Modernização de aplicações de mainframe com impulso da IA generativa

Ao examinar os bastidores de qualquer aplicação móvel sofisticada ou interface comercial, e nas camadas profundas de integração e serviço da arquitetura de aplicações de grandes empresas, você provavelmente encontrará mainframes no comando.

Aplicações críticas e sistemas de registro estão usando esses sistemas centrais como parte de uma infraestrutura híbrida. Qualquer interrupção nas operações em andamento pode ser desastrosa para a integridade operacional contínua dos negócios. Tanto que muitas empresas têm medo de fazer mudanças substanciais nelas.

Mas a mudança é inevitável, pois a dívida técnica está se acumulando. Para alcançar a agilidade nos negócios e acompanhar os desafios competitivos e a demanda dos clientes, as empresas devem modernizar totalmente essas aplicações. Em vez de adiar a mudança, os líderes devem buscar novas maneiras de acelerar a transformação digital na estratégia híbrida.

O maior obstáculo à modernização do mainframe é provavelmente a escassez de talentos. Muitos dos especialistas em mainframe e aplicação que criaram e acrescentaram códigos de base COBOL empresariais ao longo dos anos provavelmente migraram ou estão se aposentando em breve.

Mais assustador ainda, a próxima geração de talentos será difícil de recrutar, já que os novos graduados em ciência da computação que aprenderam Java e linguagens mais recentes naturalmente não se imaginam fazendo desenvolvimento de aplicações de mainframe. Para eles, o trabalho pode não parecer tão atraente quanto o projeto de aplicativos móveis ou tão ágil quanto o desenvolvimento nativo da nuvem. Em muitos aspectos, essa é uma predisposição bastante injusta.

O COBOL foi criado muito antes de a orientação a objetos ser uma realidade, muito menos a orientação a serviços ou computação em nuvem. Com um conjunto enxuto de comandos, não deve ser uma linguagem complicada para os desenvolvedores mais novos aprenderem ou entenderem. E não há razão para que as aplicações de mainframe não se beneficiem do desenvolvimento ágil e de lançamentos menores e incrementais dentro de um pipeline automatizado no estilo DevOps.

Descobrir o que diferentes equipes fizeram com o COBOL ao longo dos anos é o que torna tão difícil gerenciar a mudança. Os desenvolvedores fizeram adições infinitas e loops lógicos a um sistema de procedimentos que deve ser verificado e atualizado como um todo, em vez de componentes ou serviços fracamente acoplados.

Com código e programas entrelaçados no mainframe dessa forma, as interdependências e os pontos potenciais de falha são muito complexos e numerosos para que até mesmo desenvolvedores qualificados possam desvendar. Isso torna o desenvolvimento de aplicativos COBOL mais assustador do que o necessário, fazendo com que muitas organizações procurem alternativas fora do mainframe prematuramente.

Há pouco tempo, vimos muito entusiasmo em torno da IA generativa (ou IA gen) devido à ampla disponibilidade de grandes modelos de linguagem (LLMs), como ChatGPT, e geradores de imagens de IA visual de nível consumidor.

Embora muitas possibilidades interessantes estejam surgindo nesse espaço, há um persistente "fator alucinação" dos LLMs quando aplicados a fluxos de trabalho críticos de negócios. Quando as IAs são treinadas com conteúdo encontrado na internet, elas podem muitas vezes apresentar diálogos convincentes e críveis, mas não respostas totalmente precisas. Por exemplo, o ChatGPT recentemente citou precedentes legais imaginários (link externo a ibm.com) em um tribunal federal, o que poderia resultar em sanções para o advogado preguiçoso que os usasse.

Há problemas semelhantes na confiança em uma IA de chatbot para codificar uma aplicação de negócios. Embora um LLM generalizado possa fornecer sugestões gerais razoáveis sobre como melhorar um aplicativo, criar facilmente um formulário de inscrição padrão ou codificar um jogo no estilo asteroides, a integridade funcional de uma aplicação de negócios depende fortemente de com quais dados de aprendizado de máquina os modelos de IA foram treinados.

Felizmente, a pesquisa em IA orientada para a produção já estava sendo realizada há anos antes da chegada do ChatGPT. A IBM vem desenvolvendo modelos de deep learning e inferência sob a marca watsonx e, como originador e inovador de mainframe, desenvolveu modelos observacionais de IA generativa treinados e ajustados na transformação de COBOL em Java.

Sua mais recente solução IBM watsonx Code Assistant for Z utiliza processos baseados em regras e IA generativa para acelerar a modernização de aplicações de mainframe. Agora, as equipes de desenvolvimento podem contar com um uso muito prático e focado na empresa de IA generativa e automação para auxiliar os desenvolvedores na application discovery, autorrefatoração e transformação de COBOL para Java.

Para tornar as aplicações de mainframe tão ágeis e flexíveis a mudanças quanto qualquer outra aplicação orientada a objetos ou distribuída, as organizações devem torná-las funcionalidades de nível superior do delivery pipeline. O IBM watsonx Code Assistant for Z ajuda os desenvolvedores a levar código COBOL para o ciclo de vida de modernização de aplicações por meio de três etapas:

1. Descoberta. Antes de modernizar, os desenvolvedores precisam descobrir onde a atenção é necessária. Primeiro, a solução faz um inventário de todos os programas no mainframe, mapeando diagramas de fluxo arquitetônico para cada um, com todas as suas entradas e saídas de dados. O modelo de fluxo visual torna mais fácil para desenvolvedores e arquitetos identificar dependências e becos sem saída óbvios na base de código.
2. Refatoração. Essa fase tem tudo a ver com a fragmentação de monólitos em uma forma mais consumível. O IBM watsonx Code Assistant for Z analisa as bases de código de programas de longa duração para entender a lógica de negócios pretendida para o sistema. Ao desacoplar comandos e dados, como processos discretos, a solução refatora o código COBOL em componentes modulares de serviço empresarial.
3. Transformação. É aqui que a magia de um LLM sintonizado na conversão empresarial de COBOL em Java pode fazer a diferença. O modelo de IA generativa traduz componentes do programa COBOL em classes Java, permitindo a verdadeira orientação de objetos e separação de preocupações, para que várias equipes possam trabalhar de forma paralela e ágil. Os desenvolvedores podem, então, se concentrar em refinar o código em Java em um IDE, com a IA fornecendo sugestões antecipadas, muito como uma funcionalidade de copiloto que você veria em outras ferramentas de desenvolvimento.

Geralmente somos céticos em relação à maioria das afirmações dos fornecedores sobre IA, pois muitas vezes trata-se simplesmente de automação com outro nome.

Comparado a aprender todas as nuances da língua inglesa e especular sobre a base factual de palavras e parágrafos, dominar a sintaxe e as estruturas de linguagens como COBOL e Java parece ser o caminho certo para a IA generativa.

Modelos de IA generativa projetados para empresas como o IBM watsonx Code Assistant for Z podem reduzir o esforço e os custos de modernização para as organizações com mais recursos limitados no mundo. Aplicações em plataformas conhecidas com milhares de linhas de código são campos de treinamento ideais para modelos de IA generativa, como o IBM watsonx Code Assistant for Z.

Mesmo em ambientes com recursos limitados, a IA generativa pode ajudar as equipes a superar obstáculos de modernização e aumentar as capacidades até mesmo dos desenvolvedores de mainframe mais novos para fazer melhorias significativas em agilidade e resiliência em suas aplicações de negócios principais mais críticas.

Para saber mais, veja os outros posts nesta série de thought leadership dos analistas da Intellyx:

• Parte 1: “Modernização de aplicações de mainframe”
• Parte 2: “Uso da colaboração (não a migração) para modernizar suas aplicações de mainframe com a nuvem”
• Parte 3: “Bancos com transformação digital liderada por mainframe para serviços financeiros”
• Parte 4: “Mainframe e a nuvem? É fácil com o código aberto "

©2024 Intellyx BV. A Intellyx é editorialmente responsável por este documento. Nenhum bot de IA foi usado para escrever este conteúdo. No momento da elaboração, a IBM é um cliente da Intellyx.