Freischaltung von Mainframe-Expertise mit KI

Mainframe-Systeme werden nicht verschwinden, aber das Fachwissen für ihre Wartung wird immer schwieriger zu finden. Mainframes Power fast 70 % der weltweiten IT-Produktions-Workloads in 28 Branchen in mehr als 70 Ländern. Doch das Fachwissen, das für die Optimierung ihrer Leistung erforderlich ist, wird jedoch immer knapper.

Da erfahrene Mainframe-Experten in den Ruhestand gehen, entsteht eine wachsende Wissenslücke. Während in modernen Informatik-Lehrplänen der Schwerpunkt eher auf Sprachen wie Java und Python liegt, die inzwischen auch von Mainframe-Plattformen wie IBM Zunterstützt werden, liegt die eigentliche Herausforderung tiefer.

Der Fachkräftemangel konzentriert sich auf das Verständnis der Mainframe-spezifischen Terminologie, der Kernkonzepte und der komplexen Subsysteme, die sich von denen in Cloud- und verteilten Umgebungen unterscheiden. Dennoch räumen die Schulungsbudgets von Unternehmen diesen Architekturen oft Vorrang vor Mainframe-Konzepten und -Designs ein.

Das Ergebnis? Die Kluft zwischen der anhaltenden Abhängigkeit von Mainframes und dem schrumpfenden Pool von Fachleuten, die die einzigartige Betriebsumgebung von Mainframe-Systemen wie IBM Z® beherrschen, wird immer größer. Für Unternehmensleiter bedroht dieses Defizit sowohl die betriebliche Kontinuität als auch die Fähigkeit zur Innovation.

Der Einsatz von künstlicher Intelligenz (KI) zur Überbrückung des Qualifikationsdefizits hat sich als transformative Lösung erwiesen. Generative KI (Gen AI) in Kombination mit Automatisierung kann die Art und Weise, wie Systemprogrammierer, Bediener und Entwickler Wissen erwerben, rationalisieren und die Produktivität, Effizienz und Arbeitsqualität verbessern, unabhängig vom Erfahrungsstand.

Die Übernahme dieses Ansatzes könnte für viele globale Branchenführer ein entscheidender Faktor sein. Der Approach könnte vor allem für Fachleute in Branchen wie dem Finanzwesen, dem Gesundheitswesen, der Regierung und dem Einzelhandel wichtig sein, wo Mainframes hochvolumige, anspruchsvolle Vorgänge unterstützen, die Zuverlässigkeit, Sicherheit und Skalierbarkeit erfordern.

KI, insbesondere generative KI, bietet eine einzigartige Gelegenheit, diese Probleme anzugehen, indem sie Wissen zu Mainframes verständlicher macht. Durch die Nutzung der Leistungsfähigkeit von großen Sprachmodellen (Large Language Models, LLMs), Retrieval-Augmented Generation (RAG) und Automatisierungs-Frameworks können Unternehmen den Erwerb von Fähigkeiten für neue Fachkräfte reduzieren. Außerdem ermöglicht dieser Ansatz erfahrenen Benutzern, sich auf strategische Aufgaben zu konzentrieren, die den Geschäftswert steigern.

Hier erfahren Sie, wie KI zur Mainframe-Bildung und -Produktivität beitragen kann.

Mainframe-Einsteiger stehen oft vor steilen Lernkurven und kämpfen mit komplexen Aufgaben. Stellen Sie sich zum Beispiel einen Entwickler vor, der nach stundenlangem Durchsuchen der Dokumentation unsicher ist, ob er die richtige Lösung gefunden hat. Ihre Unsicherheit verlangsamt Workflows und veranlasst sie dazu, die Bestätigung durch einen Experte (SME) einzuholen, da selbst kleine Fehler in der Mainframe schwerwiegende Folgen haben können.

Was dieser Entwickler braucht, ist ein zuverlässiger und zugänglicher Mentor - und hier kommt die KI ins Spiel. Dialogorientierte KI bietet Nutzern eine natürlichsprachliche Schnittstelle für den Zugriff auf kuratierte Informationen und Schritt-für-Schritt-Anleitungen. Anstatt KMUs mit Fragen zu unterbrechen, können Benutzer mit einem KI-gestützten Assistenten interagieren, um:

• Verstehen Sie die grundlegenden Mainframe-Konzepte

• Hier finden Sie Informationen zu Produktaktualisierungen und neuen Funktionen

• Befolgen Sie die Schritt-für-Schritt-Anleitungen zum Ausführen der Aufgaben

• Sie erhalten klare Erklärungen zu Fehlermeldungen und Systemverhalten

Solche Systeme basieren auf einem RAG-Framework (Retrieval-Augmented Generation) und können durch die Nutzung vertrauenswürdiger Wissensquellen fundierte und genaue Antworten liefern. Diese Methode verbessert nicht nur die Zuverlässigkeit der Antworten, sondern trägt auch dazu bei, Risiken wie Fehlinformationen zu mindern.

Zu den Best Practices für die Implementierung von RAG-Systemen gehören die Sicherstellung, dass sie aus hochwertigen, domänenspezifischen Quellen stammen und die regelmäßige Aktualisierung der KI. Ein entscheidender Vorteil von RAG ist, dass es Halluzinationen vermindert. Diese Sicherheitsvorkehrungen tragen dazu bei, dass KI eine zuverlässige und vertrauenswürdige Ressource für das Lernen und den Support im Mainframe-Bereich bleibt.

Während KI-Assistenten den Benutzern beim Lernen helfen, befähigt die Automatisierung sie zum Handeln. Durch die Bereitstellung geführter Workflows ermöglicht die Automatisierung es unerfahrenen Benutzern, Aufgaben auch ohne tiefgreifende Vorkenntnisse effektiv zu erledigen. 

Die Vorteile der Automatisierung kommen nicht nur Anfängern zugute, sondern auch erfahrenen Mainframe-Fachleuten. Stellen Sie sich beispielsweise einen erfahrenen Systemprogrammierer vor, der eine selten verwendete Sicherheitseinstellung konfigurieren muss. Sie verfügen zwar möglicherweise über die grundlegenden Kenntnisse, es ist jedoch möglich, dass seit der letzten Ausführung dieser Aufgabe Jahre vergangen sind und eine Auffrischung der Schritte, Abhängigkeiten und Nuancen des Systems erforderlich ist.

Ohne die richtigen Anleitungen und Praktiken kann dieser Prozess sehr zeitaufwändig werden, was zu Verzögerungen bei kritisch wichtigen Updates führen und die Wahrscheinlichkeit von Fehlern erhöhen kann.

Automatisierung und KI-gestützte Tools schließen diese Lücke, indem sie Schritt-für-Schritt-Unterstützung bieten, sich wiederholende Workflows automatisieren und Echtzeit-Empfehlungen basierend auf dem Kontext der dialogorientierten KI liefern. Diese Tools ermöglichen es sowohl Entwicklern am Anfang ihrer Karriere, neue Probleme anzugehen, als auch erfahrenen Veteranen, die selten genutzte Fähigkeiten wieder aufgreifen. Indem sie Fehler reduziert, die Effizienz verbessert und Frustration minimiert, ermöglicht die Automatisierung den Mainframe-Experten, sich auf strategische, hochwertige Initiativen zu konzentrieren.

Ebenso wichtig ist es, dass Automatisierungslösungen in die bestehenden Investitionen des Unternehmens integriert werden können. Unternehmen verlassen sich oft auf etablierte Automatisierungs-Frameworks und -Technologien wie Job Control Language (JCL), Restructured Extended Executor (REXX) und Ansible, in die sie im Laufe der Jahre stark in diese Systeme investiert haben. Um den Wert zu maximieren und die Akzeptanz sicherzustellen, muss die Automatisierung diese grundlegenden Tools unterstützen und Kompatibilität sowie nahtlose Integration bieten, anstatt kostspielige Ersatzlösungen zu erfordern.

KI-Lösungen sollten so konzipiert sein, dass sie den individuellen Bedürfnissen verschiedener Nutzergruppen gerecht werden und sicherstellen, dass jede Gruppe von einer maßgeschneiderten Erfahrung profitiert, die ihren Fähigkeiten und Zielen entspricht. Beispielsweise:

• Berufseinsteiger können von KI-gesteuerten, praktischen Erfahrungen profitieren, die sich darauf konzentrieren, das Lernen durch die manuelle Ausführung von Aufgaben zu verstärken, sodass sie Vertrauen aufbauen können, während sie sich mit grundlegenden Konzepten beschäftigen.

• Benutzer der mittleren Ebene könnten sich auf KI-gestützte Automatisierung verlassen, um Routineaufgaben effizient zu erledigen, Zeit zu sparen und das Risiko von Fehlern zu minimieren, während sie sich auf komplexere Aktivitäten konzentrieren können.

• Erfahrene Fachleute könnten KI nutzen, um erweiterte Funktionen zu erkunden, komplexe Vorgänge zu vereinfachen oder sogar ihr Fachwissen in wiederverwendbare Automatisierungsassets zu kodieren, von denen das gesamte Team einen Vorteil haben kann.

Durch die Erstellung rollenspezifischer Assistenten wird sichergestellt, dass die KI-Erfahrung den Verantwortlichkeiten und Qualifikationsstufen der Benutzer entspricht. Diese speziell entwickelten Assistenten beantworten Fragen und erfüllen spezifische Automatisierungsanforderungen, sodass Benutzer Aufgaben nahtlos erledigen und komplexe Prozesse mit einer ansprechenden, dialogorientierten KI-Erfahrung navigieren können.

Es können verschiedene KI-Assistenten entwickelt werden, um den Bedürfnissen verschiedener Benutzertypen gerecht zu werden.

Bei der Entwicklung von KI-Lösungen ist die Vereinfachung der Entwicklungs- und Wartungsprozesse von entscheidender Bedeutung. Wenn sich KI-Systeme weiterentwickeln, sollten sie darauf abzielen, Unterstützung zu bieten und gleichzeitig neue Komplexitätsebenen bei der Bereitstellung zu minimieren. Um dieses Ziel zu erreichen, sind KI-Systeme erforderlich, die intuitiv sind, mit bestehenden Tools interoperabel und flexibel genug sind, um sich an verschiedene Anwendungsfälle anzupassen. Als Ergebnis sind die Vorteile der Automatisierung für jede Benutzergruppe zugänglich und nachhaltig.

Hier sind einige Ansätze.

Low-Code-Plattformen ermöglichen es Bereichsexperten, Automatisierungsassets ohne umfangreiche Programmierkenntnisse zu erstellen, zu ändern und zu veröffentlichen. Diese Assets können dann in KI-Assistenten integriert werden, um sie einer breiteren Benutzerbasis zur Verfügung zu stellen.

So können beispielsweise vorhandene Automatisierungsskripte in Ansible, JCL oder REXX in wiederverwendbare Fähigkeiten umgewandelt werden.

Ein zentrales Repository stellt sicher, dass Automatisierungsassets teamübergreifend leicht auffindbar und wiederverwendbar sind. Diese Methode beschleunigt nicht nur die Aufgabenausführung, sondern fördert auch den Wissensaustausch und die Standardisierung.

Bei der Bereitstellung von KI-Lösungen für Mainframe-Umgebungen ist die Auswahl einer Architektur entscheidend. Cloudbasierte Optionen können die Laufzeitkosten senken und die Skalierbarkeit vereinfachen, können aber bei der Integration mit Mainframe-Systemen hinter Firewalls zu Problemen führen. Lokale Bereitstellungen sind gut auf die Sicherheitsanforderungen von Mainframes abgestimmt und bieten robuste Automatisierungsfunktionen sowie direkte Integration. Dieser Ansatz erfordert jedoch oft erhebliche Vorlaufinvestitionen in GPU-Hardware und IT-Infrastruktur.

Viele Unternehmen finden einen Hybrid-Cloud-Ansatz als optimal, da sie die Cloud für allgemeine Wissensfunktionen und die lokale Bereitstellung für sichere Automatisierungs-Aufgaben nutzen. Der Schlüssel liegt darin, Ihre KI-Infrastruktur mit den Sicherheitsanforderungen Ihres Unternehmens, den bestehenden Mainframe-Investitionen und den Automatisierungszielen in Einklang zu bringen.

KI-Lösungen für Mainframe-Umgebungen bieten einen vielversprechenden Weg in die Zukunft, da Unternehmen vor der Herausforderung stehen, kritische Systeme zu warten, während die Zahl der Fachkräfte immer weiter zurückgeht. IBM setzt dieses Ziel mit IBM z17® um, seinen Mainframe der nächsten Generation, der für KI auf Unternehmensebene konzipiert wurde.  

Mit integrierten KI-Funktionen, die vom Telum® II-Prozessor und dem neuen Spyre™-KI-Beschleuniger unterstützt werden, ermöglicht das z17 KI-Inferenzen in Echtzeit direkt auf dem System. KI-Assistenten- und Agententools wie watsonx Code Assistant® for Z und watsonx Assistant® for Z bieten intelligente Unterstützung für Entwickler und IT-Teams. Darüber hinaus optimiert die Integration mit IBM Z Operations Unite den Betrieb durch KI-gestützte Vorfallerkennung und -lösung.

Diese Tools wurden entwickelt, um die Bedürfnisse sowohl erfahrener Fachleute als auch von Benutzern, die neu auf der Plattform sind, zu erfüllen. Sie helfen dabei, Qualifikationslücken zu schließen, die Produktivität zu steigern und Innovationen voranzutreiben. Durch die direkte Einbettung von KI in den Mainframe trägt IBM zur Verbreitung von Mainframe-Fachwissen bei und macht es zu einer erneuerbaren Ressource, die sicherstellt, dass diese Systeme auch in Zukunft einen Mehrwert bieten.