الاستفادة بالذكاء الاصطناعي التوليدي في مجال تحديث التطبيقات

تحديث التطبيقات هو عملية تحديث التطبيقات القديمة المستفيدة من التقنيات الحديثة، وتحسين الأداء، والمساعدة في جعلها قابلة للتكيف مع سرعات الأعمال المتطورة من خلال إضافة مبادئ السحابة الأصلية مثل عمليات التطوير، والبنية التحتية كرمز، وما إلى ذلك.

يمكن أن تتراوح معالجة التطبيقات القديمة من إعادة كتابة كاملة إلى إعادة استضافة بناءً على القيمة وأهمية الأهداف. من المعروف أيضًا أن الفوائد هي الأعلى عند إعادة الكتابة لأنها تتيح فرصة الوصول إلى السحابة الأصلية بدرجة عالية من المرونة والسرعة. يتردد العديد من CIO وCTO في الاستثمار بسبب التكلفة والجداول الزمنية المطلوبة لتحقيق القيمة، مع القدرة على الموازنة بين مبادرات إعادة الكتابة ذات الاستثمار العالي مقابل نهج إعادة الاستضافة منخفضة القيمة. يحاول مزودو الخدمات وموردو الأدوات معالجة هذا المجال من خلال بناء مسرعات يمكن تخصيصها للاستهلاك المؤسسي تساعد في تسريع التحديث: Evolvware، ومسرعات IBM Consulting Cloud Accelerators، وأدوات مخصصة لمورد الخدمة السحابية.

بينما نحاول دفع وتيرة التسريع وتحسين تكلفة التحديث، يصبح الذكاء الاصطناعي التوليدي عاملًا حاسمًا لإحداث تغيير في كيفية تسريع برامج التحديث. تركز هذه المقالة على إمكانيات الذكاء الاصطناعي التوليدي في عملية تحديث التطبيقات.

تحديث التطبيقات هو عملية تحديث التطبيقات القديمة المستفيدة من التقنيات الحديثة، وتحسين الأداء، والمساعدة في جعلها قابلة للتكيف مع سرعات الأعمال المتطورة من خلال إضافة مبادئ السحابة الأصلية مثل عمليات التطوير، والبنية التحتية كرمز، وما إلى ذلك. يبدأ تحديث التطبيقات بتقييم التطبيقات القديمة الحالية والبيانات والبنية التحتية وتطبيق الإستراتيجية المناسبة (إعادة الاستضافة، أو إعادة وضع المنصة، أو إعادة الهيكلة أو إعادة البناء) لتحقيق النتائج المرجوة. بينما تؤدي إعادة البناء إلى تحقيق أقصى فائدة، هناك حاجة إلى استثمار عالٍ، بينما تهدف إعادة الاستضافة إلى نقل التطبيقات والبيانات إلى السحابة دون أي تحسين، وهذا يتطلب استثمارات أقل بينما القيمة منخفضة. يتم نشر التطبيقات المحدثة ومراقبتها وصيانتها، مع تكرارات مستمرة لمواكبة التقنية وتطورات الأعمال. تتراوح الفوائد النموذجية التي تتحقق بين زيادة المرونة، والفعالية من حيث التكلفة، والتنافسية، بينما تشمل التحديات التعقيد ومتطلبات الموارد. تدرك العديد من المؤسسات أن الانتقال إلى السحابة لا يمنحها القيمة المرجوة أو المرونة والسرعة التي تتجاوز الأتمتة الأساسية على مستوى المنصة. تكمن المشكلة الحقيقية في كيفية تنظيم تكنولوجيا المعلومات، وهذا ينعكس في كيفية بناء وإدارة التطبيقات/الخدمات الحالية (انظر قانون Conway). وهذا بدوره يؤدي إلى التحديات التالية:

• القدرات المكررة أو المتداخلة التي تقدمها أنظمة ومكونات تكنولوجيا المعلومات المتعددة تخلق تبعيات وانتشارات متزايدة تؤثر على الإنتاجية وسرعة الوصول إلى السوق.
• القدرات التكرارية عبر التطبيقات والقنوات تؤدي إلى موارد تكنولوجيا معلومات مكررة (مثل المهارات والبنية التحتية)
• على سبيل المثال، تؤدي القدرات المكررة (بما في ذلك البيانات) التي تؤدي إلى تكرار قواعد العمل، إلى تقديم تجربة عملاء غير متسقة.
• إن عدم توافق قدرات تكنولوجيا المعلومات مع قدرات الأعمال يؤثر على وقت الوصول إلى السوق وقطاع تكنولوجيا المعلومات في الأعمال. وبالإضافة إلى ذلك، ينتهي الأمر بالمؤسسات إلى بناء العديد من النطاقات والطبقات المعمارية لدعم مبادرات وابتكارات الأعمال الجديدة.
• تؤثر التقنيات القديمة والطبيعة الموحدة على السرعة والمرونة، بالإضافة إلى تأثير الأمن والامتثال.

لذا، يجب أن تركز مبادرات تحديث التطبيقات بشكل أكبر على القيمة التي تعود للأعمال، وهذا يتطلب عنصرًا مهمًا من تحويل التطبيقات إلى مكونات وخدمات متوافقة مع قدرات الأعمال. أكبر تحد في هذا هو حجم الاستثمار المطلوب، والعديد من مديري تقنية المعلومات والمديرين التنفيذيين للتكنولوجيا مترددون في الاستثمار بسبب التكلفة والجداول الزمنية المطلوبة لتحقيق القيمة. الكثير منها يعالج هذا من خلال بناء مسرعات يمكن تخصيصها للاستهلاك المؤسسي تساعد في تسريع مجالات محددة من التحديث، ومن الأمثلة على ذلك من IBM IBM Consulting Cloud Accelerators. بينما يحاول الذكاء الاصطناعي التوليدي دفع التسريع وتحسين تكلفة التحديث، فإنه يصبح عامل تمكين حاسم لإحداث تغيير في كيفية تسريع برامج التحديث. سنستكشف المجالات الرئيسية للتسريع من خلال مثال في هذه المقالة.

فيما يلي، يتم توضيح دورة حياة مبسطة لبرامج تحديث التطبيقات (ليست شاملة). يركز الاكتشاف على فهم التطبيق القديم والبنية التحتية والبيانات والتفاعل بين التطبيقات والخدمات والبيانات، وجوانب أخرى مثل الأمن. يقوم التخطيط بتقسيم المحفظة المعقدة من التطبيقات إلى تكرارات يتم تحديثها لوضع خارطة طريق تكرارية، ووضع خطة تنفيذ لتنفيذ خارطة الطريق.

تتغير أنشطة مرحلة التصميم/المخطط بناءً على استراتيجية التحديث (من تفكيك التطبيق والاستفادة من التصميم المدفوع بالمجال أو إنشاء بنية مستهدفة بناءً على التقنية الجديدة لبناء تصاميم قابلة للتنفيذ). أما المراحل اللاحقة فهي البناء والاختبار والنشر في بيئة الإنتاج. دعونا نستكشف إمكانيات الذكاء الاصطناعي التوليدي عبر مجالات دورة الحياة هذه.

الاكتشاف والتصميم

تُعد القدرة على فهم التطبيقات القديمة مع مشاركة صغيرة لخبير موضوعي في المجال (SME) نقطة تسارع حساسة. ويرجع ذلك إلى انشغال الشركات الصغيرة والمتوسطة بشكل عام بمبادرات تشغيل الأنظمة، في حين أن معرفتها يمكن أن تكون محدودة بناءً على المدة التي قضاها في دعم الأنظمة. في المجمل، يستغرق الفريق وقتاً طويلاً في مرحلتي الاكتشاف والتصميم خلال عملية التحديث، بينما يصبح مسار التطوير أكثر سلاسة وسهولة بمجرد أن يتمكن الفريق من تحليل وفهم وظائف التطبيق القديم ونواحي التكامل والمنطق ومدى تعقيد البيانات.

تقوم فرق التحديث بتحليل الرمز الخاص بها وتتصفح العديد من المستندات (معظمها مؤرخة)؛ هذا هو المكان الذي يصبح فيه اعتمادهم على أدوات تحليل الرمز أمرًا مهمًا. علاوةً على ذلك، في مبادرات إعادة الكتابة، يجب ربط القدرات الوظيفية بسياق التطبيق القديم حتى يتمكن من أداء تمارين تصميم/تحليل فعالة موجهة بالمجال. يصبح الذكاء الاصطناعي التوليدي مفيدًا جدًا هنا من خلال قدرته على ربط قدرات المجال/الوظائف بالرمز والبيانات وإنشاء قدرات الأعمال وعرض التطبيقات ورمز التطبيقات المتصلة، وبالطبع يجب ضبط النماذج ووضعها في سياق لنموذج مجال مؤسسي معين أو خريطة قدرات وظيفية. يُعد رسم خرائط واجهات برمجة التطبيقات بمساعدة الذكاء الاصطناعي التوليدي المذكور في هذه الورقة مثالاً صغيرًا على ذلك. بينما ما سبق مخصص لتفكيك/تصميم التطبيق، يتطلب عاصفة الأحداث خرائط للعمليات، وهنا يساعد الذكاء الاصطناعي التوليدي في وضع سياقات ورسم خريطة المستخلصات من أدوات عملية التعدين. يساعد الذكاء الاصطناعي التوليدي أيضًا في إنشاء حالات استخدام تعتمد على رؤى الشيفرة والرسم الوظيفي. بشكل عام، يساعد الذكاء الاصطناعي التوليدي في تقليل برامج التحديث من خلال ضمان رؤية كافية للتطبيقات القديمة وكذلك التبعيات.

يساعد الذكاء الاصطناعي التوليدي أيضًا في توليد تصميم مستهدف لإطار عمل مزود خدمات سحابية محدد من خلال ضبط النماذج بناءً على مجموعة من الأنماط المعيارية (الدخول/الخروج، خدمات التطبيقات، خدمات البيانات، الأنماط المركبة، إلخ). وبالمثل، هناك عدة حالات استخدام أخرى للذكاء الاصطناعي التوليدي التي تشمل إنشاء أنماط رمز خاصة بإطار عمل التقنية لضوابط الأمان. يساعد الذكاء الاصطناعي التوليدي في إنشاء مواصفات تصميم التفاصيل، مثل قصص المستخدم، وإطارات تجربة المستخدم، ومواصفات واجهة برمجة التطبيقات (مثل ملفات Swagger)، ومخطط علاقات المكونات ومخططات تفاعل المكونات.

التخطيط

واحدة من أصعب المهام في برنامج التحديث هي القدرة على وضع خارطة طريق شاملة مع الموازنة بين الجهود الموازية والتبعيات المتتابعة وتحديد سيناريوهات التعايش التي يجب معالجتها. على الرغم من أن عملية المواءمة المستمرة عبر زيادات البرنامج (PIs) تُنفذ عادة كمهمة لمرة واحدة، إلا أن دمج مدخلات مستوى التنفيذ في تمارين التخطيط يمثل تحديًا أكبر بكثير. يُعد الذكاء الاصطناعي التوليدي مفيدًا ليتمكن من إنشاء خارطة الطريق بناءً على البيانات التاريخية (التطبيقات على خرائط مناطق المجال، عوامل الجهد والتعقيد، وأنماط التبعية والمزيد)، وتطبيق ذلك على التطبيقات ضمن برنامج تحديث، لصناعة أو مجال معين.

الطريقة الوحيدة لمعالجة ذلك هي جعلها قابلة للاستهلاك عبر مجموعة من الأصول والمسرعات التي يمكنها معالجة تعقيد المؤسسات. هنا يلعب الذكاء الاصطناعي التوليدي دورًا مهمًا في ربط تفاصيل محفظة التطبيقات بالتبعيات المكتشفة.

البناء والاختبار

يُعد إنشاء رمز أحد أوسع حالات الاستخدام المعروفة للذكاء الاصطناعي التوليدي، لكن من المهم أن تكون قادرًا على إنشاء مجموعة من الموارد ذات الصلة التي تتراوح من IAC (Terraform أو قالب Cloud Formation)، ورمز/تكوينات المسار، ونقاط تصميم الأمان المدمجة (التشفير، إدارة الهوية والوصول (IAM)، إلخ)، وإنشاء رمز التطبيق من Swaggers أو رؤى رمز أخرى (من القديمة) وتكوينات جدار الحماية (كملفات موارد تستند إلى خدمات تم إنشاؤها، على سبيل المثال). يساعد الذكاء الاصطناعي التوليدي في إنشاء كل ما سبق من خلال نهج منسق يعتمد على بنى مرجعية محددة مسبقًا للّتطبيق مبنية من أنماط، مع دمج مخرجات أدوات التصميم.

الاختبار هو مجال رئيسي آخر: يمكن للذكاء الاصطناعي التوليدي إنشاء مجموعة مناسبة من حالات الاختبار ورمز الاختبار مع بيانات الاختبار لتحسين حالات الاختبار التي يتم تنفيذها.

النشر

تستغرق العديد من الأنشطة الحساسة "المرحلة النهائية" في برامج التحديث أيامًا إلى أسابيع، تعتمد على تعقيد المنظمة. إن حالة استخدام أساسية في الذكاء الاصطناعي التوليدي هي القدرة على استخلاص رؤى للتحقق الأمني من خلال تحليل سجلات التطبيقات والمنصات، ونقاط التصميم، والبنية التحتية كرمز، والمزيد. وتعمل هذه القدرة على تسريع عمليات المراجعة الأمنية والموافقة بشكل كبير. علاوة على ذلك، يُعد الذكاء الاصطناعي التوليدي أداة لإنشاء الإدخلات لإدارة التكوين وإدارة التغيير، مستفيدًا من ملاحظات الإصدار التي يتم إنشاؤها عبر عناصر أدوات Agility التي تنجز في كل إصدار.

بينما تحمل حالات الاستخدام المذكورة وعودًا كبيرة طوال رحلة التحديث، من الضروري الاعتراف بأن تعقيدات المؤسسات تتطلب نهجا منسقا سياقيا للاستفادة من العديد من مسرعات الذكاء الاصطناعي التوليدي بفعالية. يُعد تطوير الأنماط السياقية الخاصة بالمؤسسة جهدًا مستمرًا لتسريع برامج التحديث. لقد لاحظنا فوائد كبيرة من استثمار الوقت والجهد المبدئي وتخصيص مسرعات الذكاء الاصطناعي التوليدي هذه باستمرار لتتوافق مع أنماط محددة تظهر قابلية التكرار داخل المؤسسة.

دعونا الآن نتفحص مثالاً محتملاً مثبتًا:

المثال 1: إعادة تصور اكتشاف واجهات برمجة التطبيقات باستخدام BIAN والذكاء الاصطناعي لتحقيق رؤية تعيين المجالات وتحديد خدمات واجهة برمجة التطبيقات المكررة

المشكلة: لدى البنك العالمي الكبير أكثر من 30000 واجهة برمجة تطبيقات (داخلية وخارجية) تم تطويرها على مر الزمن عبر مجالات مختلفة (مثل الخدمات المصرفية للأفراد، والخدمات المصرفية للبيع بالتجزئة، والخدمات المصرفية المفتوحة، والخدمات المصرفية للشركات). هناك إمكانات هائلة لواجهات برمجة التطبيقات المكررة الموجودة عبر المجالات، ما يؤدي إلى ارتفاع التكلفة الإجمالية للملكية للحفاظ على محفظة واجهة برمجة التطبيقات الكبيرة والتحديات التشغيلية للتعامل مع تكرار واجهة برمجة التطبيقات وتداخلها. يؤدي الافتقار إلى الرؤية واكتشاف واجهات برمجة التطبيقات إلى قيام فرق تطوير واجهة برمجة التطبيقات بتطوير واجهات برمجة التطبيقات نفسها أو واجهات برمجة التطبيقات المشابهة بدلاً من العثور على واجهات برمجة التطبيقات ذات الصلة لإعادة استخدامها. إن عدم القدرة على تصور محفظة واجهة برمجة التطبيقات (API) من منظور النموذج الصناعي المصرفي يعيق فرق الأعمال والمعلومات التكنولوجية من فهم المنافذ المتوفرة بالفعل وماهية المنافذ الجديدة المطلوبة للبنك.

نهج الحل المعتمد على الذكاء الاصطناعي التوليدي: يستفيد الحل من النموذج اللغوي الكبير BERT، وSentence Transformer، ودالة الخسارة Multiple Negatives Ranking، وقواعد المجال، مع الضبط الدقيق بمعرفة BIAN Service Landscape لتعلم محفظة واجهات برمجة التطبيقات للبنك وتوفير القدرة على اكتشاف واجهات برمجة التطبيقات من خلال التعيين التلقائي إلى BIAN. ويقوم بتعيين طريقة نقطة نهاية واجهة برمجة التطبيقات إلى BIAN Service Landscape Hierarchy بالمستوى 4، أي BIAN Service Operations.

تتمثل الوظائف الأساسية للحل في القدرة على:

• استيعاب مواصفات Swagger وغيرها من وثائق واجهة برمجة التطبيقات وفهم واجهة برمجة التطبيقات، ونقاط النهاية، والعمليات، والوصف المرتبط بها.
• استيعاب تفاصيل BIAN وفهم مشهد خدمة BIAN Service Landscape.
• ضبط دقيق بالمطابقة وغير المطابقة بين طريقة نقطة النهاية لواجهة برمجة التطبيقات وBIAN Service Landscape.
• تقديم تمثيل بصري لدرجة التعيين والمطابقة مع تنقل BIAN Hierarchical وتصفيات مستويات BIAN، وفئة واجهة برمجة التطبيقات، ودرجة المطابقة.

واجهة المستخدم لاكتشاف واجهة برمجة التطبيقات مع نموذج الصناعة:

الميزة الرئيسية: ساعد الحل المطورين على العثور بسهولة على واجهات برمجة التطبيقات القابلة لإعادة الاستخدام، التي تعتمد على نطاقات أعمال BIAN؛ كان لديهم عدة خيارات تصفية/بحث لتحديد واجهات برمجة التطبيقات. بالإضافة إلى ذلك، تمكنت الفرق من تحديد فئات رئيسية من واجهات برمجة التطبيقات لبناء مرونة تشغيلية مناسبة. المراجعة التالية للبحث ستكون مبنية على اللغة الطبيعية وستكون حالة استخدام حوارية.

ساعدت القدرة على تحديد واجهات برمجة التطبيقات المكررة بناءً على نطاقات خدمة BIAN في وضع استراتيجية تحديث تعالج القدرات المكررة مع تبريرها.

تم تحقيق حالة الاستخدام هذه خلال ستة إلى ثمانية أسابيع، بينما كان البنك سيستغرق عامًا لتحقيق نفس النتيجة (حيث كان هناك عدة آلاف من واجهات برمجة التطبيقات التي يمكن اكتشافها).

مثال 2: التحديث الآلي لواجهة برمجة تطبيقات MuleSoft إلى واجهة برمجة تطبيقات Java Spring Boot

المشكلة: بينما كانت الفرق الحالية في رحلة لتحديث واجهات برمجة تطبيقات MuleSoft إلى Spring boot، كانت الكثافة الكبيرة من واجهات برمجة التطبيقات ونقص الوثائق والجوانب التعقيدية تؤثر على السرعة.

نهج الحل القائم على الذكاء الاصطناعي التوليدي: تم أتمتة تحديث واجهة برمجة تطبيقات Mule إلى Java Spring Boot بشكل كبير عبر المسرع القائم على الذكاء الاصطناعي التوليدي الذي أنشأناه. لقد بدأنا بتأسيس فهم عميق لواجهات برمجة التطبيقات والعناصر ومنطق واجهة برمجة التطبيقات، ثم وضع اللمسات الأخيرة على هياكل الاستجابة والرمز. بعد ذلك تم بناء الموجهات باستخدام نسخة IBM من الذكاء الاصطناعي Sidekick لإنشاء رمز Spring boot، الذي يفي بمواصفات واجهة برمجة التطبيقات من MuleSoft، وحالات اختبار الوحدات، ومستند التصميم وواجهة المستخدم.

تم توفير عناصر واجهة برمجة تطبيقات Mule إلى الأداة واحدة تلو الأخرى باستخدام موجِّهات وتم إنشاء ما يقابل رمز Spring boot، والذي تم ربطه معًا لمعالجة الأخطاء التي ظهرت لاحقًا. أنشأ المسرع واجهة المستخدم للقناة المطلوبة التي يمكن دمجها مع واجهات برمجة التطبيقات وحالات اختبار الوحدات وبيانات الاختبار والوثائق. تتكون وثائق التصميم التي يتم إنشاؤها من تسلسل ومخطط الفئة، والطلب، والاستجابة، وتفاصيل نقطة النهاية، ورموز الأخطاء، واعتبارات البنية.

الميزات الرئيسية: يعزز الذكاء الاصطناعي Sidekick العمل اليومي لمستشاري التطبيق من خلال دمج استراتيجية تقنية متعددة النماذج للذكاء الاصطناعي التوليدي مستندة إلى سياق المعرفة العميقة بالمجال والتقنية. الميزات الرئيسية هي كما يلي:

• إنشاء معظم رموز Spring Boot وحالات الاختبار التي تكون محسنة ونظيفة وتلتزم بأفضل الممارسات—والأمر الأهم هو التكرار.
• سهولة تكامل واجهات برمجة التطبيقات مع طبقات الواجهة الأمامية للقناة.
• سهولة فهم رمز المطور ورؤى كافية في تصحيح أخطاء الرمز.

تم الانتهاء من Accelerator PoC بأربعة سيناريوهات مختلفة لترحيل الرمز، وحالات اختبار الوحدات، ووثائق التصميم، وإنشاء واجهة مستخدم على ثلاث فترات سريعة على مدار ستة أسابيع.

أعرب العديد من المديرين التنفيذيين (CIOs) والرؤساء التنفيذيين (CTOs) عن تحفظاتهم عند التفكير في مبادرات التحديث، مستشهدين بالعديد من التحديات التي تم طرحها في البداية. ويشمل ذلك المخاوف بشأن المشاركة الواسعة من الشركات الصغيرة والمتوسطة، والاضطرابات المحتملة في الأعمال بسبب التغيير، وضرورة إجراء تعديلات في نموذج التشغيل عبر مختلف الوظائف التنظيمية، بما في ذلك الأمن وإدارة التغيير. بينما من المهم الاعتراف بأن الذكاء الاصطناعي التوليدي ليس حلاً واحدًا يناسب الجميع لهذه التحديات المعقدة، إلا أنه بلا شك يساهم في نجاح برامج التحديث. تحقق ذلك من خلال تسريع العملية، وتقليل التكلفة الإجمالية للتحديث، والأهم من ذلك، تقليل المخاطر من خلال ضمان عدم تجاهل أي وظيفة حساسة. ومع ذلك، من الضروري إدراك أن إدخال النماذج اللغوية الكبيرة (LLM) والمكتبات ذات الصلة في بيئة المؤسسة يستلزم التزامًا كبيرًا بالوقت والجهد. ويشمل ذلك التقييمات الأمنية الصارمة والتقييمات الصارمة للامتثال وإجراءات المسح الضوئي. وعلاوةً على ذلك، فإن تحسين جودة البيانات المستخدمة في الضبط الدقيق لهذه النماذج هو جهد مركّز لا ينبغي الاستهانة به. بينما لم تصبح مسرعات التحديث المتماسكة المستندة إلى الذكاء الاصطناعي التوليدي شائعة بعد، من المتوقع مع مرور الوقت ظهور مجموعات أدوات متكاملة لتسهيل تسريع أنماط تحديث محددة، إن لم تكن أكثر من نمط واحد.

استكشف ما يمكنك فعله باستخدام الذكاء الاصطناعي التوليدي مع IBM Consulting.