Modernizar las aplicaciones de mainframe con el impulso de la IA generativa

Mire detrás de escena de cualquier aplicación móvil o interfaz comercial, y muy por debajo de las capas de integración y servicio de la arquitectura de aplicaciones de cualquier compañía importante, ya que es probable que encuentre mainframes que correr el programa.

Las aplicaciones críticas y los sistemas de registro están utilizando estos sistemas centrales como parte de una infraestructura híbrida. Cualquier interrupción en sus operaciones en curso podría ser desastrosa para la integridad operativa continua del negocio. Tanto es así que muchas empresas tienen miedo de hacerles cambios sustanciales.

Pero el cambio es inevitable, ya que la deuda técnica se está acumulando. Para lograr agilidad empresarial y mantenerse al día con los desafíos competitivos y la demanda de los clientes, las empresas deben modernizar absolutamente estas aplicaciones. En lugar de posponer el cambio, los líderes deben buscar nuevas formas de acelerar la transformación digital en su estrategia híbrida.

El mayor obstáculo para la modernización del mainframe es probablemente la escasez de talento. Es probable que muchos de los expertos en mainframe y aplicación que crearon y agregaron bases de código COBOL empresariales a lo largo de los años se hayan trasladado o se jubilen pronto.

Aún más aterrador, la próxima generación de talento será difícil de reclutar, ya que los recién graduados en informática que aprendieron Java y lenguajes más nuevos no se imaginarán naturalmente haciendo desarrollo de aplicaciones de mainframe. Para ellos, el trabajo puede no parecer tan atractivo como el diseño de aplicaciones móviles o tan ágil como el desarrollo nativo de la nube. En muchos sentidos, esta es una predisposición bastante injusta.

COBOL se creó mucho antes de que existiera la orientación a objetos, mucho menos la orientación a servicios o la computación en la nube. Con un conjunto reducido de comandos, no debería ser un lenguaje complicado de aprender o comprender para los desarrolladores más nuevos. Y no hay razón por la que las aplicaciones mainframe no se beneficien del desarrollo ágil y de lanzamientos más pequeños e incrementales dentro de un pipeline automatizada al estilo DevOps.

Averiguar qué han hecho los diferentes equipos con COBOL a lo largo de los años es lo que hace que sea tan difícil gestionar el cambio. Los desarrolladores hicieron innumerables adiciones y bucles lógicos a un sistema de procedimientos que debe verificarse y actualizarse como un todo, en lugar de como componentes o servicios poco acoplados.

Con el código y los programas entrelazados en el mainframe de esta manera, las interdependencias y los posibles puntos de falla son demasiado complejos y numerosos para que incluso los desarrolladores expertos los desentrañen. Esto hace que el desarrollo de aplicaciones COBOL parezca más desalentador de lo necesario, lo que hace que muchas organizaciones busquen alternativas fuera del mainframe de forma prematura.

Hemos visto mucho revuelo en torno a la IA generativa últimamente debido a la amplia disponibilidad de modelos de lenguaje grandes (LLM) como ChatGPT y generadores de imágenes visuales de IA de nivel de consumidor.

Si bien están surgiendo muchas posibilidades interesantes en este espacio, existe un molesto "factor de alucinación" de los LLM cuando se aplican a flujos de trabajo empresariales críticos. Cuando las IA se entrenan con contenido que se encuentra en Internet, a menudo pueden proporcionar diálogos convincentes y creíbles, pero no respuestas totalmente precisas. Por ejemplo, ChatGPT citó recientemente precedentes de jurisprudencia imaginaria (enlace externo a ibm.com) en un tribunal federal, lo que podría resultar en sanciones para el abogado perezoso que lo utilizó.

Hay problemas similares al confiar en una IA de chatbot para codificar una aplicación empresarial. Si bien un LLM generalizado puede proporcionar sugerencias generales razonables sobre cómo mejorar una aplicación o producir fácilmente un formulario de inscripción estándar o codificar un juego al estilo de los asteroides, la integridad funcional de una aplicación depende en gran medida de los datos de machine learning que se entrenó el modelo de IA con.

Afortunadamente, la investigación de IA orientada a la producción se llevó a cabo durante años antes de que llegara ChatGPT. IBM ha estado construyendo modelos de aprendizaje profundo e inferencia bajo su marca watsonx, y como creador e innovador de mainframe, ha creado modelos observacionales de IA generativa entrenados y ajustados en la transformación de COBOL a Java.

Su solución IBM watsonx Code Assistant for Z más reciente utiliza procesos basados en reglas e IA generativa para acelerar la modernización de aplicaciones de mainframe. Ahora, los equipos de desarrollo pueden apoyarse en un uso muy práctico y centrado en la empresa de IA generativa y automatización para ayudar a los desarrolladores en el descubrimiento de aplicaciones, la refactorización automática y la transformación de COBOL a Java.

Para que las aplicaciones de mainframe sean tan ágiles y maleables al cambio como cualquier otra aplicación orientada a objetos o distribuida, las organizaciones deben convertirlas en características de nivel superior del pipeline de entrega. IBM® watsonx Code Assistant for Z ayuda a los desarrolladores a incorporar el código COBOL al ciclo de vida de modernización de aplicaciones a través de tres pasos:

1. Descubrimiento. Antes de modernizar, los desarrolladores deben averiguar dónde se necesita atención. En primer lugar, la solución realiza un inventario de todos los programas en el mainframe, trazando diagramas de flujo arquitectónicos para cada uno, con todas sus entradas y salidas de datos. El modelo de flujo visual facilita a los desarrolladores y arquitectos la detección de dependencias y callejones sin salida obvios dentro de la base del código.
2. Refactorización. Esta fase consiste en dividir los monolitos en una forma más consumible. IBM watsonx Code Assistant for Z examina las bases de código de programas de larga ejecución para comprender la lógica empresarial prevista del sistema. Al desacoplar comandos y datos, como procesos discretos, la solución refactoriza el código COBOL en componentes modulares de servicios empresariales.
3. Transformación. Aquí es donde la magia de un LLM ajustado a la conversión empresarial de COBOL a Java puede marcar la diferencia. El modelo de IA generativa traduce los componentes del programa COBOL en clases Java, lo que permite una verdadera orientación a objetos y una separación de preocupaciones, para que varios equipos puedan trabajar de forma paralela y ágil. Luego, los desarrolladores pueden enfocarse en refinar el código en Java en un IDE, donde la IA proporciona sugerencias de anticipación, al igual que una característica copiloto que vería en otras herramientas de desarrollo.

En general, somos escépticos con la mayoría de las afirmaciones de los proveedores sobre la IA, ya que a menudo son simplemente automatización con otro nombre.

En comparación con aprender todos los matices del idioma inglés y especular sobre la base fáctica de palabras y párrafos, dominar la sintaxis y las estructuras de lenguajes como COBOL y Java parece estar a la altura de la IA generativa.

Los modelos de IA generativa diseñados para empresas como IBM watsonx Code Assistant for Z pueden reducir el esfuerzo y los costos de modernización para las organizaciones con más recursos limitados del mundo. Las aplicaciones en plataformas conocidas con miles de líneas de código son campos de entrenamiento ideales para modelos de IA generativa como IBM watsonx Code Assistant for Z.

Incluso en entornos con recursos limitados, la IA generativa puede ayudar a los equipos a superar los obstáculos de modernización y aumentar las capacidades de los desarrolladores de mainframe aún más nuevos para realizar mejoras significativas en la agilidad y la resiliencia sobre sus aplicaciones de actividad principal más críticas.

Para aprender más, consulte las otras publicaciones de esta serie de liderazgo de opinión de analistas de Intellyx:

• Parte 1: “Modernización de aplicaciones de mainframe más allá de la banca”
• Parte 2: “Uso de la colaboración (no de la migración) para modernizar sus aplicaciones de mainframe con la nube”
• Parte 3: “Banca en la transformación digital liderada por mainframe para servicios financieros”
• Parte 4: “¿Mainframe y la nube? Es fácil con el código abierto”

©2024 Intellyx B.V. Intellyx es responsable editorial de este documento. No se utilizaron bots de IA para escribir este contenido. En el momento de escribir este artículo, IBM es cliente de Intellyx.