O futuro da IA no mainframe: quatro caminhos para a inovação em IA impulsionada por mainframe

Quando a maioria das pessoas ouve o termo "mainframe", elas talvez não percebam sua contribuição essencial para a inovação nos negócios corporativos. Com toda a empolgação em torno da IA generativa, muita gente acha que a infraestrutura de TI legada, como o mainframe, ficou de fora dessa transformação.

A realidade é que o mainframe deve desempenhar um papel essencial na inovação, integrando tecnologias avançadas de aceleração de IA a um ecossistema otimizado para expandir os recursos tecnológicos e empresariais.

Quando olhamos para o passado, fica evidente que o mainframe vem impulsionando a inovação continuamente há mais de 60 anos. Segundo um relatório recente do IBM Institute for Business Value, 43 dos 50 maiores bancos do mundo e 8 das 10 principais empresas de pagamentos usam o mainframe como plataforma principal.

Em setores que lidam com grandes volumes de dados como financeiro, saúde e governo os mainframes têm ganhado mais relevância nas estratégias de inteligência artificial (IA). Na verdade, o mesmo relatório do IBV mostrou que 79% dos executivos de TI consideram os mainframes essenciais para impulsionar a inovação orientada por IA e gerar valor.

Ao mesmo tempo, esses líderes empresariais também buscam integrar IA às plataformas de mainframe existentes para aproveitar insights valiosos, automatizar tarefas e aumentar a eficiência, mantendo a infraestrutura estratégica. Essa abordagem aproveita ao máximo o valor dos sistemas legados e introduz novos recursos com análise de dados orientada por IA e automação.

Muitas das implementações de IA atuais exigem que as organizações transfiram seus dados para a nuvem. No entanto, em setores que dependem de processamento de dados em alta velocidade para lidar com informações altamente sensíveis, manter os recursos de IA próximos de onde os dados estão gera vantagens significativas para os negócios.

“Trata-se de levar a IA para onde a ação acontece, e isso vem ocorrendo em duas áreas principais”, afirma Khadija Souissi, Arquiteta Principal de Soluções para IA no IBM Z e LinuxONE e Especialista Técnica Distinta da IBM.

“Estamos integrando IA às cargas de trabalho transacionais para obter insights em tempo real sobre aplicações de negócios, acelerar a tomada de decisões e permitir que os clientes desenvolvam aplicações inteligentes com IA generativa de forma sustentável, protegendo dados sensíveis. Além disso, estamos construindo uma infraestrutura inteligente, usando IA para sistemas operacionais e subsistemas de mainframe. Isso pode ajudar a prever as próximas cargas de trabalho para preparar os recursos necessários com antecedência e também detectar anomalias operacionais que contribuem para prever interrupções e extrair  insights praticáveis sobre o desempenho do sistema.”

Os mainframes processam quase 70% das cargas de trabalho de TI em produção no mundo e são valorizados por sua estabilidade, alta segurança e escalabilidade. Atualmente, os aceleradores de IA integrados ao chip conseguem escalar e processar milhões de requisições de inferência por segundo com taxas de latência extremamente baixas. Esse recurso permite que as organizações aproveitem a gravidade dos dados e transações ao posicionar estrategicamente grandes conjuntos de dados, IA e aplicações de negócios críticas no mesmo local. No futuro, os aceleradores de próxima geração vão abrir novas oportunidades para expandir os recursos de IA e os casos de uso conforme as necessidades da organização evoluírem.

Os modelos de IA tradicional e IA generativa (gen AI) vêm ajudando a definir e moldar a empresa moderna. Casos de uso transacionais e críticos exigem recursos de aprendizado de máquina, deep learning e IA generativa, muitas vezes combinados em uma arquitetura conjunta para gerar melhores resultados de negócio.

No mainframe, a arquitetura com múltiplos modelos aproveita os pontos fortes de cada um desses modelos variados, permitindo decisões mais robustas, precisas e flexíveis.

Ao analisar primeiro a IA tradicional, vemos que esses modelos normalmente aplicam regras predefinidas para analisar dados e tomar decisões com base em padrões específicos. Exemplos incluem previsão de demanda para gestão de estoques ou decisões de crédito com base no histórico de dados do cliente.

A evolução da IA tem sido impulsionada por conceitos como os grandes modelos de linguagem (LLMs), modelos avançados treinados com grandes volumes de dados, capazes de compreender linguagem natural, gerar textos semelhantes aos humanos, traduzir idiomas, responder perguntas, escrever códigos e até manter conversas.

Chamamos de modelos decodificadores os LLMs que geram conteúdo, e eles são usados em IA generativa. Essa capacidade aparece em chatbots que oferecem respostas personalizadas de atendimento ao cliente com base nas perguntas e no contexto do usuário. 

Os modelos codificadores são outro tipo de LLM que se destacam por entender linguagem natural e processar textos não estruturados, com foco na extração de informações essenciais. Modelos decodificadores também contam com esse recurso, mas se destacam ainda mais na geração de novos conteúdos.

A arquitetura com múltiplos modelos é um conceito híbrido que integra diferentes tecnologias de IA, como IA tradicional e modelos codificadores LLM, para gerar resultados mais rápidos e precisos do que qualquer modelo isolado, aproveitando o imenso poder de processamento e os recursos de armazenamento de dados do mainframe.

No processamento de sinistros de seguros, por exemplo, a IA tradicional pode realizar uma análise inicial dos dados estruturados, enquanto os LLMs codificadores lidam com os dados não estruturados mais complexos para obter insights detalhados e tratar o sinistro de forma adequada.

Considere uma reclamação por acidente automobilístico. A IA tradicional realiza o processamento automatizado de dados estruturados (como boletins de ocorrência, carteiras de motorista e informações de registro). A IA generativa vai além ao extrair insights de dados não estruturados (como textos e imagens sobre ferimentos e danos ao veículo) para ajudar a priorizar e atender à urgência desses sinistros.

Recentemente, a IBM anunciou os próximos Processador IBM Telum II e IBM Spyre Accelerator. Essas tecnologias foram desenvolvidas para ajudar as empresas a expandirem a capacidade de processamento nos sistemas IBM® Z e acelerarem o uso de modelos tradicionais de IA, grandes modelos de linguagem e arquiteturas com múltiplos modelos.

O cartão Spyre Accelerator permitirá que os sistemas IBM Z e LinuxOne realizem inferências de IA para LLMs e IA generativa em uma escala ainda maior do que a disponível até então.

Veja quatro exemplos de casos de uso que mostram como as organizações podem aplicar essas tecnologias de IA para promover inovação nos negócios, melhorar as operações e acelerar as cargas de trabalho de IA generativa.

As perdas financeiras causadas por transações fraudulentas com cartão de crédito geram prejuízos econômicos e danos à reputação. Segundo o Nilson Report, as perdas globais com cartões de crédito devem atingir USD 43 bilhões até 2026.¹ 

Um estudo de caso interno da IBM revelou que um grande banco da América do Norte desenvolveu um modelo de pontuação de crédito impulsionado por IA e o implementou em uma plataforma de nuvem local para combater fraudes. Entretanto, apenas 20% das transações com cartão de crédito puderam ser pontuadas em tempo real. O banco decidiu migrar as complexas ferramentas de detecção de fraudes para seu mainframe.

Após a implementação no mainframe, o banco passou a avaliar 100% das transações com cartão de crédito em tempo real, com 15.000 transações por segundo, garantindo uma detecção de fraudes muito mais eficaz.

Além disso, cada transação costumava levar 80 milissegundos para ser pontuada. Com a latência reduzida pelo mainframe, os tempos de resposta agora são de 2 milissegundos ou menos. Essa migração para o mainframe também gerou uma economia de mais de USD 20 milhões por ano para o banco em prevenção a fraudes, sem comprometer os acordos de nível de serviço.

O mainframe é essencial nas transações com cartão de crédito, processando 90% das operações em todo o mundo.² Agora, as instituições financeiras podem continuar usando o mainframe e, ao mesmo tempo, integrar IA para detectar fraudes antes que a transação seja concluída, aproveitando os grandes volumes de dados já armazenados, sem precisar transferi-los para a nuvem.

Segundo a Forbes, o custo médio do downtime de TI pode chegar a USD 9.000 por minuto em grandes organizações e ultrapassar USD 5 milhões por hora em empresas de alto risco.³

Felizmente, as organizações agora podem usar IA para evitar proativamente ou até prever uma interrupção causada por falha de equipamento. Ao aplicar mecanismos de IA, as organizações conseguem identificar anomalias nos níveis de transação, aplicação, subsistema e sistema. Por exemplo, sensores podem analisar dados dos componentes do mainframe para prever possíveis falhas de hardware e permitir a manutenção preventiva.

Integrar o mainframe com novas tecnologias, como nuvem e sistemas distribuídos, pode aumentar a complexidade para as equipes de infraestrutura e aplicações de TI. As organizações têm recorrido cada vez mais à inteligência artificial para operações de TI (AIOps), que aplica recursos de IA para automatizar, simplificar e otimizar a infraestrutura de TI e os fluxos de trabalho operacionais. O AIOps permite que as equipes de operações de TI respondam rapidamente a lentidões e falhas, oferecendo mais visibilidade e contexto.

A privacidade de dados é fundamental para organizações que lidam com informações sensíveis. Esse é um dos principais motivos pelos quais setores como o de saúde continuam confiando nos recursos robustos de segurança do mainframe, como isolamento de carga de trabalho, criptografia avançada de dados e protocolos de comunicação segura.

Processar documentos no mainframe contribui para agilizar e garantir uma extração precisa de dados em um ambiente altamente seguro. As organizações podem usar IA generativa para resumir documentos financeiros e relatórios empresariais, extrair dados-chave (como métricas financeiras e indicadores de desempenho) e identificar informações essenciais para processos de compliance (como auditorias financeiras).

Como outro exemplo, os governos podem usar a IA de geração para melhorar a triagem alfandegária de cargas suspeitas por meio de técnicas sofisticadas de processamento de imagem e análise de descrições textuais associadas a cada remessa.

Um dos maiores desafios no mainframe tem sido migrar aplicações legadas escritas em COBOL para linguagens de programação mais modernas. Por quê? Isso ocorre principalmente por causa da mudança geracional na força de trabalho em tecnologia: os novos desenvolvedores aprenderam linguagens como Java e Python durante a formação, enquanto muitos profissionais experientes ainda dominam tecnologias mais antigas.

O COBOL ainda vai permanecer por um bom tempo, já que continua sustentando sistemas críticos de negócios em setores como o bancário e o governamental. Segundo a Reuters, 43% dos sistemas bancários são baseados em COBOL, e 220 bilhões de linhas da linguagem estão em uso atualmente.⁴

Assistentes virtuais no mainframe estão ajudando a reduzir a lacuna de habilidades entre os desenvolvedores. Ferramentas como o IBM® watsonx Code Assistant for Z utilizam IA generativa para analisar, compreender e modernizar aplicações COBOL existentes. Esse recurso permite que os desenvolvedores traduzam códigos em COBOL para linguagens como Java. Além disso, acelera a modernização de aplicações preservando a funcionalidade dos sistemas COBOL legados.

O watsonx Code Assistant for Z oferece recursos como explicação de código, refatoração automatizada e sugestões de otimização, facilitando a manutenção e atualização de aplicações COBOL antigas.

O mainframe vem se transformando há muitos anos e segue evoluindo lado a lado com as possibilidades da IA de próxima geração. O lançamento do processador Telum II e da placa Spyre Accelerator abre uma oportunidade para as organizações liberarem valor para os negócios e criarem novas vantagens competitivas.

“Atualmente, o mainframe vai além das transações: ele se tornou uma plataforma de IA em evolução, preparada para entregar valor significativo à medida que as empresas iniciam suas jornadas com IA”, diz Khadija Souissi.