeli problem çözme yeteneklerini de zayıflatabileceği ve bu sorunların fark edilmeden veya çözülmeden kalmasına neden olabileceği anlamına gelir.

Otonom kodlama araçları popülerlik kazandıkça, mühendislerin gerçekten doğrulamak veya denetlemek için hazır oldukları şeylerle bu araçların vaat ettiği şey arasında en büyük kopukluğu nerede görüyorsunuz?

Mühendisler, AI destekli geliştirme araçları ve otonom kodlama sistemleriyle çalışırken sürekli öğrenme önemlidir. Otonom kodlama araçları, işlevsel kodu oluşturmak için hız ve doğruluk vaat eder, ancak sistem etkileşimleri, güvenlik ve iş etkileri hakkında bir anlayışa sahip değildir, bu nedenle bu eksik bağlamı sağlamak gerekir. Bağlantı, AI çıktısının insan denetimi olmadan tam veya doğru olduğu varsayımında yatmaktadır. Doğrulama adımları atlanırsa veya aceleye getirilirse, ekipler maliyetli hatalar, güvenlik açıkları veya mimari tutarsızlıklarla risk altına girebilir. Bu, mühendislerin AI tarafından oluşturulan işleri etkili bir şekilde yönetmek ve doğrulamak için becerilerini sürekli olarak güncellemelerinin gerekliliğini vurgulamaktadır.

Şirketler, geliştiricilerin AI önerilerine ne zaman güvenilebileceğini ve ne zaman daha derin bir inceleme yapmaları gerektiğini yeniden düşünmek için upskilling stratejilerini nasıl yeniden düşünebilirler?

Upskilling, AI çıktısının güvenilir olduğu durumları tanımlamayı vurgulamalıdır, bu da senaryo testlerini ve.prompt doğrulamasını içerir. Bu yaklaşım, kodlama becerileri yanı sıra yargıyı pekiştirir, böylece mühendisler AI’ı seçici olarak güvenebilirler. Yapılandırılmış, uygulamalı öğrenme deneyimleri sunan L&D programları, geliştiricilerin AI destekli iş akışlarını tam uygulamalar içinde nasıl davrandığını görmek için deneyerek, bu yargıyı bir kumanda ortamında uygulamalarına olanak tanır. Hem uzman liderliğindeki talimatları hem de pratik egzersizleri kullanarak, mühendisler AI tarafından oluşturulan çıktıları sorumlu bir şekilde değerlendirmek için gerekli kritik düşünme becerilerini daha da güçlendirebilirler.

Hızlı hareket eden ürün ortamlarında, mühendislik liderleri AI tarafından oluşturulan kısayolların uzun vadeli teknik borcu veya güvenlik açıklarını nasıl önleyebilir?

Liderlerin AI tarafından oluşturulan kod için yönetim çerçevelerini ve risk değerlendirmesini uygulamaları gerekir. Güçlü sınırlar oluşturmak ve çıktıları denetlemek, uzun vadeli teknik borcu ve güvenlik açıklarını önleyebilir. Ayrıca, güvenli kodlama uygulamaları ve mimari farkındalık hakkında geliştirici eğitimi öneririm, böylece mühendisler AI tarafından oluşturulan önerilerin arkasındaki ticaretleri anlarlar. Düzenli, uygulamalı inceleme egzersizleri ve senaryo tabanlı eğitim, kısayolların gizli sistem risklerine dönüşme olasılığını azaltabilir.

Organizasyonların AI kodlamasının bir işbirliği değil bir yük haline gelmesini önlemek için hangi praktik çerçeveleri veya koruma önlemlerini benimsemelerini önerirsiniz?

Bu amaçla en iyi çalışan araçlar, yeni inceleme protokolleridir, sürüm kontrol izleme ve kumanda AI deneysel çalışmasıdır. Metriklere, gözlemlenebilirlik çerçevelerine ve değerlendirmelere dayanarak, ekipler AI çıktılarının kalitesini izleyebilir ve üretkenlikte AI’ın bir ortak olarak kullanılması için sorumlu bir işbirliğini pekiştirebilir. Ayrıca, organizasyonların AI destekli iş akışlarını keşfetmeleri ve bu araçların ekiplerin benzersiz ihtiyaçları için yeteneklerini ve sınırlamalarını anlamaları faydalı olacaktır. Bu uygulamalar, ekiplerin AI önerilerini etkili bir şekilde entegre etmek için gerekli yargıyı geliştirmelerine yardımcı olacaktır, böylece kod kalitesi veya sistem istikrarı tehlikeye atılmaz.

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

AI ile güçlendirilmiş bir gelecekte başarılı olacak geliştiriciler, güçlü temel becerileri, yargıyı, uyarlanabilirliği ve sistem düşüncesini birleştirecektir. AI’a ne zaman güvenilebileceğini, ne zaman yönlendirmek ve yeniden yönlendirmek gerektiğini ve çıktıların daha geniş bir sistem içinde nasıl uyumlu olduğunu anlarlar. Zorluk yaşayanlar, otomasyona fazla bağımlı olabilir, kenar durumları ile deneyimi olmayabilir veya sonuçları doğrulamayı ihmâl edebilir, bu da organizasyon için hatalara yol açar ve değerli öğrenme fırsatlarını kaçırır, bu da bir geliştiricinin uzmanlığını tüm bir kariyer boyunca güçlendirir. Sürekli öğrenme ve AI destekli iş akışları ile uygulamalı deneyimler, geliştiricilerin bu becerileri daha kısa bir zaman diliminde keskinleştirmelerine ve AI kodlama araçları evrimleşirken etkili kalmalarına yardımcı olacaktır.

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