Jon Friskics, Tác giả Kỹ thuật Chính, Pluralsight – Loạt Phỏng vấn

Jon Friskics, Tác giả Kỹ thuật Chính, Pluralsight, là một nhà giáo dục và lãnh đạo nội dung giàu kinh nghiệm chuyên về phát triển phần mềm và học tập tập trung vào AI. Trong vai trò hiện tại, ông tạo ra các khóa học video và phòng thí nghiệm thực hành do chuyên gia dẫn dắt, bao gồm các công nghệ như Claude, Node.js, TypeScript, Tailwind CSS và Python, xây dựng trên một sự nghiệp lâu dài trong công ty bao gồm việc viết lách cấp cao, kiến trúc học tập và lãnh đạo trong chiến lược đào tạo và lập trình. Trước đó, ông đã đóng vai trò quan trọng trong việc định hình các hệ thống học tập đa phương tiện và hướng dẫn hàng nghìn nhà tạo nội dung kỹ thuật với các phương pháp thiết kế hướng dẫn dựa trên bằng chứng, trong khi trước đó trong sự nghiệp của mình, ông đã lãnh đạo chiến lược nội dung tại Code School và giảng dạy một loạt các môn học kỹ thuật tại Đại học Central Florida, thiết lập một nền tảng vững chắc trong cả giáo dục và phát triển thực tế.

Pluralsight là một nền tảng phát triển kỹ năng công nghệ hàng đầu cung cấp các khóa học trực tuyến, phòng thí nghiệm thực hành và đánh giá kỹ năng để giúp các cá nhân và tổ chức xây dựng chuyên môn trong các lĩnh vực như phát triển phần mềm, AI, điện toán đám mây và an ninh mạng. Được thành lập vào năm 2004, công ty đã phát triển thành một hệ sinh thái học tập toàn diện được sử dụng bởi các doanh nghiệp và chuyên gia trên toàn thế giới, kết hợp nội dung do chuyên gia tạo với thông tin để đóng khoảng cách kỹ năng và tăng tốc phát triển lực lượng lao động trong một nền kinh tế ngày càng phụ thuộc vào công nghệ.

Sự nghiệp của bạn bao gồm thiết kế chương trình đào tạo tương tác, hệ thống học tập kỹ thuật quy mô lớn và giáo dục công cụ AI tiên tiến. Làm thế nào nền tảng đó đã định hình quan điểm của bạn về lý do tại sao phán quyết kỹ thuật mạnh mẽ vẫn quan trọng trong một kỷ nguyên có mã hóa hỗ trợ AI?

Kinh nghiệm của tôi đã chỉ cho tôi rằng phán quyết kỹ thuật mạnh mẽ không chỉ là về việc viết mã. Đó là về việc hiểu hệ thống và hậu quả lâu dài. AI có thể tự động hóa các nhiệm vụ và tạo ra một khuôn khổ dẫn đến giải pháp, nhưng nó không luôn nắm bắt được tác động của quyết định đối với người dùng hoặc hệ thống theo cách có thể dự đoán. Phán quyết của con người đảm bảo AI được sử dụng để tăng cường năng suất một cách an toàn, Phán quyết kỹ thuật quan trọng hơn bao giờ hết, hướng dẫn các đội để tận dụng AI một cách hiệu quả trong khi duy trì chất lượng và độ tin cậy.

Pluralsight đã tập trung lâu dài vào việc đóng khoảng cách kỹ năng kỹ thuật. Bạn nhìn thấy nhiệm vụ đó sẽ phát triển như thế nào bây giờ khi kỹ năng cộng tác AI phải nằm bên cạnh các nguyên tắc phát triển phần mềm truyền thống?

Sứ mệnh của Pluralsight là trang bị cho người học những kỹ năng kỹ thuật cơ bản họ cần để thành công. Khi AI trở thành một cộng tác viên trong các nhiệm vụ phát triển, những nguyên tắc cơ bản đó vẫn rất quan trọng, nhưng các đội cũng cần hiểu cách làm việc với AI một cách có trách nhiệm và xác thực đầu ra của nó. Mặc dù AI có thể tạo ra mã, nó không thay thế nhu cầu về kỹ năng mã hóa, và nó có thể tăng cường chúng bằng cách thêm hiểu biết về quy trình làm việc và tư duy hệ thống vào trên chuyên môn hiện có. Pluralsight giúp người học xây dựng trên các kỹ năng cơ bản hiện có và duy trì tư duy chiến lược thông qua các giải pháp học tập bao gồm các khóa học theo nhu cầu, phòng thí nghiệm thực hành và các buổi hội thảo do chuyên gia dẫn dắt, tất cả đều phát triển cùng với sự đổi mới công nghệ.

Những kỹ năng kiến trúc, triển khai và quản lý rủi ro cụ thể nào bạn tin rằng sẽ gặp rủi ro nhất nếu các nhà phát triển trở nên quá phụ thuộc vào mã được AI tạo ra?

Các nhà phát triển phụ thuộc quá nhiều vào việc tạo mã AI và chấp nhận đầu ra của nó mà không dành thời gian để hiểu những gì được tạo ra có thể sẽ làm suy yếu các kỹ năng chiến lược như tư duy kiến trúc và đánh giá rủi ro theo thời gian. Việc hiểu cách các thành phần tương tác và thiết kế cho độ tin cậy là những khả năng được học thông qua kinh nghiệm trong nhiều tình huống khác nhau.. Điều này có nghĩa là việc phụ thuộc quá nhiều vào AI có thể không chỉ dẫn đến các lỗ hổng và sự không ổn định của hệ thống, mà còn làm suy giảm khả năng giải quyết vấn đề lâu dài của các nhà phát triển, cho phép những vấn đề đó không được chú ý hoặc không được giải quyết cho đến khi quá muộn.

Khi các công cụ mã hóa tự động trở nên phổ biến, bạn nhìn thấy sự mất kết nối lớn nhất ở đâu giữa những gì các công cụ này hứa hẹn và những gì các kỹ sư thực sự được chuẩn bị để xác thực hoặc giám sát?

Học tập liên tục là điều cần thiết cho các kỹ sư khi họ làm việc cùng với các công cụ phát triển hỗ trợ AI và hệ thống mã hóa tự động. Các công cụ mã hóa tự động hứa hẹn tốc độ và độ chính xác trong việc tạo ra mã chức năng, nhưng chúng thiếu hiểu biết về tương tác hệ thống, bảo mật và tác động kinh doanh, và điều đó có nghĩa là bạn phải cung cấp ngữ cảnh thiếu sót đó. Sự mất kết nối nằm ở việc giả định rằng đầu ra của AI là hoàn chỉnh hoặc chính xác trong sự vắng mặt của giám sát con người. Khi các bước xác thực bị bỏ qua hoặc bị vội vàng, các đội rủi ro sẽ giới thiệu các lỗi tốn kém, lỗ hổng bảo mật hoặc sự không nhất quán về kiến trúc. Điều này củng cố nhu cầu cho các kỹ sư phải liên tục cập nhật kỹ năng của mình để họ có thể quản lý và xác thực công việc được tạo ra bởi AI một cách hiệu quả.

Các công ty nên suy nghĩ lại chiến lược nâng cao kỹ năng của mình như thế nào để đảm bảo các nhà phát triển biết khi nào nên tin tưởng vào đề xuất của AI và khi nào nên chậm lại và áp dụng xem xét sâu hơn?

Nâng cao kỹ năng nên nhấn mạnh vào việc biết khi nào đầu ra của AI là đáng tin cậy so với khi cần xem xét sâu hơn, bao gồm cả kiểm tra kịch bản và xác thực lời nhắc. Cách tiếp cận này củng cố phán quyết cùng với kỹ năng mã hóa, đảm bảo các kỹ sư có thể tin tưởng vào AI một cách có chọn lọc chứ không quá phụ thuộc vào mã được tạo ra. Các chương trình L&D cung cấp các trải nghiệm học tập thực hành có cấu trúc cho phép các nhà phát triển thử nghiệm với các quy trình làm việc hỗ trợ AI để xem mã được tạo ra như thế nào trong các ứng dụng đầy đủ và thực hành sự phán quyết đó trong một môi trường cát. Bằng cách dựa vào cả hướng dẫn của chuyên gia và các bài tập thực hành, các kỹ sư có thể tăng cường các kỹ năng tư duy phản biện cần thiết để đánh giá đầu ra của AI một cách có trách nhiệm.

Trong các môi trường sản phẩm nhanh chóng, làm thế nào các lãnh đạo kỹ thuật có thể ngăn chặn các捷径 được tạo ra bởi AI từ việc giới thiệu nợ kỹ thuật lâu dài hoặc lỗ hổng bảo mật?

Các lãnh đạo phải thực thi các khuôn khổ quản lý và đánh giá rủi ro cho mã được tạo ra bởi AI. Thiết lập các ranh giới mạnh mẽ và kiểm toán đầu ra có thể giúp ngăn chặn nợ kỹ thuật lâu dài và lỗ hổng bảo mật. Tôi cũng đề xuất giáo dục nhà phát triển tập trung vào thực hành mã hóa an toàn và nhận thức kiến trúc để đảm bảo các kỹ sư của họ hiểu được sự đánh đổi đằng sau các đề xuất được tạo ra bởi AI. Các bài tập xem xét thực hành thường xuyên và đào tạo dựa trên kịch bản có thể giúp giảm khả năng các捷径 tích lũy thành rủi ro hệ thống ẩn.

Các khung hoặc rào cản thực tế nào bạn khuyên các tổ chức nên áp dụng để giữ cho việc mã hóa AI trở thành một sự hợp tác chứ không phải một trách nhiệm?

Các công cụ hoạt động tốt nhất cho việc này là các giao thức xem xét mới, theo dõi kiểm soát phiên bản và thí nghiệm AI trong môi trường cát. Sử dụng các chỉ số, khung quan sát và đánh giá sẽ giúp các đội theo dõi chất lượng đầu ra và củng cố sự hợp tác có trách nhiệm để đảm bảo AI là một đối tác trong năng suất chứ không phải một trách nhiệm. Điều cũng có giá trị cho các tổ chức khi khám phá các quy trình làm việc hỗ trợ AI để hiểu khả năng và hạn chế của các công cụ này cho nhu cầu duy nhất của đội. Những thực hành này sẽ giúp các đội phát triển sự phán quyết cần thiết để tích hợp đề xuất của AI một cách hiệu quả mà không ảnh hưởng đến chất lượng mã hoặc sự ổn định của hệ thống.

Nhìn về tương lai, điều gì phân biệt các nhà phát triển sẽ thịnh vượng trong một tương lai được tăng cường bởi AI với những người có thể gặp khó khăn trong việc thích nghi?

Các nhà phát triển sẽ thịnh vượng trong một tương lai được tăng cường bởi AI sẽ kết hợp các kỹ năng cơ bản mạnh mẽ với phán quyết, khả năng thích nghi và tư duy hệ thống. Họ hiểu khi nào nên tin tưởng vào AI, khi nào nên can thiệp để hướng dẫn và chuyển hướng nó, và cách đầu ra của nó phù hợp vào hệ thống rộng lớn hơn. Những người gặp khó khăn có thể quá phụ thuộc vào tự động hóa, thiếu kinh nghiệm với các trường hợp ngoại lệ, hoặc không xác thực kết quả, điều này không chỉ rủi ro cho tổ chức của họ mà còn bỏ lỡ các cơ hội học tập quý giá giúp tăng cường chuyên môn của một nhà phát triển trong suốt sự nghiệp đầy thách thức. Học tập liên tục và thí nghiệm thực hành với các quy trình làm việc hỗ trợ AI sẽ giúp các nhà phát triển tăng cường những kỹ năng này trong một khoảng thời gian ngắn hơn và vẫn hiệu quả khi các công cụ mã hóa AI phát triển.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập Pluralsight.