Modernizzare le applicazioni mainframe grazie all'AI generativa

Se si guarda dietro le quinte di qualsiasi applicazione mobile o interfaccia commerciale, e in profondità sotto i livelli di integrazione e servizio dell'architettura delle applicazioni di qualsiasi grande azienda, è probabile che siano i mainframe a gestire lo spettacolo.

Le applicazioni e i sistemi di registrazione critici utilizzano questi sistemi principali come parte di un'infrastruttura ibrida. Qualsiasi interruzione delle operazioni in corso potrebbe essere disastrosa per la continuità operativa dell'azienda. Tanto che molte aziende hanno paura di apportarvi modifiche sostanziali.

Ma il cambiamento è inevitabile, poiché il debito tecnico si sta accumulando. Per raggiungere l'agilità aziendale e stare al passo con le sfide della concorrenza e le richieste dei clienti, le aziende devono assolutamente modernizzare queste applicazioni. Invece di rimandare il cambiamento, i leader dovrebbero cercare nuovi modi per accelerare la trasformazione digitale nella loro strategia ibrida.

Il più grande ostacolo alla modernizzazione dei mainframe è probabilmente la carenza di talenti. Molti degli esperto mainframe e applicazioni che nel corso degli anni hanno creato e aggiunto codebase COBOL aziendali probabilmente sono stati spostati o stanno andando in pensione.

Ancora più preoccupante è il fatto che sarà difficile reclutare la nuova generazione di talenti, poiché i neolaureati in informatica che hanno studiato Java e linguaggi più recenti, chiaramente, non si immagineranno di occuparsi di sviluppo di applicazione mainframe. Per loro, il lavoro potrebbe non sembrare attraente come la progettazione di app per dispositivi mobili o agile come lo sviluppo cloud-native. Per molti versi, si tratta di un pregiudizio piuttosto ingiusto.

COBOL è stato creato molto prima che esistesse l'orientamento agli oggetti, figuriamoci l'orientamento ai servizi o il cloud computing. Con un set di comandi snello, non dovrebbe essere un linguaggio complicato da imparare o comprendere per i nuovi sviluppatori. E non c'è motivo per cui le applicazioni mainframe non possano trarre vantaggio dallo sviluppo agile e da rilasci più piccoli e incrementali all'interno di una pipeline automatizzata in stile DevOps.

Capire cosa hanno fatto i diversi team con COBOL nel corso degli anni è ciò che rende così difficile gestire il cambiamento. Gli sviluppatori hanno apportato infinite aggiunte e cicli logici a un sistema procedurale che deve essere controllato e aggiornato nel suo insieme, piuttosto che come componenti o servizi debolmente accoppiati.

Con codice e programmi intrecciati sul mainframe in questo modo, le interdipendenze e i potenziali punti di errore sono troppo complessi e numerosi perché anche gli sviluppatori più esperti possano risolverli. Questo fa sembrare lo sviluppo di app COBOL più complesso del di quanto sia, inducendo molte organizzazioni a cercare anticipatamente alternative al mainframe.

Ultimamente abbiamo assistito a un grande clamore sull'IA generativa (o gen AI) a causa della diffusa disponibilità di modelli linguistici di grandi dimensioni (LLM) come ChatGPT e generatori di immagini con AI visiva di livello consumer.

Sebbene in questo settore stiano emergendo molte interessanti possibilità, esiste un problematico "fattore di allucinazione" legato all'applicazione degli LLM a workflow aziendali critici. Quando le AI vengono addestrate con i contenuti disponibili su internet, spesso possono fornire dialoghi convincenti e credibili, ma non risposte completamente accurate. Ad esempio, ChatGPT ha recentemente citato un precedente legale immaginario (link esterno a ibm.com) in un tribunale federale, che potrebbe comportare sanzioni per l'avvocato negligente che lo ha utilizzato.

Ci sono problemi simili nell'affidare a un chatbot AI la codifica di un'applicazione aziendale. Sebbene un LLM generalizzato possa fornire suggerimenti generali ragionevoli su come migliorare un'app, creare facilmente un modulo di iscrizione standard o programmare un gioco in stile Asteroids, l'integrità funzionale di un'applicazione aziendale dipende in larga misura dai dati di apprendimento automatico con cui è stato addestrato il modello AI.

Fortunatamente, la ricerca sull'AI orientata alla produzione andava avanti da anni prima dell'arrivo di ChatGPT. IBM ha creato modelli di deep learning e inferenza con il marchio watsonx, e, in qualità di ideatore e innovatore di mainframe, ha creato modelli osservazionali di gen AI addestrati e ottimizzati sulla trasformazione da COBOL a Java.

La loro ultima soluzione IBM watsonx Code Assistant for Z utilizza sia processi basati su regole che AI generativa per accelerare la modernizzazione delle applicazioni mainframe. Ora, i team di sviluppo possono contare su un uso molto pratico e incentrato sull'azienda di gen AI e automazione per assistere gli sviluppatori nell'application discovery, nell'auto-refactoring e nella trasformazione.

Per rendere le applicazioni mainframe Agile e malleabili al cambiamento come qualsiasi altra applicazione orientata agli oggetti o distribuita, le organizzazioni dovrebbero renderle caratteristiche di alto livello della delivery pipeline continua. IBM watsonx Code Assistant for Z aiuta gli sviluppatori a inserire il codice COBOL nel ciclo di vita della modernizzazione delle applicazioni attraverso tre passaggi:

1. Rilevamento. Prima di modernizzare, gli sviluppatori devono capire dove è necessario prestare attenzione. Innanzitutto, la soluzione fa un inventario di tutti i programmi sul mainframe, mappando i diagrammi di flusso architettonici per ciascuno, con tutti i relativi input e output di dati. Il modello di flusso visivo consente agli sviluppatori e agli architetti di individuare più facilmente le dipendenze e i vicoli ciechi evidenti all'interno della base di codice.
2. Refactoring. Questa fase consiste nel suddividere i monoliti in una forma più consumabile. IBM watsonx Code Assistant for Z esamina le basi di codice dei programmi di lunga durata per comprendere la logica aziendale prevista del sistema. Disaccoppiando comandi e dati, come i processi discreti, la soluzione rifattorizza il codice COBOL in componenti modulari di servizi aziendali.
3. Trasformazione. Ecco dove la magia di un LLM ottimizzato sulla conversione aziendale da COBOL a Java può fare la differenza. Il modello gen AI traduce i componenti del programma COBOL in classi Java, consentendo un vero orientamento agli oggetti e la separazione delle preoccupazioni, in modo che più team possano lavorare in modo parallelo e Agile. Gli sviluppatori possono quindi concentrarsi sul perfezionamento del codice in Java in un IDE, con l'AI che fornisce suggerimenti anticipati, proprio come una caratteristica che vedresti in altri strumenti di sviluppo.

In genere siamo scettici nei confronti della maggior parte delle affermazioni dei fornitori sull'AI, poiché spesso si tratta semplicemente di automazione con un altro nome.

Rispetto all'apprendimento di tutte le sfumature della lingua inglese e alla speculazione sulla base fattuale di parole e paragrafi, padroneggiare la sintassi e le strutture di linguaggi come COBOL e Java sembra la scelta giusta per gen AI.

I modelli di AI generativa progettati per aziende come IBM watsonx Code Assistant for Z possono ridurre gli sforzi e i costi di modernizzazione per le organizzazioni più limitate al mondo in termini di risorse. Applicazioni su piattaforme note con migliaia di righe di codice sono il campo di addestramento ideale per modelli di AI generativa come IBM watsonx Code Assistant for Z.

Anche in ambienti a risorse limitate, la gen AI può aiutare i team a superare gli ostacoli di modernizzazione e aumentare le funzionalità degli sviluppatori di mainframe più recenti per apportare miglioramenti significativi in agilità e resilienza nelle loro applicazioni core business più critiche.

Per maggiori informazioni, vedi gli altri post in questa serie sulla thought leadership degli analisti di Intellyx:

• Parte 1: "Modernizzazione delle applicazioni mainframe oltre il settore bancario"
• Parte 2: "Usare la collaborazione (non la migrazione) per modernizzare le applicazioni mainframe con il cloud"
• Parte 3: "Puntare sulla trasformazione digitale basata su mainframe per i servizi finanziari"
• Parte 4: "Mainframe e cloud? È facile con l'open source"

©2024 Intellyx B.V. Intellyx è editorialmente responsabile di questo documento. Non sono stati utilizzati bot AI per scrivere questi contenuti. Al momento della stesura, IBM è un cliente Intellyx.