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. На даний момент він створює експертні відеокурси та практичні лабораторні роботи, які охоплюють технології such as Claude, Node.js, TypeScript, Tailwind CSS та Python, будуючи на довгій кар’єрі в компанії, яка охоплює старшу авторську діяльність, архітектуру навчання та керівництво у сфері навчання та стратегії навчального плану. До цього він грав ключову роль у формуванні масштабованих, багатомодальних систем навчання та керівництві тисячами технічних творців за допомогою доказових інструктивних практик дизайну, а раніше в своїй кар’єрі він очолював стратегію контенту в Code School та викладав широкий спектр технічних предметів в 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 лабораторні роботи 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 в 2004 році, компанія еволюціонувала у комплексну систему навчання, яка використовується підприємствами та професіоналами по всьому світу, об’єднуючи контент, створений експертами, з інсайтами для закриття прогалин у навичках та прискорення розвитку робочої сили в усе більш технологічно-орієнтованій економіці.

Ваша кар’єра охоплює інтерактивний дизайн навчального плану, великомасштабні технічні системи навчання та просунуте навчання інструментів штучного інтелекту. Як це минуле вплинуло на вашу точку зору щодо того, чому сильна інженерна оцінка все ще має значення в епоху штучного інтелекту?

Мій досвід показав мені, що сильна інженерна оцінка полягає не лише у написанні коду. Це питання розуміння систем та довгострокових наслідків. Штучний інтелект може автоматизувати завдання та створювати рамки, які ведуть до рішень, але він не завжди розуміє вплив рішень на користувачів або системи тим чином, який є передбачуваним. Людська оцінка забезпечує безпечне використання штучного інтелекту, інженерна оцінка дорожча, ніж будь-коли, керуючи командами для ефективного використання штучного інтелекту та підтримки якості та надійності.

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

Місія Pluralsight полягає в тому, щоб 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 зі штучним інтелектом відповідально та валідувати його виводи. Хоча штучний інтелект може генерувати код, він не замінює потребу у навичках програмування, і він може покращити їх, додаючи розуміння робочого процесу та системного мислення до існуючої експертизи. Pluralsight допомагає учням будувати на існуючих фундаментальних навичках та підтримувати стратегічне мислення через навчальні рішення, які включають курси на вимогу, практичні лабораторні роботи та семінари, які проводяться людьми-експертами та еволюціонують разом з інноваціями технологій.

Які конкретні архітектурні, розгортальні та ризикові навички управління 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 витрат часу на розуміння того, що було сгенеровано, можуть послабити свої стратегічні навички, такі як архітектурне мислення та оцінка ризиків, з часом. 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 лише може привести до прихованих уразливостей та нестабільності системи, але й послабити довгострокові можливості розробників щодо вирішення проблем, дозволяючи цим проблемам залишатися непоміченими чи невирішеними до тих пір, поки це не стане занадто пізно.

Як автономні інструменти кодування набувають популярності, де ви бачите найбільшу роз’єднаність між тим, що ці інструменти обіцяють, та тим, чого інженери насправді готові валідувати чи контролювати?

Неперервне навчання є важливим для інженерів, коли вони працюють поряд зі штучним інтелектом 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 ви повинні надати відсутній контекст. Роз’єднання лежить у припущенні, що вивід штучного інтелекту є повним чи правильним у відсутності людського нагляду. Коли кроки валідації пропускаються чи спішать, команди ризикують введенням дорогих помилок, уразливостей безпеки чи 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 свою стратегію підвищення кваліфікації, щоб забезпечити розробників знанням про те, коли довіряти пропозиціям штучного інтелекту, а коли сповільнити та застосувати глибшу перевірку?

Повишення кваліфікації повинно підкреслювати знання про те, коли вивід штучного інтелекту є надійним, а коли потрібна глибша перевірка, включаючи тестування сценаріїв та валідування запитів. Цей підхід підкреслює оцінку поряд з навичками програмування, забезпечуючи, щоб інженери могли вибірково довіряти сгенерованому коду, а не надмірно покладатися на нього. Програми навчання та розвитку, які забезпечують структуроване, практичне навчання, дозволяють розробникам експериментувати зі штучним інтелектом та бачити, як сгенерований код поводиться в рамках повних застосунків, та застосовувати цю оцінку в ізольованому середовищі. Використовуючи як інструкцію експертів, так і практичні вправи, інженери можуть краще зміцнити критичні навички мислення, необхідні для відповідальної оцінки виводу, сгенерованого штучним інтелектом.

У швидкозмінних середовищах продуктів, як лідери інженерії можуть запобігти тому, щоб скорочення, сгенеровані штучним інтелектом, вводили довгостроковий технічний борг чи уразливості безпеки?

Лідери повинні забезпечувати реалізації кадрових рамок та оцінки ризиків для коду, сгенерованого штучним інтелектом. Встановлення сильних меж та аудит виводу можуть допомогти запобігти довгостроковому технічному боргу та уразливостям безпеки. Я також рекомендую освіту розробників, орієнтовану на безпечні практики кодування та архітектурну осведомленість, щоб забезпечити, щоб їхні інженери розуміли компроміси за пропозиціями, сгенерованими штучним інтелектом. Регулярні практичні огляди та сценарійні тренування можуть допомогти зменшити ймовірність того, що скорочення накопичуються в приховані системні ризики.

Які практичні рамки чи обмеження ви рекомендуєте організаціям прийняти, щоб тримати кодування штучним інтелектом у співробітництві, а не у ліабіліті?

Інструменти, які працюють найкраще для цього, – це нові протоколи огляду, відстеження контролю версій та ізольовані експерименти зі штучним інтелектом. Використання метрик, фреймворків спостережуваності та оцінок допоможе командам відстежувати якість виводу та підкреслити відповідальне співробітництво, щоб забезпечити, що штучний інтелект є партнером у продуктивності, а не ліабілітею. 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 оцінку, необхідну для ефективної інтеграції пропозицій штучного інтелекту без компрометації якості коду чи стабільності системи.

Оглядаючи майбутнє, що відрізняє розробників, які будуть процвітати в майбутньому, доповненому штучним інтелектом, від тих, хто може боротися з адаптацією?

Розробники, які виділяються в майбутньому, доповненому штучним інтелектом, будуть поєднувати сильні фундаментальні навички з оцінкою, адаптивністю та системним мисленням. Вони розуміють, коли довіряти штучному інтелекту, коли втрутитися, щоб спрямувати та перенаправити його, та як вивід вписується в більшу систему. Ті, хто боротиметься, можуть надто сильно покладатися на автоматизацію, не мати досвіду з крайніми випадками чи 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 розвинути ці навички в коротший термін та залишитися ефективними, оскільки інструменти кодування штучним інтелектом еволюціонують.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, повинні відвідати Pluralsight.