Vi pratade med Sarthak Kumar Barik och Stephen Conneely om ingenjörssektorn och hur teamdynamiken utvecklas med tiden.
I takt med att tekniken går framåt har släta arbetsmiljöer potential att bli ett minne blott, särskilt när vi hittar mer bekväma och effektiva sätt att hålla kontakten med globalt spridda kamrater.
De ingenjörsutrymme är inte annorlunda och för Stephen Conneely, chef för QA-teknik på Fidelity Investments Ireland, har tvärvetenskaplig ingenjörskonst förändrat hur team levererar resultat, särskilt i en miljö där AI-stödd utveckling har blivit vanligare.
Conneely berättade för SiliconRepublic.com: ”Team samlar mjukvaruingenjörer, kvalitetsingenjörer, analytiker och plattformsspecialister för att gemensamt äga problem från början till slut, med AI-verktyg som stödjer aktiviteter som testdesign, kodgranskning och dokumentation.
”Detta delade ägandet minskar hand-offs och tillåter risker att dyka upp tidigare, samtidigt som stark styrning och ansvarstagande bibehålls. Kvalitet är designad från början, med discipliner som samarbetar för att avgöra var AI accelererar leverans och var mänsklig validering förblir kritisk.”
Han förklarade att allt detta sker i en atmosfär där ingenjörer förväntas förstå hur deras arbete påverkar närliggande system, dataintegritet och klientupplevelsen. ”Resultatet är team som rör sig snabbare med självförtroende, använder AI som en möjliggörare snarare än en genväg och levererar mer förutsägbara resultat i komplexa miljöer.”
Detta upprepas av Workhumans Sarthak Kumar Barik, chefsingenjör, som sa: ”Som ett plattformsteam existerar inte vårt arbete isolerat. Produktteam över hela organisationen har egna användningsfall byggda på samma gamla grund och de står inför samma migreringsutmaningar, ofta utan samma djup av sammanhang.”
Det är ingenjörer och andra anställdas ansvar, anser han, att täppa till den kunskapsluckan. Han förklarade att detta kan uppnås genom att översätta migreringsupplevelsen till återanvändbara mönster, tydlig vägledning och väldefinierade integrationspunkter som andra team kan använda utan att börja om från början.
Han sa: ”Vi arbetar tillsammans med produktteam som aktiva partners, hjälper dem att kartlägga sitt befintliga beteende till den nya plattformen, identifiera var luckorna finns och se till att varje migrering de genomför är snabbare och mindre riskabel än den tidigare.
”Målet är att kunskap förenas över hela organisationen snarare än att förbli låst inom ett enda team.”
Ett mer påtagligt exempel på denna omformning, förklarade han, är hur organisationen använder artificiell intelligens i det tekniska arbetsflödet. Workhuman drev en AI-assisterad workshop där utvecklare gav sammanhang om systemet, dess arkitektur, dataflöden och begränsningar, och använde detta som grunden för AI-genererad kod.
”Skillnaden jämfört med generisk prompt var slående. När AI ges det verkliga sammanhanget i ditt system blir det en äkta accelerator som producerar kod som är relevant, grundad och snabbare att granska och anpassa. Detta har förändrat hur både vårt team och produktteamen vi stödjer tänker på hastighet.”
Barik tillade: ”Tvärvetenskaplig ingenjörskonst handlar för oss mindre om organisationsdiagram och mer om delat sammanhang. När plattforms- och produktteam arbetar utifrån samma förståelse av systemet, målet och de tillgängliga verktygen, accelererar framstegen över hela linjen.”
Med det i åtanke, vad färdigheter och processer behöver ingenjörer vara på topp för att säkerställa att de håller jämna steg med förändringar inom branschen?
Grunderna och framtiden
För Conneely, de mest efterfrågade färdigheterna, i dagens ingenjörslandskapär en kombination av grunderna vid sidan av antagandet av ny teknik.
Han sa: ”Vi fortsätter att prioritera djup kapacitet inom mjukvaruteknik, kvalitetsteknik, molnplattformar och data, men värdesätter alltmer ingenjörer som kan använda AI-stödda verktyg på ett ansvarsfullt sätt för att förbättra produktivitet, kvalitet och beslutsfattande.”
Ingenjörer bör också prioritera förmågan att kritiskt utvärdera AI-genererad produktion, tillämpa sunda tekniska bedömningar och utveckla förmågan att förstå var mänsklig tillsyn är avgörande, samt anta ett systemtänkande, automatisering först och riskbaserat beslutsfattande, vilket Conneely sa är lika viktigt som ramverk eller språkexpertis.
”Lika kritiska är kommunikationsförmåga, särskilt i reglerade miljöer där ingenjörer måste förklara tekniska beslut, inklusive AI-användning, i tydliga affärstermer. Allt eftersom tekniken utvecklas är inlärningstänkesätt och anpassningsförmåga nu kärnkompetenser snarare än ”nice-to-have”.
På samma sätt, för Barik, ligger utmaningen ofta i att matcha kritiska men äldre system med nyare, mer avancerade modeller och processer. Han förklarade att utmaningen inte bara är teknisk, utan mer intuitiv, eftersom du måste ta reda på om du faktiskt gör framsteg när systemet är djupt kopplat och inte kan tas offline.
Han sa: ”Vi definierade målarkitekturen i förväg, inte som en strävan utan som ett konkret sluttillstånd mot vilket varje beslut mäts. Därifrån dekom vi upp systemet i mindre delsystem med en färdplan över överenskomna milstolpar. Varje milstolpe representerar en diskret, verifierbar enhet för framsteg, ett delsystem som är uppringt i den äldre plattformen och aktiverat i den nya plattformen.
”Varje pragmatisk genväg som tas längs vägen registreras som teknisk skuld, så teamet vet alltid exakt vad som finns kvar istället för att upptäcka det senare. Det mest kraftfulla måttet på framsteg har varit observerbarhet. Genom att instrumentera både gamla och nya system spårar vi i realtid hur stor procentandel av lasten som flödar genom den nya plattformen jämfört med den äldre.
”Ett delsystem migreras inte riktigt förrän trafikdata bekräftar det. Framsteg är inte en milstolpe avkryssad – det är en mätbar, synlig förändring av var lasten flyter.”
