Memodernisasi aplikasi mainframe dengan dorongan dari AI generatif

Lihatlah di balik layar aplikasi seluler atau antarmuka komersial yang apik, dan jauh di balik lapisan integrasi dan layanan arsitektur aplikasi perusahaan besar mana pun, Anda mungkin akan menemukan mainframe yang menjadi penggerak utama.

Aplikasi penting dan sistem catatan menggunakan sistem inti ini sebagai bagian dari infrastruktur hybrid. Setiap gangguan dalam operasi yang sedang berlangsung dapat menjadi bencana bagi kelanjutan integritas operasional bisnis. Begitu seriusnya hal ini sehingga banyak perusahaan takut untuk membuat perubahan besar.

Tetapi perubahan tidak bisa dihindari, karena utang teknis menumpuk. Untuk mencapai ketangkasan bisnis dan mengikuti tantangan kompetitif dan permintaan pelanggan, perusahaan harus benar-benar memodernisasi aplikasi ini. Alih-alih menunda perubahan, para pemimpin harus mencari cara-cara baru untuk mempercepat transformasi digital dalam strategi hybrid mereka.

Hambatan terbesar untuk modernisasi mainframe mungkin adalah krisis talenta. Banyak pakar mainframe dan aplikasi yang membuat dan menambahkan basis kode COBOL perusahaan selama bertahun-tahun kemungkinan telah pindah atau akan segera pensiun.

Lebih menakutkan lagi, generasi bakat berikutnya akan sulit untuk direkrut, karena lulusan ilmu komputer baru yang belajar Java dan bahasa yang lebih baru tidak akan serta-merta membayangkan diri mereka melakukan pengembangan aplikasi mainframe. Bagi mereka, pekerjaan itu mungkin tidak tampak menarik seperti desain aplikasi mobile atau tangkas seperti pengembangan cloud native. Dalam banyak hal, ini adalah kecenderungan yang sangat tidak adil.

COBOL diciptakan jauh sebelum orientasi objek menjadi suatu hal — apalagi orientasi layanan atau komputasi cloud. Dengan serangkaian perintah yang ramping, seharusnya bahasa ini tidak rumit untuk dipelajari atau dipahami oleh pengembang baru. Dan tidak ada alasan mengapa aplikasi mainframe tidak akan mendapat manfaat dari pengembangan tangkas dan rilis peningkatan berskala lebih kecil dalam saluran otomatis bergaya DevOps.

Mencari tahu apa yang telah dilakukan oleh berbagai tim dengan COBOL selama bertahun-tahun sangat menyulitkan pengelolaan perubahan. Pengembang membuat penambahan dan loop logis tanpa henti ke sistem prosedural yang harus diperiksa dan diperbarui secara keseluruhan, bukan sebagai komponen atau layanan dengan ketergantungan minimal.

Dengan kode dan program yang dijalin bersama pada mainframe dengan cara ini, saling ketergantungan dan potensi titik kegagalan menjadi terlalu rumit dan banyak untuk diurai oleh pengembang yang terampil sekalipun. Hal ini membuat pengembangan aplikasi COBOL terasa lebih menakutkan daripada yang seharusnya, menyebabkan banyak organisasi mencari alternatif dari mainframe ini terlalu dini.

Kami telah melihat banyak publikasi sensasional seputar AI generatif (atau Gen AI) akhir-akhir ini karena ketersediaan luas model bahasa besar (LLM) seperti ChatGPT dan pembuat gambar AI visual untuk konsumen.

Meskipun banyak kemungkinan menarik muncul di ruang ini, ada “faktor halusinasi” yang mengganggu di LLM ketika diterapkan pada alur kerja bisnis penting. Ketika AI dilatih dengan konten yang ditemukan di internet, mereka mungkin sering memberikan dialog yang meyakinkan dan dapat dipercaya, tetapi tidak sepenuhnya memberikan respons yang akurat. Misalnya, ChatGPT baru-baru ini mengutip hukum kasus imajiner (tautan berada di luar ibm.com) preseden di pengadilan federal, yang dapat mengakibatkan sanksi bagi pengacara malas yang menggunakannya.

Ada masalah serupa dalam mempercayai chatbot AI untuk mengodekan aplikasi bisnis. Meskipun LLM yang digeneralisasi dapat memberikan saran umum yang masuk akal tentang cara meningkatkan aplikasi atau dengan cepat membuat formulir pendaftaran standar atau kode untuk game bergaya asteroid, integritas fungsional aplikasi bisnis sangat bergantung pada data machine learning apa yang dilatih pada model AI.

Untungnya, riset AI berorientasi produksi berlangsung selama bertahun-tahun sebelum ChatGPT tiba. IBM telah membangun model pembelajaran mendalam dan inferensi di bawah merek watsonx, dan sebagai pencetus dan inovator mainframe, mereka telah membangun model GenAI observasional yang dilatih dan disetel pada Transformasi Cobol ke Java.

Solusi IBM watsonx Code Assistant for Z terbaru mereka menggunakan proses berbasis aturan dan AI generatif untuk mempercepat modernisasi aplikasi mainframe. Sekarang, tim pengembangan dapat bersandar pada penggunaan GenAI dan otomatisasi yang sangat praktis dan berfokus pada perusahaan untuk membantu pengembang dalam penemuan aplikasi, pemfaktoran ulang otomatis, dan transformasi Cobol ke Java.

Untuk membuat aplikasi mainframe tangkas dan mudah diubah seperti aplikasi berorientasi objek atau terdistribusi lainnya, organisasi harus menjadikannya fitur tingkat atas dari saluran pengiriman berkelanjutan. IBM watsonx Code Assistant for Z membantu para pengembang untuk membawa kode COBOL ke dalam siklus modernisasi aplikasi melalui tiga langkah:

1. Penemuan. Sebelum memodernisasi, pengembang perlu mencari tahu di mana perhatian dibutuhkan. Pertama, solusi mengambil inventarisasi semua program pada mainframe, memetakan diagram alur arsitektur untuk tiap program, dengan semua input dan output data mereka. Model aliran visual memudahkan para pengembang dan arsitek untuk menemukan ketergantungan dan jalan buntu yang jelas di dalam basis kode.
2. Pemfaktoran ulang. Fase ini adalah menyangkut memecah monolit menjadi bentuk yang lebih dapat dikonsumsi. IBM watsonx Code Assistant for Z memeriksa basis kode program yang sudah lama berjalan untuk memahami logika bisnis yang diinginkan dari sistem. Dengan memisahkan perintah dan data, seperti proses diskret, solusi ini melakukan pemfaktoran ulang kode COBOL menjadi komponen layanan bisnis modular.
3. Transformasi. Di sinilah keajaiban LLM yang disetel pada konversi Cobol ke Java perusahaan dapat membuat perbedaan. Model gen AI menerjemahkan komponen program COBOL ke dalam kelas Java, memungkinkan orientasi objek yang sebenarnya dan pemisahan masalah, sehingga beberapa tim dapat bekerja secara paralel dan tangkas. Pengembang kemudian dapat berfokus pada penyempurnaan kode di Java di IDE, sementara AI memberikan saran antisipasi, seperti fitur co-pilot yang akan Anda lihat di alat pengembangan lainnya.

Kami umumnya skeptis terhadap sebagian besar klaim vendor tentang AI, karena sering kali mereka hanya otomatisasi dengan nama lain.

Dibandingkan dengan mempelajari semua nuansa bahasa Inggris dan berspekulasi tentang dasar faktual kata dan paragraf, menguasai sintaksis dan struktur bahasa seperti COBOL dan Java tampaknya lebih cocok untuk gen AI.

Model AI generatif yang dirancang untuk perusahaan seperti IBM watsonx Code Assistant for Z dapat mengurangi upaya modernisasi dan biaya untuk organisasi yang paling terbatas sumber daya di dunia. Aplikasi pada platform yang dikenal dengan ribuan baris kode adalah tempat pelatihan yang ideal untuk model AI generatif seperti IBM watsonx Code Assistant for Z.

Bahkan di lingkungan yang terbatas sumber daya, GenAI dapat membantu tim mengatasi rintangan modernisasi dan menambah kemampuan pengembang mainframe yang lebih baru untuk membuat peningkatan signifikan dalam kelincahan dan ketahanan di atas aplikasi bisnis inti mereka yang paling penting.

Untuk mempelajari lebih lanjut, lihat posting lain dalam seri thought leadership analis Intellyx ini:

• Bagian 1: “Modernisasi aplikasi mainframe di luar perbankan”
• Bagian 2: “Menggunakan kolaborasi (bukan migrasi) untuk memodernisasi aplikasi mainframe Anda dengan cloud”
• Bagian 3: “Perbankan pada transformasi digital yang dipimpin mainframe untuk layanan keuangan”
• Bagian 4: “Mainframe dan cloud? Sangat mudah dengan sumber terbuka”

©2024 Intellyx BV Intellyx bertanggung jawab secara editorial atas dokumen ini. Tidak ada bot AI yang digunakan untuk menulis konten ini. Pada saat penulisan, IBM adalah pelanggan Intellyx.