Modernisierung von Mainframe-Anwendungen mit Unterstützung durch generative KI

Werfen Sie einen Blick hinter die Kulissen einer beliebigen cleveren mobilen Anwendung oder kommerziellen Schnittstelle, und Sie werden höchstwahrscheinlich feststellen, das tief unter den Integrations- und Serviceebenen der Anwendungsarchitektur eines jeden großen Unternehmens Mainframes den Ton angeben.

Kritische Anwendungen und Systeme von Datensätzen nutzen diese Kernsysteme als Teil einer hybriden Infrastruktur. Jede Unterbrechung in ihrem laufenden Betrieb könnte für die weitere betriebliche Integrität des Unternehmens katastrophale Auswirkungen haben. So sehr, dass viele Unternehmen Angst haben, wesentliche Änderungen daran vorzunehmen.

Aber Veränderungen sind unvermeidlich, da sich die technischen Schulden anhäufen. Um geschäftliche Agilität zu erreichen und mit den Herausforderungen des Wettbewerbs und der Kundennachfrage Schritt zu halten, müssen Unternehmen diese Anwendungen unbedingt modernisieren. Anstatt den Wandel aufzuschieben, sollten Führungskräfte nach neuen Wegen suchen, um die digitale Transformation in ihrer Hybridstrategie zu beschleunigen.

Das größte Hindernis bei der Mainframe-Modernisierung ist wahrscheinlich der Fachkräftemangel. Viele der Mainframe- und Anwendungsexperten, die im Laufe der Jahre COBOL-Codebasen für Unternehmen erstellt und erweitert haben, sind wahrscheinlich entweder in den Ruhestand getreten oder werden dies demnächst tun.

Noch beängstigender ist, dass die nächste Generation von Talenten schwer zu rekrutieren sein wird, da neuere Informatik-Absolventen, die Java und neuere Sprachen gelernt haben, sich nicht natürlich vorstellen können, in der Entwicklung von Mainframe-Anwendungen tätig zu sein. Für sie wirkt die Arbeit vielleicht nicht so attraktiv wie das Design von mobilen Apps oder so flexibel wie die cloudnative Entwicklung. In vielerlei Hinsicht ist dies eine ziemlich ungerechte Voreingenommenheit.

COBOL wurde entwickelt, lange bevor es Objektorientierung gab – geschweige denn Serviceorientierung oder Cloud Computing. Mit einem schlanken Satz von Befehlen sollte sie für neuere Entwickler nicht kompliziert zu erlernen oder zu verstehen sein. Und es gibt keinen Grund, warum Mainframe-Anwendungen nicht von einer flexiblen Entwicklung und kleineren, inkrementellen Releases innerhalb einer automatisierten DevOps-Pipeline profitieren würden.

Herauszufinden, was die verschiedenen Teams im Laufe der Jahre mit COBOL gemacht haben, ist es, was es so schwierig macht, Veränderungen zu bewältigen. Entwickler haben endlose Ergänzungen und logischen Schleifen in einem prozeduralen System vorgenommen, das als Ganzes überprüft und aktualisiert werden muss und nicht in Komponenten oder lose gekoppelten Diensten.

Da Code und Programme auf dem Mainframe auf diese Weise miteinander verwoben sind, sind die gegenseitigen Abhängigkeiten und potenziellen Fehlerquellen zu komplex und zahlreich, als dass selbst erfahrene Entwickler sie entschlüsseln könnten. Dadurch fühlt sich die Entwicklung von COBOL-Apps entmutigender an als nötig, was viele Organisationen dazu veranlasst, frühzeitig nach Alternativen abseits des Mainframes zu suchen.

Wir haben in letzter Zeit zahlreiche Hypes um generative KI (oder GenAI) erlebt, da große Sprachmodelle (Large Language Models, LLMs) wie ChatGPT und visuelle KI-Bildgeneratoren für Verbraucher weit verbreitet sind.

Obwohl sich in diesem Bereich viele interessante Möglichkeiten ergeben, haftet den LLMs bei der Anwendung auf kritische Geschäftsprozesse ein gewisser „Halluzinationsfaktor“ an. Wenn KIs mit Inhalten aus dem Internet trainiert werden, liefern sie vielleicht oft überzeugende und glaubwürdige Dialoge, aber keine ganz korrekten Antworten. ChatGPT zitierte beispielsweise kürzlich eine imaginäre Rechtsprechung (Link befindet sich außerhalb von ibm.com), Präzedenzfälle vor einem Bundesgericht, die zu Strafen für den faulen Anwalt führen könnten, der dies in Anspruch genommen hat.

Ähnliche Probleme ergeben sich, wenn man einer Chatbot-KI die Programmierung einer Geschäftsanwendung anvertrauen möchte. Während ein allgemeiner LLM vernünftige allgemeine Vorschläge zur Verbesserung einer App oder zur einfachen Erstellung eines Standard-Anmeldeformulars oder zur Programmierung eines Spiels im Asteroids-Stil liefern kann, hängt die funktionale Integrität einer Geschäftsanwendung stark davon ab, mit welchen maschinellen Lerndaten das KI-Modell trainiert wurde.

Glücklicherweise gab es bereits Jahre produktionsorientierte KI-Forschung, bevor ChatGPT auf den Markt kam. IBM hat unter der Marke watsonx™ Deep-Learning- und Inferenzmodelle entwickelt und als Mainframe-Entwickler und -Innovator Beobachtungsmodelle für generative KI entwickelt, die auf die COBOL-zu-Java-Transformation trainiert und abgestimmt sind.

Ihre neueste IBM watsonx Code Assistant for Z-Lösung verwendet sowohl regelbasierte Prozesse als auch generative KI, um die Mainframe-Anwendungsmodernisierung zu beschleunigen. Jetzt können sich die Entwicklungsteams auf einen sehr praktischen und unternehmensorientierten Einsatz von generative KI und Automatisierung stützen, um Entwickler bei der application discovery, dem automatischen Refactoring und der Transformation zu unterstützen.

Um Mainframe-Anwendungen genauso flexibel und anpassungsfähig zu machen wie jede andere objektorientierte oder verteilte Anwendung, sollten Unternehmen sie zu Top-Level-Funktionen der Continuous-Delivery-Pipeline machen. IBM watsonx Code Assistant for Z unterstützt Entwickler dabei, COBOL-Code in drei Schritten in den Lebenszyklus der Anwendungsmodernisierung zu integrieren:

1. Entdeckung. Bevor sie modernisieren, müssen Entwickler herausfinden, wo Aufmerksamkeit erforderlich ist. Zunächst erfasst die Lösung einen Bestand aller Programme auf dem Mainframe und erstellt für jedes Programm ein architektonisches Flussdiagramm mit allen Eingaben und Ausgaben. Das visuelle Flussmodell erleichtert es Entwicklern und Architekten, Abhängigkeiten und offensichtliche Sackgassen innerhalb der Codebasis zu erkennen.
2. Refactoring. In dieser Phase geht es darum, Monolithen in eine besser konsumierbare Form aufzubrechen. IBM watsonx Code Assistant for Z durchsucht Programmcodebasen mit langer Ausführungszeit, um die beabsichtigte Geschäftslogik des Systems zu verstehen. Durch die Entkopplung von Befehlen und Daten, wie z. B. diskrete Prozesse, wandelt die Lösung den COBOL-Code in modulare Geschäftsservice-Komponenten um.
3. Transformation. Hier kann die Magie eines LLM, das auf die unternehmensweite COBOL-zu-Java-Konvertierung abgestimmt ist, den Unterschied ausmachen. Das GenAI-Modell übersetzt COBOL-Programmkomponenten in Java-Klassen, was eine echte Objektorientierung und Trennung von Problemstellungen ermöglicht, sodass mehrere Teams parallel und agil arbeiten können. Entwickler können sich dann auf die Verfeinerung des Codes in Java in einer IDE konzentrieren, wobei die KI Vorschauvorschläge macht, ähnlich wie bei einer Co-Pilot-Funktion, die man in anderen Entwicklungstools sieht.

Wir stehen den meisten Anbietern zu KI-Behauptungen skeptisch gegenüber, da es sich oft einfach um Automatisierung unter einem anderen Namen handelt.

Im Vergleich zum Erlernen aller Nuancen der englischen Sprache und dem Spekulieren über die tatsächliche Grundlage von Wörtern und Absätzen scheint die Beherrschung der Syntax und Strukturen von Sprachen wie COBOL und Java genau das Richtige für generative KI zu sein.

Generative KI-Modelle, die für Unternehmen wie IBM watsonx Code Assistant for Z entwickelt wurden, können den Modernisierungsaufwand und die Kosten für die ressourcenbeschränkten Unternehmen der Welt reduzieren. Anwendungen auf bekannten Plattformen mit Tausenden von Codezeilen sind ideale Trainingsgebiete für generative KI-Modelle wie IBM watsonx Code Assistant for Z.

Selbst in ressourcenbeschränkten Umgebungen kann GenAI Teams dabei helfen, Modernisierungshürden zu überwinden und die Funktionen noch neuerer Mainframe-Entwickler zu erweitern, um die Agilität und Resilienz ihrer kritischsten Kerngeschäftsanwendungen deutlich zu verbessern.

Weitere Informationen finden Sie in den anderen Beiträgen dieser Intellyx-Reihe zum Thema Thought Leadership:

• Teil 1: „Mainframe-Anwendungsmodernisierung jenseits der Banken“
• Teil 2: „Nutzen Sie Zusammenarbeit (nicht Migration), um Ihre Mainframe-Anwendungen mit der Cloud zu modernisieren“
• Teil 3: „Setzen auf Mainframe-gestützte digitale Transformation für Finanzdienstleistungen“
• Teil 4: „Mainframe und die Cloud? Mit Open Source ist das ganz einfach“

©2024 Intellyx BV Intellyx ist redaktionell für dieses Dokument verantwortlich. Für die Erstellung dieses Inhalts wurden keine KI-Bots verwendet. Zum Zeitpunkt der Erstellung dieses Artikels ist IBM ein Kunde von Intellyx.