Sbloccare le competenze nel mainframe con l'AI

I sistemi mainframe non vanno da nessuna parte, tuttavia le competenze necessarie per mantenerli stanno diventando sempre più difficili da trovare. I mainframe alimentano quasi il 70% dei workload IT di produzione mondiali, coprendo 28 settori in più di 70 paesi. Eppure le conoscenze specialistiche necessarie per ottimizzare le loro prestazioni sono sempre più scarse.

Via via che i professionisti veterani del mainframe vanno in pensione, si sta formando un crescente divario di conoscenze. Sebbene i moderni piani di studio di informatica tendano a enfatizzare linguaggi come Java e Python, ora supportati su piattaforme mainframe come IBMZ, la vera problematica è più profonda.

La carenza di competenze è legata alla comprensione della terminologia specifica del mainframe, dei concetti fondamentali e dei sottosistemi complessi che differiscono da quelli presenti negli ambienti cloud e distribuiti. Eppure i budget aziendali per la formazione spesso danno priorità a queste architetture rispetto ai concetti e ai progetti legati al mainframe.

Il risultato? Un divario sempre più ampio tra la continua dipendenza dai mainframe e la riduzione del pool di professionisti che hanno il controllo dell'ambiente operativo unico dei sistemi mainframe come IBM® Z. Per i leader aziendali, questa carenza minaccia sia la continuità operativa che la capacità di innovazione.

L'utilizzo dell'intelligenza artificiale (AI) per colmare il divario di competenze è emerso come una soluzione trasformativa. L'AI generativa (gen AI), abbinata all' automazione, può semplificare il modo in cui programmatori di sistema, operatori e sviluppatori acquisiscono conoscenze e può migliorare la produttività, l'efficienza e la qualità del lavoro, indipendentemente dal loro livello di esperienza.

L'adozione di questo approccio potrebbe essere un punto di svolta per molti leader di settore a livello globale. L'approccio potrebbe essere importante soprattutto per i professionisti in settori come finanza, sanità, pubblica amministrazione e retail, dove i mainframe supportano operazioni ad alto volume e alto rischio che richiedono affidabilità, sicurezza e scalabilità.

L'AI, in particolare l'AI generativa, offre un'opportunità unica per affrontare questi problemi rendendo più accessibile la conoscenza dei mainframe. Utilizzando la potenza dei modelli linguistici di grandi dimensioni (LLM), della retrieval-augmented generation (RAG) e dei framework di automazione, le organizzazioni possono ridurre l'acquisizione delle competenze per i nuovi professionisti. Inoltre, questo approccio consente agli utenti esperti di concentrarsi su attività strategiche che generano valore aziendale.

Ecco come l'AI può contribuire alla formazione e alla produttività nell'ambiente mainframe.

Gli utenti alle prime armi con i mainframe spesso devono affrontare curve di apprendimento ripide e hanno difficoltà con le attività complesse. Ad esempio, immaginiamo uno sviluppatore che, dopo ore di ricerca nella documentazione, non è sicuro di aver trovato la soluzione giusta. La sua incertezza rallenta i workflow e lo spinge a chiedere conferma a un esperto in materia (SME), poiché anche errori minori possono avere gravi conseguenze nell'ambiente mainframe.

Ciò di cui questo sviluppatore necessita è un mentore affidabile e accessibile, ed è qui che entra in scena l'AI. L''AI conversazionale fornisce agli utenti un'interfaccia in linguaggio naturale per accedere a informazioni accurate e a indicazioni dettagliate. Invece di interrompere le PMI ponendo domande, gli utenti possono interagire con un assistente basato su AI per:

• Comprendere i concetti di base del mainframe

• Accedere alle informazioni sugli aggiornamenti dei prodotti e sulle nuove funzionalità

• Seguire procedure dettagliate per completare le attività

• Ricevere spiegazioni chiare dei messaggi di errore e dei comportamenti del sistema

Potenziati da un framework di retrieval-augmented generation (RAG), questi sistemi possono fornire risposte fondate e accurate utilizzando fonti di conoscenza affidabili. Questo metodo non solo migliora l'affidabilità delle risposte, ma aiuta anche a mitigare rischi come la misinformazione.

Alcune best practice per l'implementazione dei sistemi RAG includono la garanzia che attingano da fonti specifiche di alta qualità e che l'AI sia mantenuta aggiornata regolarmente. Un vantaggio fondamentale del RAG è che aiuta a evitare le allucinazioni. Queste misure di sicurezza aiutano a garantire che l'AI rimanga una risorsa affidabile e degna di fiducia per l'apprendimento e il supporto dei mainframe.

Mentre gli assistenti AI aiutano gli utenti ad apprendere, l'automazione consente loro di agire. Fornendo workflow guidati, l'automazione consente agli utenti che si trovano nella fase iniziale di eseguire le attività in modo efficace, anche senza una conoscenza pregressa approfondita. 

I benefici dell'automazione non riguardano solo i principianti, bensì anche i professionisti del mainframe più esperti. Prendiamo per esempio un programmatore di sistemi esperto che deve configurare un'impostazione di sicurezza raramente utilizzata. Sebbene abbia le conoscenze di base, è possibile che siano trascorsi anni dall'ultima volta che ha svolto questo compito, il che richiede un aggiornamento sui passaggi, le dipendenze e le sfumature del sistema.

Senza linee guida e pratiche adeguate, questo processo può richiedere molto tempo, rischiando di causare ritardi negli aggiornamenti critici e aumentando la probabilità di errore.

L'automazione e gli strumenti basati su AI colmano questa lacuna offrendo assistenza passo dopo passo, automatizzando i workflow ripetitivi e fornendo consigli in tempo reale basati sul contesto dell'AI conversazionale. Questi strumenti consentono agli sviluppatori all'inizio della carriera di affrontare nuovi problemi e ai veterani esperti di ripassare competenze usate raramente. Riducendo gli errori, migliorando l'efficienza e riducendo al minimo la frustrazione, l'automazione consente ai professionisti del mainframe di concentrarsi su iniziative strategiche di alto valore.

Altrettanto importante è la necessità che le soluzioni di automazione siano in grado di integrarsi con gli investimenti esistenti dell'organizzazione. Le aziende spesso si affidano a framework e tecnologie di automazione consolidati come Job Control Language (JCL), Resstructed Extended Executor (REXX) e Ansible, avendo investito molto in questi sistemi nel corso degli anni. Per massimizzare il valore e garantire l'adozione, l'automazione deve supportare questi strumenti fondamentali, offrendo compatibilità e integrazione perfette anziché richiedere costose sostituzioni.

Le soluzioni di AI dovrebbero essere progettate per soddisfare le esigenze specifiche dei diversi gruppi di utenti, assicurando che ogni gruppo tragga beneficio da un'esperienza su misura, in linea con i livelli di abilità e gli obiettivi. Ad esempio:

• I professionisti all'inizio della carriera possono trarre beneficio da esperienze guidate dall'AI che si concentrano sul rafforzamento dell'apprendimento attraverso l'esecuzione manuale delle attività, il che consente loro di acquisire fiducia nell'affrontare concetti fondamentali.

• Gli utenti di medio livello potrebbero fare affidamento sull'automazione basata su AI per gestire le attività di routine in modo efficiente, risparmiando tempo e riducendo al minimo il rischio di errori, concentrandosi così su attività più complesse.

• I professionisti esperti potrebbero utilizzare l'AI per esplorare funzionalità avanzate, semplificare le operazioni complesse o persino codificare le proprie competenze in risorse di automazione riutilizzabili, a beneficio del team più ampio.

La creazione di assistenti specifici per i ruoli garantisce che l'esperienza dell'AI sia in linea con le responsabilità e i livelli di abilità degli utenti. Questi assistenti appositamente progettati rispondono alle domande e soddisfano specifici requisiti di automazione, consentendo agli utenti di completare le attività senza problemi e di navigare in processi complessi con un'esperienza di AI conversazionale coinvolgente.

Diversi assistenti AI possono essere progettati per soddisfare le esigenze di vari tipi di utenti.

Quando si sviluppano soluzioni di AI, la semplificazione dei processi di sviluppo e manutenzione è fondamentale. Poiché i sistemi AI continuano ad evolvere, dovrebbero mirare a fornire supporto riducendo al minimo i nuovi livelli di complessità a livello di implementazione. Per raggiungere questo obiettivo sono necessari sistemi AI intuitivi, interoperabili con gli strumenti esistenti e abbastanza flessibili da adattarsi a diversi casi d'uso. In questo modo, i benefici dell'automazione sono accessibili e sostenibili per ogni gruppo di utenti.

Ecco alcuni approcci.

Le piattaforme low-code consentono agli esperti di dominio di creare, modificare e pubblicare asset di automazione senza una conoscenza approfondita della programmazione. Questi asset possono poi essere incorporati negli assistenti AI, rendendoli disponibili a una base utenti più ampia.

Ad esempio, gli script di automazione esistenti in Ansible, JCL o REXX possono essere trasformati in competenze riutilizzabili.

Un repository centralizzato garantisce che gli asset di automazione siano facilmente individuabili e riutilizzabili tra i team. Questo metodo non solo accelera l'esecuzione delle attività, ma favorisce anche la condivisione delle conoscenze e la standardizzazione.

Quando si implementano soluzioni di AI per ambienti mainframe, la selezione di un'architettura è fondamentale. Le opzioni basate su cloud possono ridurre i costi di runtime e semplificare la scalabilità, ma potrebbero incontrare difficoltà di integrazione con i sistemi mainframe oltre i firewall. Le implementazioni on-premise si allineano bene con i requisiti di sicurezza del mainframe, fornendo robuste capacità di automazione e integrazione diretta. Tuttavia, questo approccio richiede spesso un investimento iniziale significativo a livello di hardware GPU e infrastruttura IT.

Molte organizzazioni ritengono che un approccio hybrid cloud sia ottimale e utilizzano il cloud per funzioni di conoscenza generale e implementazione on-premise per rendere sicure le attività di automazione. Il segreto sta nell'allineare l'infrastruttura di supporto AI ai requisiti di sicurezza dell'organizzazione, agli investimenti esistenti nel mainframe e agli obiettivi di automazione.

Le soluzioni di AI per ambienti mainframe offrono un percorso promettente per il futuro, poiché le organizzazioni devono affrontare la sfida di mantenere i sistemi critici con un pool di talenti specializzati sempre più ridotto. IBM sta dando vita a questa visione con IBM® z17, il suo mainframe di nuova generazione progettato per l'AI su scala aziendale.  

Con funzionalità di AI integrate, alimentate dal processore Telum II e dal nuovo acceleratore AI Spyre, il mainframe z17 supporta l'inferenza AI in tempo reale direttamente sul sistema. Gli assistenti AI e gli strumenti per agenti come watsonx Code Assistant for Z e watsonx Assistant for Z offrono un supporto intelligente per sviluppatori e team IT. Inoltre, l'integrazione con IBM Z Operations Unite semplifica le operazioni attraverso il rilevamento e la risoluzione degli incidenti basati su AI.

Progettati per soddisfare le esigenze sia di professionisti esperti che di utenti nuovi alla piattaforma, questi strumenti aiutano a colmare il divario di competenze, aumentare la produttività e stimolare l'innovazione. Incorporando l'AI direttamente nel mainframe, IBM sta aiutando a democratizzare le competenze del mainframe, rendendolo una risorsa rinnovabile che garantisce che questi sistemi continuino a offrire valore anche in futuro.