Modernización de las aplicaciones mainframe con el impulso de la IA generativa

Si miramos detrás de las bambalinas de cualquier aplicación móvil o interfaz comercial, y muy por debajo de las capas de integración y servicio de la arquitectura de aplicaciones de cualquier gran empresa, es probable que encontremos mainframes dirigiendo el espectáculo.

Las aplicaciones críticas y sistemas de registro utilizan estos sistemas centrales como parte de una infraestructura híbrida. Cualquier interrupción en sus operaciones continuas podría ser desastrosa para la integridad operativa continua del negocio. Tanto es así que muchas empresas tienen miedo de hacerles cambios sustanciales.

Pero el cambio es inevitable, ya que la deuda técnica se está acumulando. Para lograr agilidad empresarial y mantenerse al día con los retos competitivos y la demanda de los clientes, las empresas deben modernizar absolutamente estas aplicaciones. En lugar de posponer el cambio, los líderes deben buscar nuevas formas de acelerar la transformación digital en su estrategia híbrida.

El mayor obstáculo para la modernización del mainframe es probablemente la escasez de talento. Es probable que muchos de los expertos en mainframe y aplicaciones que crearon y añadieron bases de código COBOL empresariales a lo largo de los años se hayan marchado o estén a punto de jubilarse.

Y lo que es aún más aterrador, la próxima generación de talento será difícil de reclutar, ya que los recién graduados en informática que aprendieron Java y lenguajes más nuevos no se imaginarán de forma natural haciendo desarrollo de aplicaciones de mainframe. Para ellos, el trabajo puede no parecer tan atractivo como el diseño de aplicaciones móviles o tan ágil como el desarrollo nativo de la nube. En muchos sentidos, se trata de una predisposición bastante injusta.

COBOL se creó mucho antes de que existiera la orientación a objetos, y mucho menos la orientación a servicios o el cloud computing. Con un conjunto reducido de comandos, no debería ser un lenguaje complicado de aprender o entender para los desarrolladores más nuevos. Y no hay razón por la que las aplicaciones de mainframe no se beneficien del desarrollo ágil y de versiones más pequeñas e incrementales dentro de un pipeline automatizado de estilo DevOps.

Averiguar lo que los diferentes equipos han hecho con COBOL a lo largo de los años es lo que hace que sea tan difícil gestionar el cambio. Los desarrolladores hicieron innumerables adiciones y bucles lógicos a un sistema de procedimientos que debe verificarse y actualizarse como un todo, en lugar de como componentes o servicios poco acoplados.

Con el código y los programas entrelazados en el mainframe de esta manera, las interdependencias y los posibles puntos de fallo son demasiado complejos y numerosos para que incluso los desarrolladores expertos los desenreden. Esto hace que el desarrollo de aplicaciones COBOL parezca más desalentador de lo necesario, lo que hace que muchas organizaciones busquen alternativas fuera del mainframe prematuramente.

Últimamente hemos visto mucho hype en torno a la IA generativa debido a la disponibilidad generalizada de modelos de lenguaje de gran tamaño como ChatGPT y generadores de imágenes de IA visual de nivel consumidor.

Si bien están surgiendo muchas posibilidades interesantes en este espacio, existe un molesto “factor de alucinación” de los LLM cuando se aplican a flujos de trabajo empresariales críticos. Cuando las IA se entrenan con contenidos que se encuentran en internet, a menudo pueden proporcionar diálogos convincentes y creíbles, pero no respuestas totalmente precisas. Por ejemplo, ChatGPT citó recientemente precedentes jurisprudenciales imaginarios (enlace externo a ibm.com) en un tribunal federal, lo que podría dar lugar a sanciones para el abogado perezoso que lo utilizó.

Existen problemas similares al confiar en una IA de chatbot para codificar una aplicación empresarial. Si bien un LLM generalizado puede proporcionar sugerencias generales razonables sobre cómo mejorar una aplicación, generar fácilmente un formulario de inscripción estándar o codificar un juego tipo Asteroids, la integridad funcional de una aplicación depende en gran medida de los datos de machine learning con los que se entrenó el modelo de IA.

Afortunadamente, la investigación en IA orientada a la producción llevaba años en marcha antes de que llegara ChatGPT. IBM ha estado creando modelos de deep learning e inferencia bajo su marca watsonx, y como creador e innovador de mainframes, ha creado modelos de IA generativa observacionales entrenados y afinados en la transformación de COBOL a Java.

Su última solución IBM® watsonx Code Assistant for Z utiliza tanto procesos basados en reglas como IA generativa para acelerar la modernización de aplicaciones de mainframe. Ahora, los equipos de desarrollo pueden apoyarse en un uso muy práctico y centrado en la empresa de la IA generativa y la automatización para ayudar a los desarrolladores en el descubrimiento de aplicaciones, la autorrefactorización y la transformación de COBOL a Java.

Para que las aplicaciones de mainframe sean tan ágiles y maleables al cambio como cualquier otra aplicación orientada a objetos o distribuida, las organizaciones deben convertirlas en características de primer nivel del pipeline de entrega continua. IBM watsonx Code Assistant for Z ayuda a los desarrolladores a incorporar el código COBOL al ciclo de vida de modernización de aplicaciones a través de tres pasos:

1. Descubrimiento. Antes de modernizar, los desarrolladores deben averiguar dónde se necesita atención. En primer lugar, la solución realiza un inventario de todos los programas del mainframe, trazando diagramas de flujo arquitectónicos para cada uno, con todas sus entradas y salidas de datos. El modelo de flujo visual facilita a los desarrolladores y arquitectos la detección de dependencias y callejones sin salida obvios dentro de la base de código.
2. Refactorización. Esta fase consiste en dividir los monolitos en una forma más consumible. IBM watsonx Code Assistant for Z examina las bases de código de programas de larga ejecución para comprender la lógica empresarial prevista del sistema. Al desacoplar comandos y datos, como procesos discretos, la solución refactoriza el código COBOL en componentes modulares de servicios empresariales.
3. Transformación. Aquí es donde la magia de un LLM ajustado a la conversión empresarial de COBOL a Java puede marcar la diferencia. El modelo de IA generativa traduce los componentes del programa COBOL en clases Java, lo que permite una verdadera orientación a objetos y separación de preocupaciones, de modo que varios equipos puedan trabajar de forma paralela y ágil. A continuación, los desarrolladores pueden centrarse en refinar el código en Java en un IDE, con la IA proporcionando sugerencias anticipadas, de forma muy parecida a la función de copiloto que vería en otras herramientas de desarrollo.

Por lo general, somos escépticos ante la mayoría de las afirmaciones de los proveedores sobre la IA, ya que a menudo no son más que automatización con otro nombre.

Comparado con aprender todos los matices de la lengua inglesa y especular sobre la base factual de palabras y párrafos, dominar la sintaxis y las estructuras de lenguajes como COBOL y Java parece justo lo que necesita la IA generativa.

Los modelos de IA generativa diseñados para empresas como IBM® watsonx Code Assistant for Z pueden reducir el esfuerzo y los costes de modernización de las organizaciones con más recursos del mundo. Las aplicaciones en plataformas conocidas con miles de líneas de código son terrenos de entrenamiento ideales para modelos de IA generativa como IBM watsonx Code Assistant for Z.

Incluso en entornos con recursos limitados, la IA generativa puede ayudar a los equipos a superar los obstáculos de la modernización y aumentar las capacidades de los desarrolladores de mainframe, incluso los más noveles, para conseguir mejoras significativas en la agilidad y resiliencia de sus aplicaciones empresariales básicas más críticas.

Para obtener más información, consulte las demás publicaciones de esta serie sobre thought leadership de los analistas de Intellyx:

• Parte 1: “Modernización de aplicaciones mainframe más allá de la banca”
• Parte 2: “Utilizar la colaboración (no la migración) para modernizar sus aplicaciones mainframe con la nube”
• Parte 3: “Apostar por la transformación digital liderada por mainframe para servicios financieros”
• Parte 4: “¿El mainframe y la nube? Es fácil con código abierto”

©2024 Intellyx B.V. Intellyx es responsable editorial de este documento. No se han utilizado bots de IA para redactar este contenido. En el momento de redactar este documento, IBM es cliente de Intellyx.