Джон Фріскіс, головний технічний автор, Pluralsight – Серія інтерв’ю

Джон Фріскіс, головний технічний автор, Pluralsight, є досвідченим педагогом і лідером контенту, який спеціалізується на розробці програмного забезпечення та навчальних trải nghiệmах, орієнтованих на штучний інтелект. У своїй поточній роботі він створює експертні відеокурси та практичні лабораторії, які охоплюють технології such as Claude, Node.js, TypeScript, Tailwind CSS та Python, ґрунтуючись на довгій кар’єрі в компанії, яка охоплює старшу авторську діяльність, архітектуру навчання та керівництво у сфері навчання та стратегії навчальної програми. До цього він відіграв ключову роль у формуванні масштабованих, багатомодальних систем навчання та керівництві тисячами технічних творців контенту на основі доказової інструкційної практики, а на початку своєї кар’єри він очолював стратегію контенту в Code School та викладав широкий спектр технічних предметів у Університеті Центральної Флориди, створюючи міцну основу як в освіті, так і в реальному розвитку.

Pluralsight є провідною платформою розвитку технологічних навичок, яка надає онлайн-курси, практичні лабораторії та оцінки навичок, щоб допомогти окремим особам та організаціям розвинути експертизу в таких областях, як розробка програмного забезпечення, штучний інтелект, хмарні обчислення та кібербезпека. Заснована у 2004 році, компанія розвинулася у комплексну систему навчання, яку використовують підприємства та професіонали усьому світі, поєднуючи експертностворений контент з інсайтами для закриття прогалин у навичках та прискорення розвитку робочої сили в усе більш технологічно-орієнтованій економіці.

Ваша кар’єра охоплює інтерактивний дизайн навчальної програми, великомасштабні технічні системи навчання та просунуте навчання інструментам штучного інтелекту. Як це досвід сформував вашу точку зору на те, чому сильне інженерне судження все ще має значення в епоху штучного інтелекту?

Мій досвід показав мені, що сильне інженерне судження – це не тільки написання коду. Це також розуміння систем та довгострокових наслідків. Штучний інтелект може автоматизувати завдання та створити.framework, який веде до рішень, але він не завжди розуміє вплив рішень на користувачів або системи тим способом, який можна передбачити. Людське судження забезпечує безпечне використання штучного інтелекту, інженерне судження є більш цінним, ніж будь-коли, керуючи командами для ефективного використання штучного інтелекту при збереженні якості та надійності.

Pluralsight тривалий час зосереджувався на закритті технічних прогалин у навичках. Як ви бачите еволюцію цієї місії зараз, коли навички співпраці штучного інтелекту повинні стояти поруч із традиційними основами розробки програмного забезпечення?

Місія Pluralsight – забезпечити учнів фундаментальними технічними навичками, необхідними для успіху. Коли штучний інтелект стає співробітником у завданнях розробки, ці основи залишаються важливими, але команди також повинні розуміти, як працювати з штучним інтелектом відповідально та валідувати його вивід. Навіть якщо штучний інтелект може генерувати код, він не замінює потребу в навичках програмування, і він може покращити їх, накладаючи розуміння робочого процесу та системного мислення на існуючу експертизу. Pluralsight допомагає учням будувати на існуючих фундаментальних навичках та підтримувати стратегічне мислення через навчальні рішення, які включають курси на вимогу, практичні лабораторії та семінари з людьми-експертами, які еволюціонують разом з інноваціями технологій.

Які конкретні архітектурні, розгортальні та управлінські ризики ви вважаєте найбільш під загрозою, якщо розробники стають надто залежними від коду, згенерованого штучним інтелектом?

Розробники, які надто сильно покладаються на генерацію коду штучним інтелектом та приймають його вивід без витрати часу на розуміння того, що було сгенеровано, можуть послабити свої стратегічні навички, такі як архітектурне мислення та оцінка ризиків, з плином часу. Розуміння того, як взаємодіють компоненти, та проектування для надійності – це можливості, які вивчаються через досвід у багатьох різних ситуаціях. Це означає, що надмірна залежність від штучного інтелекту не тільки може привести до прихованих уразливостей та нестабільності системи, але й може послабити довгострокові можливості розробників щодо вирішення проблем, дозволяючи цим проблемам залишатися непоміченими або невирішеними до тих пір, поки це не стане слишком пізно.

Як ви бачите найбільшу роз’єднаність між тим, що ці інструменти обіцяють, та тим, чого насправді готові валідувати чи наглядати інженери?

Неперервне навчання є важливим для інженерів, коли вони працюють поряд з інструментами розробки, орієнтованими на штучний інтелект, та автономними системами кодування. Автономні інструменти кодування обіцяють швидкість та точність у генерації функціонального коду, але їм бракує розуміння взаємодій систем, безпеки та бізнес-впливу, і це означає, що вам потрібно забезпечити відсутню контекст. Роз’єднаність лежить в припущенні, що вивід штучного інтелекту є повним чи правильним у відсутності людського нагляду. Коли валідаторні кроки пропускаються або спішаться, команди ризикують введенням дорогих помилок, уразливостей безпеки або архітектурних несумісностей. Це підкреслює необхідність для інженерів постійно оновлювати свої навички, щоб вони могли ефективно керувати та валідувати роботу, сгенеровану штучним інтелектом.

Як компанії повинні переосмислити свої стратегії підвищення кваліфікації, щоб забезпечити розробникам знання про те, коли довіряти пропозиціям штучного інтелекту, а коли сповільнити та застосувати глибший огляд?

Підвищення кваліфікації повинно підкреслювати знання про те, коли вивід штучного інтелекту є надійним, а коли потрібний глибший огляд, включаючи тестування сценаріїв та валідаторну перевірку. Цей підхід підкреслює судження поряд з навичками програмування, забезпечуючи інженерам можливість вибірково довіряти штучному інтелекту, а не надмірно покладатися на сгенерований код. Програми навчання та розвитку, які забезпечують структуроване, практичне навчання, дозволяють розробникам експериментувати з робочими процесами, орієнтованими на штучний інтелект, щоб побачити, як сгенерований код поводиться в рамках повних застосунків, та застосовувати це судження в ізольованому середовищі. Використовуючи як експертне керівництво, так і практичні вправи, інженери можуть краще зміцнити критичні навички мислення, необхідні для відповідальної оцінки виводу, сгенерованого штучним інтелектом.

У швидкозмінних середовищах продуктів, як керівники інженерії можуть запобігти тому, щоб швидкі рішення, сгенеровані штучним інтелектом, вводили довгостроковий технічний борг або уразливості безпеки?

Керівники повинні забезпечувати виконання кадрових рамок та оцінки ризиків для коду, сгенерованого штучним інтелектом. Встановлення сильних меж та аудит виводу може допомогти запобігти довгостроковому технічному боргу та уразливостям безпеки. Я також рекомендую освіту розробників, орієнтовану на безпечні практики кодування та архітектурну осведомленість, щоб забезпечити, що їхні інженери розуміють компроміси за пропозиціями штучного інтелекту. Регулярні практичні оглядові вправи та сценарійне навчання можуть допомогти зменшити ймовірність того, що швидкі рішення накопичуються у приховані системні ризики.

Які практичні рамки чи обмежувачі ви рекомендуєте організаціям прийняти, щоб зберегти кодування штучного інтелекту як співпрацю, а не відповідальність?

Інструменти, які працюють найкраще для цього, – це нові протоколи огляду, відстежування контролю версій та ізольоване експериментування штучним інтелектом. Використання метрик, кадрових рамок спостережуваності та оцінок допоможе командам відстежувати якість виводу та підкреслити відповідальну співпрацю, щоб забезпечити, що штучний інтелект є партнером у продуктивності, а не відповідальністю. Також цінно для організацій досліджувати робочі процеси, орієнтовані на штучний інтелект, щоб зрозуміти можливості та обмеження цих інструментів для унікальних потреб їхніх команд. Ці практики допоможуть командам розвинути судження, необхідне для ефективної інтеграції пропозицій штучного інтелекту без компрометації якості коду чи стабільності системи.

Оглядаючи майбутнє, що відрізняє розробників, які будуть процвітати в майбутньому, орієнтованому на штучний інтелект, від тих, хто може боротися з адаптацією?

Розробники, які будуть успішними в майбутньому, орієнтованому на штучний інтелект, будуть поєднувати сильні фундаментальні навички з судженням, адаптивністю та системним мисленням. Вони розуміють, коли довіряти штучному інтелекту, коли втручатися, щоб спрямувати та перенаправити його, та як вивід вписується у ширшу систему. Ті, хто боротиметься, можуть надто сильно покладатися на автоматизацію, бракувати досвіду з країв випадків або не валідувати результати, ризикуючи помилками для своєї організації та пропускаючи цінні можливості навчання, які зміцнюють експертизу розробника протягом суворої кар’єри. Неперервне навчання та практичне експериментування з робочими процесами, орієнтованими на штучний інтелект, допоможуть розробникам вирізати ці навички за коротший термін та залишатися ефективними, коли інструменти кодування штучного інтелекту еволюціонують.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Pluralsight.