Moderniser les applications mainframe grâce à l'IA générative – IBM Blog

Regardez dans les coulisses de toute application mobile ou interface commerciale astucieuse, et au plus profond des couches d'intégration et de service de l'architecture d'application de toute grande entreprise, vous trouverez probablement des mainframes qui dirigent le spectacle.

Les applications et systèmes d'enregistrement critiques utilisent ces systèmes centraux dans le cadre d'une infrastructure hybride. Toute interruption de leurs opérations en cours pourrait être désastreuse pour l’intégrité opérationnelle continue de l’entreprise. À tel point que de nombreuses entreprises ont peur d’y apporter des modifications substantielles.

Mais le changement est inévitable, car la dette technique s’accumule. Pour atteindre l’agilité commerciale et répondre aux défis concurrentiels et à la demande des clients, les entreprises doivent absolument moderniser ces applications. Au lieu de retarder le changement, les dirigeants devraient chercher de nouvelles façons d’accélérer la transformation numérique dans leur stratégie hybride.

Ne blâmez pas COBOL pour les retards de modernisation

Le plus grand obstacle à la modernisation du mainframe est probablement la pénurie de talents. De nombreux experts en mainframe et en applications qui ont créé et ajouté des bases de code COBOL d'entreprise au fil des ans ont probablement quitté leur poste ou prendront bientôt leur retraite.

Plus effrayant encore, la prochaine génération de talents sera difficile à recruter, car les nouveaux diplômés en informatique qui ont appris Java et des langages plus récents ne s’imagineront pas naturellement en train de développer des applications mainframe. Pour eux, le travail ne semble peut-être pas aussi sexy que la conception d’applications mobiles ou aussi agile que le développement cloud natif. À bien des égards, il s’agit d’une prédisposition plutôt injuste.

COBOL a été créé bien avant que l’orientation objet n’existe – et encore moins l’orientation service ou le cloud computing. Avec un ensemble simple de commandes, il ne devrait pas s'agir d'un langage compliqué à apprendre ou à comprendre pour les nouveaux développeurs. Et il n’y a aucune raison pour que les applications mainframe ne bénéficient pas d’un développement agile et de versions plus petites et incrémentielles au sein d’un pipeline automatisé de style DevOps.

Détails à déterminer ce que les différentes équipes ont fait avec COBOL au fil des ans C'est ce qui rend si difficile la gestion du changement. Les développeurs ont apporté des ajouts sans fin et des boucles logiques à un système procédural qui doit être vérifié et mis à jour dans son ensemble, plutôt que sous forme de composants ou de services faiblement couplés.

Avec du code et des programmes intégrés de cette manière sur le mainframe, les interdépendances et les points de défaillance potentiels sont trop complexes et nombreux pour que même des développeurs expérimentés puissent les démêler. Cela rend le développement d’applications COBOL plus intimidant que nécessaire, ce qui pousse de nombreuses organisations à rechercher prématurément des alternatives en dehors du mainframe.

Surmonter les limites de l’IA générative

Nous avons récemment assisté à de nombreux battages médiatiques autour de l'IA générative (ou GenAI) en raison de la disponibilité généralisée de grands modèles de langage (LLM) comme ChatGPT et des générateurs d'images d'IA visuelles grand public.

Alors que de nombreuses possibilités intéressantes émergent dans ce domaine, il existe un « facteur d’hallucination » tenace des LLM lorsqu’ils sont appliqués aux flux de travail critiques de l’entreprise. Lorsque les IA sont entraînées avec du contenu trouvé sur Internet, elles peuvent souvent fournir des dialogues convaincants et crédibles, mais pas des réponses totalement précises. Par exemple, ChatGPT a récemment cité une jurisprudence imaginaire des précédents devant un tribunal fédéral, ce qui pourrait entraîner des sanctions pour l'avocat paresseux qui l'a utilisé.

Il existe des problèmes similaires liés au fait de faire confiance à l’IA d’un chatbot pour coder une application métier. Bien qu'un LLM généralisé puisse fournir des suggestions générales raisonnables sur la manière d'améliorer une application, de créer facilement un formulaire d'inscription standard ou de coder un jeu de style astéroïdes, l'intégrité fonctionnelle d'une application métier dépend fortement des données d'apprentissage automatique sur lesquelles le modèle d'IA a été formé. avec.

Heureusement, la recherche sur l’IA axée sur la production était en cours depuis des années avant l’arrivée de ChatGPT. IBM® a construit des modèles d'apprentissage profond et d'inférence sous sa marque watsonx™, et en tant que créateur et innovateur de mainframe, ils ont construit des modèles GenAI observationnels formés et réglés sur la transformation COBOL vers Java.

Leur dernier IBM Watsonx™ Code Assistant pour Z La solution utilise à la fois des processus basés sur des règles et une IA générative pour accélérer la modernisation des applications mainframe. Désormais, les équipes de développement peuvent s'appuyer sur une utilisation très pratique et axée sur l'entreprise de GenAI et de l'automatisation pour aider les développeurs dans la découverte d'applications, la refactorisation automatique et la transformation COBOL vers Java.

Modernisation des applications mainframe en trois étapes

Pour rendre les applications mainframe aussi agiles et malléables au changement que toute autre application orientée objet ou distribuée, les organisations doivent en faire des fonctionnalités de premier niveau du pipeline de livraison continue. IBM Watsonx Code Assistant for Z aide les développeurs à intégrer le code COBOL dans le cycle de vie de modernisation des applications en trois étapes :

1. Découverte. Avant de moderniser, les développeurs doivent déterminer où une attention particulière est nécessaire. Tout d'abord, la solution dresse un inventaire de tous les programmes sur le mainframe, en établissant des organigrammes architecturaux pour chacun, avec toutes leurs entrées et sorties de données. Le modèle de flux visuel permet aux développeurs et aux architectes de repérer plus facilement les dépendances et les impasses évidentes au sein de la base de code.
2. Refactorisation. Cette phase consiste à briser les monolithes en une forme plus consommable. IBM Watsonx Code Assistant for Z examine les bases de code des programmes de longue durée pour comprendre la logique métier prévue du système. En dissociant les commandes et les données, telles que les processus discrets, la solution refactorise le code COBOL en composants de services métier modulaires.
3. Transformation. C’est ici que la magie d’un LLM axé sur la conversion COBOL vers Java d’entreprise peut faire la différence. Le modèle GenAI traduit les composants du programme COBOL en classes Java, permettant une véritable orientation objet et une séparation des préoccupations, afin que plusieurs équipes puissent travailler de manière parallèle et agile. Les développeurs peuvent ensuite se concentrer sur le raffinement du code Java dans un IDE, l'IA fournissant des suggestions prospectives, un peu comme une fonctionnalité copilote que vous verriez dans d'autres outils de développement.

La prise Intellyx

Nous sommes généralement sceptiques quant à la plupart des affirmations des fournisseurs concernant l’IA, car il s’agit souvent d’une simple automatisation sous un autre nom.

Comparé à l’apprentissage de toutes les nuances de la langue anglaise et à la spéculation sur la base factuelle des mots et des paragraphes, maîtriser la syntaxe et les structures de langages comme COBOL et Java semble tout à fait à la portée de GenAI.

Les modèles d'IA générative conçus pour les entreprises comme IBM Watsonx Code Assistant for Z peuvent réduire les efforts et les coûts de modernisation pour les organisations les plus limitées en ressources au monde. Les applications sur des plates-formes connues comportant des milliers de lignes de code constituent un terrain de formation idéal pour les modèles d'IA génératifs comme IBM Watsonx Code Assistant for Z.

Même dans des environnements aux ressources limitées, GenAI peut aider les équipes à surmonter les obstacles à la modernisation et à augmenter les capacités des développeurs mainframe encore plus récents pour apporter des améliorations significatives en termes d'agilité et de résilience au-dessus de leurs applications métier de base les plus critiques.

Pour en savoir plus, consultez les autres articles de cette série de leadership éclairé des analystes Intellyx :

Accélérez la modernisation des applications mainframe grâce à l’IA générative

©2024 Intellyx B.V. Intellyx est responsable de la rédaction de ce document. Aucun robot IA n'a été utilisé pour rédiger ce contenu. Au moment de la rédaction de cet article, IBM est un client d'Intellix.