Moderniser les applications mainframe grâce à l’IA générative

Plongez au cœur de n'importe quelle application mobile sophistiquée ou interface commerciale, et sous les couches d'intégration et de service de l'architecture applicative de toute grande entreprise, vous découvrirez probablement des mainframes qui tiennent les rênes.

Les applications critiques et les systèmes d'enregistrement utilisent ces systèmes centraux dans le cadre d'une infrastructure hybride. Toute interruption de leur opération en cours pourrait avoir des conséquences désastreuses sur l’intégrité opérationnelle de l’entreprise. À tel point que de nombreuses entreprises craignent d’y apporter des modifications de fond.

Mais le changement est inévitable, car la dette technique s’accumule. Pour parvenir à une certaine agilité métier et relever les défis concurrentiels et la demande des clients, les entreprises doivent absolument moderniser ces applications. Au lieu de retarder le changement, les dirigeants devraient chercher de nouveaux moyens d'accélérer la transformation numérique dans leur stratégie hybride.

Le plus grand obstacle à la modernisation du mainframe est probablement la recherche de talents. La plupart des experts en mainframe et en applications qui ont créé et enrichi les bases de code COBOL d'entreprise au fil des ans ont probablement changé de poste ou prendront bientôt leur retraite.

Plus alarmant encore, la nouvelle génération de talents sera difficile à recruter, car les nouveaux diplômés en informatique qui ont étudié Java et les nouveaux langages ne s’imagineront pas naturellement capables de développer des applications mainframe. Pour elle, le travail n'est peut-être pas aussi attrayant que la conception d'applications mobiles ou aussi agile que le développement cloud natif. À bien des égards, il s'agit d'une prédisposition plutôt injuste.

Le langage COBOL a été créé bien avant que l'orientation objet ne soit même envisagée, sans parler de l'orientation service ou du cloud computing. Avec un ensemble allégé de commandes, ce langage ne devrait pas être un langage compliqué à apprendre ou à comprendre pour les développeurs débutants. Et il n'y a pas de raison pour laquelle les applications mainframe ne bénéficieraient pas du développement Agile et de versions plus petites et incrémentales dans un pipeline automatisé de type DevOps.

Comprendre ce que les différentes équipes ont accompli avec COBOL au fil des ans est ce qui rend la gestion du changement si difficile. Les développeurs ont apporté d'innombrables ajouts et boucles logiques à un système procédural qui doit être vérifié et mis à jour dans son ensemble, plutôt que par composants ou services faiblement couplés.

Avec le code et les programmes ainsi intégrés dans le mainframe, les interdépendances et les points de défaillance potentiels sont trop complexes et trop nombreux pour que même des développeurs expérimentés puissent les démêler. Cela rend le développement d'applications COBOL plus intimidant qu'il ne devrait l'être, ce qui pousse de nombreuses organisations à rechercher prématurément des alternatives au mainframe.

Nous avons récemment observé un engouement significatif pour l'IA générative (ou GenAI) en raison de la large disponibilité de grands modèles linguistiques (LLM) tels que ChatGPT et de générateurs d'images IA visuels destinés au grand public.

Bien que de nombreuses possibilités intéressantes apparaissent dans ce domaine, il existe un « facteur d'hallucination » préoccupant lié aux LLM lorsqu'ils sont appliqués à des workflows critiques. Lorsque les IA sont formées à partir de contenus trouvés sur Internet, elles peuvent souvent fournir des dialogues convaincants et crédibles, mais leurs réponses ne sont pas toujours tout à fait exactes. Par exemple, ChatGPT a récemment cité des précédents jurisprudentiels fictifs (lien externe à ibm.com) devant un tribunal fédéral, ce qui pourrait entraîner des sanctions pour l'avocat qui l'a utilisé de manière imprudente.

Il existe des problèmes similaires lorsqu'il s'agit de confier à un chatbot IA le codage d'une application métier. Si un LLM généralisé peut fournir des suggestions générales raisonnables pour améliorer une application, créer facilement un formulaire d'inscription standard ou coder un jeu de type astéroïdes, l'intégrité fonctionnelle d'une application métier dépend fortement des données de machine learning utilisées pour entraîner le modèle d'IA.

Heureusement, la recherche en IA axée sur la production était en cours depuis plusieurs années avant l'arrivée de ChatGPT. IBM développe des modèles d'apprentissage profond et d'inférence sous sa marque watsonx™. En tant que pionnier et innovateur dans le domaine des ordinateurs centraux, IBM a créé des modèles GenAI observationnels entraînés et optimisés pour la transformation COBOL-Java.

Leur dernière solution IBM watsonx Code Assistant for Z utilise à la fois des processus basés sur des règles et l’IA générative pour accélérer la modernisation des applications mainframe. Désormais, les équipes de développement peuvent s'appuyer sur une utilisation très pratique et axée sur l'entreprise de l'IA générique et de l'automatisation pour aider les développeurs dans la découverte d'applications, la restructuration automatique et la transformation COBOL-Java.

Pour rendre les applications mainframe aussi agiles et faciles à modifier que n'importe quelle autre application orientée objet ou distribuée, les entreprises doivent en faire des fonctionnalités de premier niveau de la chaîne de livraison continue. IBM watsonx Code Assistant for Z aide les développeurs à intégrer le code COBOL dans le cycle de vie de la modernisation des applications en trois étapes :

1. Découverte. Avant de procéder à la modernisation, les développeurs doivent déterminer les domaines qui nécessitent une attention particulière. Tout d'abord, la solution dresse un inventaire de tous les programmes sur le mainframe, en établissant des diagrammes de flux architecturaux pour chacun d'entre eux, avec toutes leurs entrées et sorties de données. Le modèle de flux visuel permet aux développeurs et aux architectes de repérer plus facilement les dépendances et les impasses évidentes dans la base de code.
2. Restructuration. Cette phase consiste à décomposer les monolithes en une forme plus consommable. IBM watsonx Code Assistant for Z examine les bases de codes de programme de longue date pour comprendre la logique métier prévue du système. En découplant les commandes et les données (comme les processus discrets), la solution restructure le code COBOL en composants modulaires de services métier.
3. Transformation. C'est là que la solution LLM, spécialement conçue pour la conversion COBOL-Java en entreprise, peut faire la différence. Le modèle GenAI traduit les composants du programme COBOL en classes Java, permettant une véritable orientation objet et une distinction entre les préoccupations, afin que plusieurs équipes puissent travailler en parallèle et de manière agile. Les développeurs peuvent alors se concentrer sur le raffinement du code Java dans un IDE, l'IA fournissant des suggestions anticipées, un peu comme une fonction de copilote que l'on trouve dans d'autres outils de développement.

Nous sommes généralement sceptiques quant à la plupart des affirmations des fournisseurs concernant l’IA, car souvent il s’agit simplement d’une automatisation sous un autre nom.

Par rapport à l'apprentissage de toutes les nuances de la langue anglaise et à la spéculation sur la base factuelle des mots et des paragraphes, la maîtrise de la syntaxe et des structures de langages tels que COBOL et Java semble être tout à fait dans les cordes de l'IA générative.

Les modèles d’IA générative conçus pour des entreprises telles qu’IBM watsonx Code Assistant for Z peuvent réduire les efforts et les coûts de modernisation pour les organisations les plus limitées en ressources au monde. Les applications sur des plateformes connues avec des milliers de lignes de code sont des terrains d’entraînement idéaux pour les modèles d’IA générative comme IBM watsonx Code Assistant for Z.

Même dans des environnements aux ressources limitées, l'IA générative peut aider les équipes à surmonter les obstacles à la modernisation et à renforcer les capacités des développeurs mainframe, même les plus récents, afin d'améliorer considérablement l'agilité et la résilience de leurs cœurs de métier essentiels.

Pour en savoir plus, veuillez consulter les autres articles de cette série consacrée au leadership éclairé des analystes d'Intellyx :

• Partie 1 : « La modernisation des applications mainframe au-delà du secteur bancaire »
• Partie 2 : « Utiliser la collaboration (et non la migration) pour moderniser vos applications mainframe avec le cloud »
• Partie 3 : « Miser sur la transformation numérique pilotée par le mainframe pour les services financiers »
• Partie 4 : « Le mainframe et le cloud ? C'est simple avec l'open source »

©2024 Intellyx BV Intellyx est responsable de la rédaction de ce document. Aucun bot basé sur l’IA n’a été utilisé pour rédiger ce contenu. Au moment de la rédaction du présent document, IBM est un client Intellyx.