AI generatif dalam modernisasi aplikasi

Modernisasi aplikasi berarti memperbarui aplikasi lama menggunakan teknologi masa kini untuk meningkatkan kinerja dan memastikan aplikasi dapat mengikuti dinamika bisnis modern dengan mengadopsi prinsip cloud-native seperti DevOps dan infrastructure-as-code.

Perawatan aplikasi lama dapat berkisar dari penulisan ulang lengkap hingga meng-host ulang berdasarkan nilai, kekritisan, dan tujuan. Ini juga merupakan fakta yang diketahui bahwa benefit paling tinggi untuk menulis ulang karena memberikan kesempatan untuk mendapatkan model cloud native dengan tingkat kelincahan dan kecepatan yang tinggi. Banyak CIO dan CTO ragu-ragu untuk berinvestasi karena biaya dan jadwal yang terlibat dalam merealisasikan nilai sambil mampu menyeimbangkan antara inisiatif penulisan ulang investasi tinggi vis-à-vis pendekatan re-host bernilai rendah. Penyedia layanan dan vendor perkakas mencoba mengatasi ruang ini melalui membangun akselerator yang dapat disesuaikan untuk konsumsi perusahaan yang membantu mempercepat area tertentu dari modernisasi: Evolvware, IBM® Consulting Cloud Accelerators, dan alat penyedia layanan cloud khusus.

Sementara mencoba mendorong akselerasi dan mengoptimalkan biaya modernisasi, AI generatif menjadi pendorong penting untuk mendorong perubahan dalam cara kami mempercepat program modernisasi. Artikel ini berfokus pada kemungkinan AI generatif dalam proses modernisasi aplikasi.

Modernisasi aplikasi berarti memperbarui aplikasi lama menggunakan teknologi masa kini untuk meningkatkan kinerja dan memastikan aplikasi dapat mengikuti dinamika bisnis modern dengan mengadopsi prinsip cloud-native seperti DevOps dan infrastructure-as-code. Proses modernisasi aplikasi diawali melalui penilaian aplikasi lama, data, dan infrastruktur saat ini, lalu memilih strategi modernisasi yang sesuai (seperti re-host, re–platform, refactor, atau rebuild) untuk mencapai tujuan yang ditetapkan. Meskipun hasil Rebuild memberikan manfaat paling besar, pendekatan ini juga memerlukan investasi besar, sementara itu, re-host hanya memindahkan aplikasi dan data ke cloud tanpa perubahan, sehingga biayanya lebih ringan namun nilai tambahnya juga terbatas. Setelah dimodernisasi, aplikasi akan diterapkan dan dikelola secara berkesinambungan, termasuk pembaruan rutin agar tetap relevan dengan perubahan teknologi serta perkembangan bisnis. Manfaat khas yang direalisasikan akan berkisar dari peningkatan ketangkasan, efektivitas biaya dan daya saing, sementara tantangan termasuk kompleksitas dan tuntutan sumber daya. Banyak perusahaan menyadari bahwa pindah ke cloud tidak memberi mereka nilai yang diinginkan atau ketangkasan dan kecepatan di luar otomatisasi tingkat platform dasar. Masalah sebenarnya terletak pada bagaimana TI diatur, yang tercermin dari bagaimana aplikasi/layanannya saat ini dibangun dan dikelola (lihat hukum Conway). Hal ini, pada gilirannya, mengarah pada tantangan berikut:

• Kemampuan duplikatif atau tumpang tindih yang ditawarkan oleh beberapa sistem dan komponen TI menciptakan ketergantungan dan proliferasi yang lengket yang berdampak pada produktivitas dan kecepatan ke pasar.
• Kemampuan duplikatif di seluruh aplikasi dan saluran memunculkan sumber daya TI duplikatif (seperti keterampilan dan infrastruktur)
• Kemampuan duplikasi (termasuk data) yang mengakibatkan duplikasi business rules, misalnya, menimbulkan pengalaman pelanggan yang tidak konsisten.
• Kurangnya penyelarasan kemampuan TI dengan kemampuan bisnis berdampak pada waktu memasarkan & Bisnis-TI. Selain itu, perusahaan akhirnya membangun beberapa band-aid dan lapisan arsitektur untuk mendukung inisiatif dan inovasi bisnis baru.
• Teknologi lama dan sifat monolit berdampak pada kecepatan dan ketangkasan, serta berdampak pada postur keamanan dan kepatuhan.

Karena itu, upaya modernisasi aplikasi perlu diarahkan pada penciptaan nilai bisnis, termasuk mentransformasi aplikasi menjadi komponen dan layanan yang selaras dengan kemampuan bisnis. Tantangan utamanya adalah kebutuhan investasi yang besar, sehingga banyak CIO dan CTO enggan berinvestasi mengingat biaya dan durasi yang diperlukan untuk meraih nilai bisnis. Banyak perusahaan menyiasati tantangan ini dengan mengembangkan akselerator yang dapat disesuaikan bagi kebutuhan enterprise untuk mempercepat bagian tertentu dari proses modernisasi Salah satu contohnya adalah IBM® Consulting Cloud Accelerators. Dalam usaha meningkatkan kecepatan dan menekan biaya modernisasi, AI Generatif kini berperan sebagai enabler penting yang memungkinkan percepatan perubahan dalam program modernisasi. Kita akan menjelajahi area utama akselerasi dengan contoh di artikel ini.

Siklus hidup program modernisasi aplikasi yang disederhanakan (tidak dimaksudkan untuk lengkap) digambarkan di bawah ini. Discovery berfokus pada pemahaman aplikasi lama, infrastruktur, data, interaksi antara aplikasi, layanan dan data dan aspek lain seperti keamanan. Perencanaan memecah portofolio aplikasi yang kompleks menjadi iterasi untuk dimodernisasi untuk membuat peta jalan berulang — dan menetapkan rencana eksekusi untuk mengimplementasikan peta jalan.

Aktivitas fase Cetak Biru/Desain berubah berdasarkan strategi modernisasi (dari menguraikan aplikasi dan memanfaatkan desain berbasis domain atau menetapkan arsitektur target berdasarkan teknologi baru untuk membangun desain yang dapat dieksekusi). Fase selanjutnya adalah membangun dan menguji dan menerapkan ke produksi. Mari kita jelajahi kemungkinan AI generatif di seluruh area siklus hidup ini.

Penemuan dan desain

Kemampuan untuk memahami aplikasi lama dengan keterlibatan SME (tenaga ahli) yang minimal merupakan titik percepatan penting. Hal ini karena, secara umum, SME disibukkan dengan inisiatif penerapan sistem, sementara pengetahuan mereka mungkin terbatas berdasarkan seberapa lama SME telah mendukung sistem tersebut. Secara kolektif, penemuan dan desain adalah tempat waktu yang signifikan dihabiskan selama modernisasi, sedangkan pengembangan jauh lebih mudah setelah tim telah memecahkan kode fungsionalitas aplikasi lama, aspek integrasi, logika, dan kompleksitas data.

Tim modernisasi melakukan analisis kode mereka dan memeriksa beberapa dokumen (sebagian besar bertanggal); di sinilah ketergantungan mereka pada alat analisis kode menjadi penting. Selanjutnya, untuk inisiatif menulis ulang, seseorang perlu memetakan kemampuan fungsional ke konteks aplikasi lama untuk melakukan latihan desain/dekomposisi berbasis domain yang efektif. AI generatif menjadi sangat berguna di sini melalui kemampuannya untuk mengkorelasikan domain/kemampuan fungsional ke kode dan data dan menetapkan tampilan kemampuan bisnis dan kode aplikasi yang terhubung dan data—tentu saja model perlu disetel/dikontekstualisasikan untuk model domain perusahaan tertentu atau peta kemampuan fungsional. Pemetaan API berbantuan AI generatif yang disebut dalam makalah ini adalah contoh mini dari ini. Sementara di atas adalah untuk dekomposi/desain aplikasi, event-storming membutuhkan peta proses dan di sinilah AI generatif membantu dalam mengontekstualisasikan dan memetakan ekstrak dari alat penambangan proses. AI generatif juga membantu menghasilkan contoh penggunaan berdasarkan insight dan pemetaan fungsional. Secara keseluruhan, AI generatif membantu program modernisasi mengurangi risiko melalui memastikan visibilitas yang memadai untuk aplikasi lama serta dependensi.

AI Generatif juga membantu menghasilkan desain target untuk kerangka kerja penyedia layanan cloud tertentu melalui penyetelan model berdasarkan serangkaian pola standar (ingress/egress, layanan aplikasi, layanan data, pola komposit, dll.). Demikian juga, ada beberapa contoh penggunaan AI generatif lainnya yang mencakup pembuatan pola kode khusus kerangka kerja teknologi target untuk kontrol keamanan. AI generatif membantu menghasilkan spesifikasi desain detail, misalnya, cerita pengguna, User Experience Wire Frames, Spesifikasi API (misalnya, file Swagger), diagram hubungan komponen, dan diagram interaksi komponen.

Perencanaan

Salah satu tugas sulit dari program modernisasi adalah untuk dapat membuat peta jalan makro sambil menyeimbangkan upaya paralel versus dependensi berurutan dan mengidentifikasi skenario koeksistensi yang harus ditangani. Meskipun ini biasanya dilakukan sebagai tugas satu kali—penataan ulang berkelanjutan melalui Program Increments (PI)—latihan perencanaan yang menggabungkan input tingkat eksekusi jauh lebih sulit. AI generatif berguna untuk dapat menghasilkan peta jalan berdasarkan data historis (aplikasi untuk peta area domain, faktor upaya dan kompleksitas dan pola ketergantungan dan banyak lagi), menerapkannya pada aplikasi dalam lingkup program modernisasi—untuk industri atau domain tertentu.

Solusi terbaik adalah menjadikannya mudah diadopsi melalui kumpulan aset dan akselerator yang dirancang untuk menghadapi kompleksitas perusahaan. Di sinilah AI generatif memainkan peran penting dalam menghubungkan detail portofolio aplikasi dengan dependensi yang ditemukan.

Bangun dan uji

Pembuatan kode adalah salah satu contoh penggunaan AI generatif yang paling dikenal luas, tetapi penting untuk mampu menghasilkan satu set artefak kode yang saling terkait, mulai dari IAC (Terraform atau CloudFormation Template), kode/konfigurasi pipeline, menyisipkan poin desain keamanan (enkripsi, integrasi IAM, dan sebagainya), pembuatan kode aplikasi dari swagger atau insight kode lainnya (dari sistem lama), hingga konfigurasi firewall (sebagai file sumber daya berdasarkan layanan yang diinstansiasi, misalnya). AI Generatif membantu menghasilkan masing-masing hal di atas melalui pendekatan yang diorkestrasi yang diatur berdasarkan arsitektur referensi aplikasi yang telah ditentukan yang dibangun dari pola—sambil menggabungkan output alat desain.

Pengujian adalah area kunci lainnya: AI Generatif dapat menghasilkan set kasus uji dan kode uji yang tepat bersama dengan data pengujian untuk mengoptimalkan kasus uji yang sedang dijalankan.

Menyebarkan

Banyak kegiatan “last mile” penting dalam program modernisasi biasanya memakan waktu berhari-hari hingga berminggu-minggu, tergantung pada kompleksitas perusahaan. Contoh penggunaan AI Generatif yang penting adalah kemampuan untuk memperoleh insight untuk validasi keamanan dengan menganalisis log aplikasi dan platform, titik desain, Infrastruktur-as-Code, dan banyak lagi. Kemampuan ini sangat mempercepat proses peninjauan dan persetujuan keamanan. Selain itu, AI Generatif berperan penting dalam menghasilkan input untuk manajemen konfigurasi (CMDB) dan manajemen perubahan, menggambar dari catatan rilis yang dihasilkan melalui item kerja alat Ketangkasan yang diselesaikan per rilis.

Sementara contoh penggunaan yang disebutkan di atas sangat menjanjikan sepanjang modernisasi, penting untuk mengakui bahwa kompleksitas perusahaan menuntut pendekatan yang diatur secara kontekstual untuk memanfaatkan banyak akselerator AI Generatif ini secara efektif. Pengembangan pola kontekstual khusus perusahaan merupakan upaya berkelanjutan untuk mempercepat program modernisasi. Kami telah mengamati manfaat besar dari menginvestasikan waktu dan upaya di muka dan terus menyesuaikan akselerator AI Generatif ini untuk menyelaraskan dengan pola spesifik yang menunjukkan pengulangan dalam perusahaan.

Mari kita periksa contoh potensial yang sudah terbukti:

Contoh 1: Membayangkan ulang API Discovery dengan BIAN dan AI untuk visibilitas pemetaan domain dan identifikasi layanan API duplikatif

Masalahnya: Large Global Bank memiliki lebih dari 30000 API (baik internal maupun eksternal) yang dikembangkan dari waktu ke waktu di berbagai domain (misalnya, retail banking, wholesale banking, open banking, dan corporate banking). Risiko duplikasi API di berbagai domain sangat tinggi, yang pada akhirnya meningkatkan biaya kepemilikan untuk mengelola portofolio API yang luas dan menciptakan tantangan operasional karena API yang saling tumpang tindih. Kurangnya visibilitas dan penemuan API menyebabkan tim Pengembangan API mengembangkan API yang sama atau serupa daripada menemukan API yang relevan untuk digunakan kembali. Ketidakmampuan untuk memvisualisasikan portofolio API dari perspektif Model Industri Perbankan membatasi tim Bisnis dan TI untuk memahami kemampuan yang sudah tersedia dan kemampuan baru apa yang dibutuhkan untuk bank.

Pendekatan solusi berbasis AI generatif: Solusi ini memanfaatkan BERT Large Language Model, Sentence Transformer, Multiple Negatives Ranking Loss Function dan aturan domain, disempurnakan dengan pengetahuan BIAN Service Landscape untuk mempelajari portofolio API bank dan memberikan kemampuan untuk menemukan API dengan pemetaan otomatis ke BIAN. Solusi ini memetakan Metode Titik Akhir API ke BIAN Service Landscape Hierarchy level 4, yaitu BIAN Service Operations.

Fungsi inti dari solusi adalah kemampuan untuk:

• Menyerap spesifikasi swagger dan dokumentasi API lainnya dan pahami API, titik akhir, operasi, dan deskripsi terkait.
• Menyerap detail BIAN dan memahami BIAN Service Landscape.
• Penyempurnaan dengan pemetaan yang cocok dan tak tertandingi antara Metode titik akhir API dan BIAN Service Landscape.
• Berikan representasi visual dari pemetaan dan skor pencocokan dengan navigasi Hierarkis BIAN dan filter untuk level BIAN, Kategori, dan skor pencocokan.

Antarmuka Pengguna untuk Penemuan API dengan Model Industri:

Manfaat utama: Solusi ini membantu pengembang menemukan API yang dapat digunakan kembali dengan mudah, berdasarkan domain bisnis BIAN; mereka memiliki beberapa opsi filter/pencarian untuk menemukan API. Selain itu, tim dapat mengidentifikasi categories untuk membangun ketahanan operasional. Revisi pencarian berikutnya akan didasarkan pada bahasa alami dan akan menjadi contoh penggunaan.

Kemampuan untuk mengidentifikasi API duplikatif berdasarkan domain layanan BIAN membantu membangun strategi modernisasi yang membahas kemampuan duplikatif sambil merasionalisasikannya.

Contoh penggunaan ini direalisasikan dalam waktu enam hingga delapan minggu, sedangkan bank akan membutuhkan waktu satu tahun untuk mencapai hasil yang sama (karena ada beberapa ribu API yang akan ditemukan).

Contoh 2: Modernisasi otomatis MuleSoft API ke Java Spring Boot API

Masalahnya: Sementara tim saat ini sedang dalam perjalanan untuk memodernisasi MuleSoft APIs ke Spring boot, banyaknya API, kurangnya dokumentasi, dan aspek kompleksitas memengaruhi kecepatan.

Pendekatan solusi berbasis AI generatif: Modernisasi Mule API ke Java Spring Boot secara signifikan diotomatisasi melalui akselerator berbasis AI generatif yang kami buat. Kami mulai dengan membangun pemahaman mendalam tentang API, komponen, dan logika API diikuti dengan menyelesaikan struktur respons dan kode. Proses ini diikuti dengan membangun prompt menggunakan versi Sidekick AI IBM® untuk menghasilkan kode Spring boot, yang memenuhi spesifikasi API dari MuleSoft, kasus uji unit, dokumen desain, dan antarmuka pengguna.

Komponen API Mule disediakan ke dalam alat satu per satu menggunakan prompt dan menghasilkan Spring boot yang sesuai, yang kemudian disatukan mengatasi kesalahan yang muncul. Akselerator menghasilkan UI untuk saluran yang diinginkan yang dapat diintegrasikan ke API, kasus uji unit, dan data uji serta dokumentasi desain. Dokumentasi desain yang dihasilkan terdiri dari urutan dan diagram kelas, permintaan, respons, detail titik akhir, kode kesalahan dan pertimbangan arsitektur.

Manfaat utama: Sidekick AI membantu Application Consultant dalam tugas sehari-hari dengan menyediakan strategi teknis berbasis AI generatif multimodel yang disesuaikan dengan wawasan domain dan teknologi yang kuat. Manfaat utama adalah sebagai berikut:

• Menghasilkan sebagian besar kode Spring Boot dan kasus uji yang dioptimalkan, bersih, dan mematuhi praktik terbaik—kuncinya adalah pengulangan.
• Kemudahan integrasi API dengan lapisan front-end saluran.
• Kemudahan pemahaman kode pengembang dan insight yang cukup dalam men-debug kode.

PoC Akselerator diselesaikan dengan empat skenario berbeda berupa migrasi kode, kasus uji unit, dokumentasi desain, dan pembuatan UI dalam tiga sprint selama enam minggu.

Banyak CIO dan CTO telah menyatakan keberatan ketika merenungkan inisiatif modernisasi, mengutip banyak tantangan yang diuraikan di awal. Ini termasuk kekhawatiran tentang keterlibatan UMKM yang luas yang diperlukan, potensi gangguan pada bisnis karena perubahan, dan perlunya perubahan dalam model operasi di berbagai fungsi organisasi, termasuk keamanan dan manajemen perubahan. Meskipun penting untuk mengakui bahwa AI generatif bukanlah solusi satu ukuran untuk semua tantangan yang kompleks ini, ia tidak dapat disangkal berkontribusi pada keberhasilan program modernisasi. Ini mencapai ini dengan mempercepat proses, mengurangi biaya modernisasi secara keseluruhan, dan, yang paling penting, mengurangi risiko dengan memastikan bahwa tidak ada fungsi penting yang diabaikan. Namun, penting untuk menyadari bahwa memperkenalkan model bahasa besar (LLM) dan perpustakaan terkait ke lingkungan perusahaan memerlukan komitmen waktu dan upaya yang signifikan. Ini termasuk ulasan keamanan dan kepatuhan yang ketat serta prosedur pemindaian. Selain itu, meningkatkan kualitas data yang digunakan untuk menyempurnakan model-model ini adalah upaya terfokus yang tidak boleh diremehkan. Sementara akselerator modernisasi berbasis AI Generatif yang kohesif belum ada di mana-mana, diharapkan, seiring waktu, toolkit terintegrasi akan muncul untuk memfasilitasi percepatan pola modernisasi tertentu, jika bukan serangkaian pola modernisasi tertentu.

Jelajahi apa yang dapat Anda lakukan dengan AI generatif dengan IBM® Consulting.