Memodernisasi aplikasi mainframe dengan dorongan AI generatif – Blog IBM

Lihatlah di balik layar aplikasi seluler atau antarmuka komersial yang apik, dan jauh di bawah lapisan integrasi dan layanan arsitektur aplikasi perusahaan besar mana pun, Anda mungkin akan menemukan mainframe yang menjalankannya.

Aplikasi penting dan sistem pencatatan menggunakan sistem inti ini sebagai bagian dari infrastruktur hibrid. Gangguan apa pun dalam operasi mereka yang sedang berlangsung dapat menjadi bencana bagi integritas operasional bisnis yang berkelanjutan. Sedemikian rupa sehingga banyak perusahaan takut untuk melakukan perubahan substantif terhadap mereka.

Namun perubahan tidak bisa dihindari, karena utang teknis semakin menumpuk. Untuk mencapai ketangkasan bisnis dan mengimbangi tantangan kompetitif dan permintaan pelanggan, perusahaan harus benar-benar memodernisasi aplikasi ini. Daripada menunda perubahan, para pemimpin harus mencari cara baru untuk mempercepat transformasi digital dalam strategi hybrid mereka.

Jangan salahkan COBOL atas keterlambatan modernisasi

Hambatan terbesar terhadap modernisasi mainframe mungkin adalah kekurangan sumber daya manusia. Banyak pakar mainframe dan aplikasi yang membuat dan menambahkan basis kode COBOL perusahaan selama bertahun-tahun kemungkinan besar telah pindah atau akan segera pensiun.

Yang lebih menakutkan lagi, talenta-talenta generasi berikutnya akan sulit untuk direkrut, karena lulusan ilmu komputer baru yang mempelajari Java dan bahasa-bahasa baru tidak akan secara alami membayangkan diri mereka melakukan pengembangan aplikasi mainframe. Bagi mereka, pekerjaan tersebut mungkin tidak tampak se-seksi desain aplikasi seluler atau selincah pengembangan cloud native. Dalam banyak hal, ini merupakan kecenderungan yang tidak adil.

COBOL diciptakan jauh sebelum orientasi objek menjadi sesuatu—apalagi orientasi layanan atau komputasi awan. Dengan serangkaian perintah yang ramping, bahasa ini seharusnya tidak menjadi  bahasa yang rumit untuk dipelajari atau dipahami oleh developer baru. Dan tidak ada alasan mengapa aplikasi mainframe tidak mendapat manfaat dari pengembangan tangkas dan rilis bertahap yang lebih kecil dalam pipeline otomatis bergaya DevOps.

Mencari tahu apa yang telah dilakukan berbagai tim dengan COBOL selama bertahun-tahun Inilah yang membuatnya sangat sulit untuk mengelola perubahan. Pengembang membuat penambahan tanpa akhir dan perulangan logis pada sistem prosedural yang harus diperiksa dan diperbarui secara keseluruhan, bukan sebagai komponen atau layanan yang digabungkan secara longgar.

Dengan kode dan program yang dijalin bersama pada mainframe dengan cara ini, saling ketergantungan dan potensi titik kegagalan menjadi terlalu rumit dan banyak sehingga bahkan pengembang yang terampil pun tidak dapat menguraikannya. Hal ini membuat pengembangan aplikasi COBOL terasa lebih sulit dari yang seharusnya, menyebabkan banyak organisasi mencari alternatif di luar mainframe sebelum waktunya.

Mengatasi keterbatasan AI generatif

Kami telah melihat banyak hype seputar AI generatif (atau GenAI) akhir-akhir ini karena meluasnya ketersediaan model bahasa besar (LLM) seperti ChatGPT dan generator gambar AI visual tingkat konsumen.

Meskipun banyak kemungkinan keren muncul di bidang ini, ada “faktor halusinasi” LLM yang mengganggu ketika diterapkan pada alur kerja bisnis yang penting. Ketika AI dilatih dengan konten yang ditemukan di internet, mereka sering kali memberikan dialog yang meyakinkan dan dapat dipercaya, namun tanggapannya tidak sepenuhnya akurat. Contohnya, ChatGPT baru-baru ini mengutip kasus hukum imajiner preseden di pengadilan federal, yang dapat mengakibatkan sanksi bagi pengacara malas yang menggunakannya.

Ada masalah serupa dalam memercayai AI chatbot untuk membuat kode aplikasi bisnis. Meskipun LLM yang digeneralisasi dapat memberikan saran umum yang masuk akal tentang cara meningkatkan aplikasi atau dengan mudah membuat formulir pendaftaran standar atau membuat kode permainan bergaya asteroid, integritas fungsional aplikasi bisnis sangat bergantung pada data pembelajaran mesin yang dilatih oleh model AI. dengan.

Untungnya, penelitian AI yang berorientasi pada produksi telah berlangsung selama bertahun-tahun sebelum ChatGPT hadir. IBM® telah membangun model pembelajaran mendalam dan inferensi di bawah merek watsonx™ mereka, dan sebagai pencetus dan inovator mainframe, mereka telah membangun model observasional GenAI yang dilatih dan disesuaikan dengan transformasi COBOL ke Java.

Terbaru mereka Asisten Kode IBM watsonx™ untuk Z solusi ini menggunakan proses berbasis aturan dan AI generatif untuk mempercepat modernisasi aplikasi mainframe. Kini, tim pengembangan dapat mengandalkan penggunaan GenAI dan otomatisasi yang sangat praktis dan berfokus pada perusahaan untuk membantu pengembang dalam penemuan aplikasi, pemfaktoran ulang otomatis, dan transformasi COBOL ke Java.

Modernisasi aplikasi mainframe dalam tiga langkah

Untuk membuat aplikasi mainframe lincah dan mudah diubah seperti aplikasi berorientasi objek atau terdistribusi lainnya, organisasi harus menjadikannya fitur tingkat atas dari jalur pengiriman berkelanjutan. IBM watsonx Code Assistant for Z membantu pengembang menghadirkan kode COBOL ke dalam siklus hidup modernisasi aplikasi melalui tiga langkah:

1. Penemuan. Sebelum melakukan modernisasi, pengembang perlu mencari tahu apa yang perlu mendapat perhatian. Pertama, solusinya menginventarisasi semua program di mainframe, memetakan diagram alur arsitektur untuk masing-masing program, dengan semua input dan output datanya. Model aliran visual memudahkan pengembang dan arsitek untuk menemukan ketergantungan dan jalan buntu yang jelas dalam basis kode.
2. Pemfaktoran ulang. Fase ini adalah tentang memecah monolit menjadi bentuk yang lebih dapat dikonsumsi. IBM watsonx Code Assistant for Z memeriksa basis kode program yang sudah berjalan lama untuk memahami logika bisnis yang dimaksudkan dari sistem. Dengan memisahkan perintah dan data, seperti proses diskrit, solusi ini memfaktorkan ulang kode COBOL menjadi komponen layanan bisnis modular.
3. Transformasi. Di sinilah keajaiban LLM yang disesuaikan dengan konversi COBOL-ke-Java perusahaan dapat membuat perbedaan. Model GenAI menerjemahkan komponen program COBOL ke dalam kelas Java, memungkinkan orientasi objek yang sebenarnya dan pemisahan perhatian, sehingga banyak tim dapat bekerja secara paralel dan gesit. Pengembang kemudian dapat fokus pada penyempurnaan kode di Java dalam sebuah IDE, dengan AI yang memberikan saran kedepannya, seperti fitur co-pilot yang biasa Anda lihat di alat pengembangan lainnya.

Intellyx mengambil

Kami umumnya skeptis terhadap sebagian besar klaim vendor tentang AI, karena sering kali klaim tersebut hanyalah otomatisasi dengan nama lain.

Dibandingkan dengan mempelajari semua nuansa bahasa Inggris dan berspekulasi berdasarkan faktual kata dan paragraf, menguasai sintaksis dan struktur bahasa seperti COBOL dan Java tampaknya merupakan hal yang tepat untuk GenAI.

Model AI generatif yang dirancang untuk perusahaan seperti IBM watsonx Code Assistant for Z dapat mengurangi upaya modernisasi dan biaya bagi organisasi yang memiliki sumber daya paling terbatas di dunia. Aplikasi pada platform terkenal dengan ribuan baris kode merupakan tempat pelatihan yang ideal untuk model AI generatif seperti IBM watsonx Code Assistant for Z.

Bahkan dalam lingkungan dengan sumber daya terbatas, GenAI dapat membantu tim mengatasi hambatan modernisasi dan meningkatkan kemampuan pengembang mainframe yang lebih baru untuk melakukan peningkatan signifikan dalam ketangkasan dan ketahanan pada aplikasi bisnis inti mereka yang paling penting.

Untuk mempelajari lebih lanjut, lihat postingan lain dalam seri kepemimpinan pemikiran analis Intellyx ini:

Mempercepat modernisasi aplikasi mainframe dengan AI generatif

©2024 Intellyx B.V. Intellyx bertanggung jawab secara editorial atas dokumen ini. Tidak ada bot AI yang digunakan untuk menulis konten ini. Pada saat penulisan, IBM adalah pelanggan Intellyx.