تحديث التطبيقات هو عملية تحديث التطبيقات القديمة التي تستفيد من التقنيات الحديثة، وتعزز الأداء وتجعله قابلاً للتكيف مع سرعات الأعمال المتطورة من خلال غرس المبادئ السحابية الأصلية مثل DevOps والبنية التحتية كرمز (IAC) وما إلى ذلك. يبدأ تحديث التطبيق بتقييم التطبيقات والبيانات والبنية التحتية القديمة الحالية وتطبيق استراتيجية التحديث الصحيحة (إعادة الاستضافة أو إعادة النظام الأساسي أو إعادة البناء أو إعادة البناء) لتحقيق النتيجة المرجوة.

في حين أن إعادة البناء تؤدي إلى أقصى فائدة، إلا أن هناك حاجة إلى درجة عالية من الاستثمار، في حين أن إعادة الاستضافة تتعلق بنقل التطبيقات والبيانات على هذا النحو إلى السحابة دون أي تحسين وهذا يتطلب استثمارات أقل بينما تكون القيمة منخفضة. يتم نشر التطبيقات الحديثة ومراقبتها وصيانتها، مع التكرارات المستمرة لمواكبة التقدم التكنولوجي والأعمال. وتتراوح الفوائد النموذجية المحققة بين زيادة سرعة الحركة وفعالية التكلفة والقدرة التنافسية، في حين تشمل التحديات التعقيد والطلب على الموارد. تدرك العديد من المؤسسات أن الانتقال إلى السحابة لا يمنحها القيمة المطلوبة ولا سرعة الحركة/السرعة بما يتجاوز الأتمتة الأساسية على مستوى النظام الأساسي. تكمن المشكلة الحقيقية في كيفية تنظيم تكنولوجيا المعلومات، وهو ما يعكس كيفية إنشاء وإدارة تطبيقاتهم/خدماتهم الحالية (راجع قانون كونواي). وهذا بدوره يؤدي إلى التحديات التالية:

• تؤدي الإمكانات المتكررة أو المتداخلة التي توفرها أنظمة/مكونات تكنولوجيا المعلومات المتعددة إلى إنشاء تبعيات وانتشارات ثابتة، مما يؤثر على الإنتاجية وسرعة الوصول إلى السوق.
• تؤدي القدرات المزدوجة عبر التطبيقات والقنوات إلى ظهور موارد تكنولوجيا معلومات مزدوجة (مثل المهارات والبنية التحتية)
• تؤدي القدرات المزدوجة (بما في ذلك البيانات) التي تؤدي إلى تكرار قواعد العمل وما شابه ذلك إلى تجربة عملاء غير متسقة.
• يؤثر عدم مواءمة قدرات تكنولوجيا المعلومات مع قدرات الأعمال على الوقت اللازم للتسويق وتكنولوجيا المعلومات التجارية. بالإضافة إلى ذلك، تنتهي المؤسسات ببناء العديد من الأدوات المساعدة والطبقات المعمارية لدعم المبادرات والابتكارات التجارية الجديدة.

ومن ثم، تحتاج مبادرات تحديث التطبيقات إلى التركيز بشكل أكبر على القيمة بالنسبة للأعمال التجارية، وهذا يتضمن عنصرًا مهمًا في تحويل التطبيقات إلى مكونات وخدمات متوافقة مع قدرات الأعمال. التحدي الأكبر في هذا هو مقدار الاستثمار المطلوب والعديد من مديري تكنولوجيا المعلومات/مديري التكنولوجيا يترددون في الاستثمار بسبب التكلفة والجداول الزمنية التي ينطوي عليها تحقيق القيمة. يعالج الكثيرون هذه المشكلة من خلال إنشاء مسرعات يمكن تخصيصها لاستهلاك المؤسسات مما يساعد على تسريع مجالات محددة من التحديث وأحد الأمثلة على ذلك من شركة IBM هو IBM Consulting Cloud Accelerators. أثناء محاولتنا تحفيز التسارع وتحسين تكلفة التحديث، أصبح الذكاء الاصطناعي التوليدي عامل تمكين حاسم لدفع التغيير في كيفية تسريع برامج التحديث. سنستكشف المجالات الرئيسية للتسريع من خلال مثال في هذه المقالة.

تم توضيح دورة حياة مبسطة لبرامج تحديث التطبيقات (ليس المقصود منها أن تكون شاملة) أدناه. يركز Discovery على فهم التطبيقات القديمة والبنية التحتية والبيانات والتفاعل بين التطبيقات والخدمات والبيانات والجوانب الأخرى مثل الأمان. يقوم التخطيط بتقسيم مجموعة التطبيقات المعقدة إلى تكرارات ليتم تحديثها لإنشاء خريطة طريق متكررة - ووضع خطة تنفيذ لتنفيذ خريطة الطريق.

تتغير أنشطة مرحلة المخطط/التصميم بناءً على استراتيجية التحديث (من تفكيك التطبيق والاستفادة من التصميم القائم على المجال أو إنشاء بنية مستهدفة تعتمد على التكنولوجيا الجديدة لبناء تصميمات قابلة للتنفيذ). يتم بناء المراحل اللاحقة واختبارها ونشرها في الإنتاج. دعونا نستكشف إمكانيات الذكاء الاصطناعي التوليدي عبر مجالات دورة الحياة هذه.

الاكتشاف والتصميم:

تعد القدرة على فهم التطبيقات القديمة مع الحد الأدنى من مشاركة الشركات الصغيرة والمتوسطة بمثابة نقطة تسريع حاسمة. ويرجع ذلك إلى أن الشركات الصغيرة والمتوسطة، بشكل عام، مشغولة بمبادرات الأنظمة المضيئة، في حين أن معرفتها يمكن أن تكون محدودة بناءً على المدة التي قضتها في دعم الأنظمة. بشكل جماعي، يعد الاكتشاف والتصميم هو المكان الذي يتم فيه قضاء وقت كبير أثناء التحديث، في حين أن التطوير يكون أسهل بكثير بمجرد قيام الفريق بفك تشفير وظائف التطبيق القديمة وجوانب التكامل والمنطق وتعقيد البيانات.

تقوم فرق التحديث بتحليل التعليمات البرمجية الخاصة بها وتصفح العديد من المستندات (مؤرخة في الغالب)؛ وهنا يصبح اعتمادهم على أدوات تحليل التعليمات البرمجية مهمًا. علاوة على ذلك، بالنسبة لمبادرات إعادة الكتابة، يحتاج المرء إلى تعيين القدرات الوظيفية لسياق التطبيق القديم لإجراء تمارين تصميم/تحليل فعالة تعتمد على المجال. يصبح الذكاء الاصطناعي التوليدي مفيدًا للغاية هنا من خلال قدرته على ربط إمكانات المجال/الوظيفية بالرمز والبيانات وإنشاء قدرات الأعمال، وعرض كود التطبيق والبيانات المتصلة به - بالطبع تحتاج النماذج إلى ضبطها/وضعها في سياق نموذج مجال مؤسسي معين أو قدرة وظيفية خريطة. يعد تعيين واجهة برمجة التطبيقات (API) بمساعدة الذكاء الاصطناعي المذكورة في هذه الورقة نموذجًا صغيرًا لذلك. في حين أن ما ورد أعلاه مخصص لتحليل/تصميم التطبيق، فإن عاصفة الأحداث تحتاج إلى خرائط عملية، وهذا هو المكان الذي يساعد فيه الذكاء الاصطناعي التوليدي في تحديد السياق ورسم خرائط المقتطفات من أدوات تعدين العمليات. يساعد الذكاء الاصطناعي التوليدي أيضًا في إنشاء حالات الاستخدام استنادًا إلى رؤى التعليمات البرمجية والتخطيط الوظيفي. بشكل عام، يساعد الذكاء الاصطناعي التوليدي على إزالة المخاطر من خلال برامج التحديث من خلال ضمان الرؤية الكافية للتطبيقات القديمة بالإضافة إلى التبعيات.

يساعد الذكاء الاصطناعي التوليدي أيضًا في إنشاء تصميم مستهدف لإطار عمل محدد لموفر الخدمة السحابية من خلال ضبط النماذج بناءً على مجموعة من الأنماط القياسية (الدخول/الخروج، وخدمات التطبيقات، وخدمات البيانات، والأنماط المركبة، وما إلى ذلك). وبالمثل، هناك العديد من حالات استخدام الذكاء الاصطناعي التوليدي الأخرى التي تتضمن إنشاء أنماط تعليمات برمجية خاصة بإطار عمل التكنولوجيا المستهدفة لضوابط الأمان. يساعد الذكاء الاصطناعي التوليدي في إنشاء مواصفات تصميم تفصيلية، على سبيل المثال، قصص المستخدم، وإطارات سلكية لتجربة المستخدم، ومواصفات واجهة برمجة التطبيقات (على سبيل المثال، ملفات Swagger)، ومخطط علاقة المكونات، ومخططات تفاعل المكونات.

التخطيط:

تتمثل إحدى المهام الصعبة لبرنامج التحديث في القدرة على إنشاء خارطة طريق كلية مع موازنة الجهود المتوازية مقابل التبعيات التسلسلية وتحديد سيناريوهات التعايش التي يجب معالجتها. في حين أن هذا يتم عادةً كمهمة لمرة واحدة - إعادة التنظيم المستمر من خلال زيادات البرامج (PIs) - فإن تمارين التخطيط التي تتضمن مدخلات مستوى التنفيذ أكثر صعوبة بكثير. يعد الذكاء الاصطناعي التوليدي مفيدًا ليكون قادرًا على إنشاء خرائط طريق استنادًا إلى البيانات التاريخية (تطبيقات على خرائط منطقة المجال، وعوامل الجهد والتعقيد وأنماط التبعية، وما إلى ذلك)، وتطبيق ذلك على التطبيقات في نطاق برنامج التحديث - لصناعة معينة أو المجال.

الطريقة الوحيدة لمعالجة هذه المشكلة هي جعلها قابلة للاستهلاك عبر مجموعة من الأصول والمسرعات التي يمكنها معالجة تعقيد المؤسسة. هذا هو المكان الذي يلعب فيه الذكاء الاصطناعي التوليدي دورًا مهمًا في ربط تفاصيل محفظة التطبيقات بالتبعيات المكتشفة.

بناء واختبار:

يعد إنشاء التعليمات البرمجية أحد أكثر حالات استخدام الذكاء الاصطناعي التوليدي المعروفة على نطاق واسع، ولكن من المهم أن تكون قادرًا على إنشاء مجموعة من عناصر التعليمات البرمجية ذات الصلة التي تتراوح من IAC (قالب Terraform أو Cloud Formation)، ورمز/تكوينات خط الأنابيب، ونقاط تصميم الأمان المضمنة ( التشفير، وتكاملات IAM، وما إلى ذلك)، وإنشاء كود التطبيق من التبختر أو رؤى التعليمات البرمجية الأخرى (من التراث) وتكوينات جدار الحماية (كملفات موارد تعتمد على الخدمات التي تم إنشاء مثيل لها، وما إلى ذلك). يساعد الذكاء الاصطناعي التوليدي على إنشاء كل مما سبق من خلال نهج منسق يعتمد على بنيات مرجعية للتطبيقات محددة مسبقًا مبنية على الأنماط - مع الجمع بين مخرجات أدوات التصميم.

يعد الاختبار مجالًا رئيسيًا آخر؛ يمكن للذكاء الاصطناعي التوليدي إنشاء المجموعة المناسبة من حالات الاختبار ورمز الاختبار جنبًا إلى جنب مع بيانات الاختبار لتحسين حالات الاختبار التي يتم تنفيذها.

نشر:

هناك العديد من أنشطة الميل الأخير التي تستغرق عادةً أيامًا إلى أسابيع بناءً على مدى تعقيد المؤسسة. تعد القدرة على إنشاء رؤى للتحقق من صحة الأمان (من سجلات التطبيق والنظام الأساسي، ونقاط التصميم، وIAC، وما إلى ذلك) حالة استخدام رئيسية ستساعد في تسريع دورات مراجعة الأمان والموافقة. يعد إنشاء مدخلات إدارة التكوين (لـ CMDB) وتغيير مدخلات الإدارة بناءً على ملاحظات الإصدار التي تم إنشاؤها من عناصر عمل أداة Agility المكتملة لكل إصدار من المجالات الرئيسية لتعزيز الذكاء الاصطناعي التوليدي.

في حين أن حالات الاستخدام المذكورة أعلاه عبر مراحل التحديث تبدو بمثابة حل سحري، فإن التعقيدات المؤسسية ستستلزم تنسيقًا سياقيًا للعديد من المسرعات القائمة على حالات استخدام الذكاء الاصطناعي التوليدي المذكورة أعلاه حتى نتمكن من تحقيق القيمة، ونحن بعيدون عن إنشاء أنماط سياقية للمؤسسة التي تساعد على تسريع برامج التحديث. لقد رأينا فوائد كبيرة في استثمار الوقت والطاقة مقدمًا (والمستمر) في تخصيص العديد من مسرعات الذكاء الاصطناعي التوليدي لأنماط معينة بناءً على التكرار المحتمل.

دعونا الآن نتفحص مثالًا محتملًا مثبتًا:

المثال 1: إعادة تصور اكتشاف واجهة برمجة التطبيقات باستخدام BIAN وAI لرؤية تعيين النطاق وتحديد خدمات واجهة برمجة التطبيقات المكررة

المشكلة: يمتلك البنك العالمي الكبير أكثر من 30000 واجهة برمجة تطبيقات (داخلية وخارجية) تم تطويرها بمرور الوقت عبر مجالات مختلفة (على سبيل المثال، الخدمات المصرفية للأفراد، والخدمات المصرفية بالجملة، والخدمات المصرفية المفتوحة، والخدمات المصرفية للشركات). هناك احتمال كبير لتكرار واجهات برمجة التطبيقات الموجودة عبر المجالات، مما يؤدي إلى ارتفاع إجمالي تكلفة الملكية للحفاظ على مجموعة كبيرة من واجهات برمجة التطبيقات والتحديات التشغيلية للتعامل مع تكرار واجهات برمجة التطبيقات وتداخلها. يؤدي الافتقار إلى رؤية واجهات برمجة التطبيقات واكتشافها إلى قيام فرق تطوير واجهات برمجة التطبيقات بتطوير نفس واجهات برمجة التطبيقات أو واجهات برمجة تطبيقات مشابهة بدلاً من العثور على واجهات برمجة التطبيقات ذات الصلة لإعادة استخدامها. إن عدم القدرة على تصور محفظة واجهة برمجة التطبيقات (API) من منظور نموذج الصناعة المصرفية يعيق فرق الأعمال وتكنولوجيا المعلومات عن فهم القدرات المتوفرة بالفعل وما هي القدرات الجديدة المطلوبة للبنك.

نهج الحل التوليدي القائم على الذكاء الاصطناعي: يستفيد الحل من نموذج اللغة الكبير BERT، ومحول الجملة، ووظيفة فقدان تصنيف السلبيات المتعددة وقواعد المجال، والتي تم ضبطها بدقة باستخدام معرفة BIAN Service Landscape للتعرف على محفظة API الخاصة بالبنك وتوفير القدرة على اكتشاف واجهات برمجة التطبيقات من خلال التعيين التلقائي لـ BIAN. يقوم بتعيين طريقة نقطة نهاية واجهة برمجة التطبيقات (API) إلى المستوى 4 من التسلسل الهرمي للمناظر الطبيعية لخدمة BIAN، أي عمليات خدمة BIAN.

الوظائف الأساسية للحل هي القدرة على:

• استوعب مواصفات التباهي ووثائق واجهة برمجة التطبيقات الأخرى وافهم واجهة برمجة التطبيقات ونقاط النهاية والعمليات والأوصاف المرتبطة بها.
• استيعاب تفاصيل BIAN وفهم طبيعة خدمة BIAN.
• يمكنك الضبط الدقيق من خلال التعيين المطابق وغير المطابق بين أسلوب نقطة نهاية واجهة برمجة التطبيقات (API Endpoint Method) ومشهد خدمة BIAN.
• قم بتوفير تمثيل مرئي للتعيين ومطابقة النتيجة باستخدام التنقل الهرمي ومرشحات BIAN لمستويات BIAN وفئة API والنتيجة المطابقة.

العرض المنطقي العام (المستند إلى Open Stack) هو كما يلي:

واجهة المستخدم لاكتشاف واجهة برمجة التطبيقات (API) مع نموذج الصناعة:

الفوائد الرئيسية: ساعد هذا الحل المطورين في العثور بسهولة على واجهات برمجة التطبيقات القابلة لإعادة الاستخدام، استنادًا إلى مجالات أعمال BIAN; كان لديهم خيارات تصفية/بحث متعددة لتحديد واجهات برمجة التطبيقات. بالإضافة إلى ذلك، تمكنت الفرق من تحديد فئات واجهة برمجة التطبيقات الرئيسية لبناء المرونة التشغيلية المناسبة. ستعتمد المراجعة التالية للبحث على اللغة الطبيعية وستكون بمثابة حالة استخدام للمحادثة.

ساعدت القدرة على تحديد واجهات برمجة التطبيقات المكررة بناءً على مجالات خدمة BIAN في إنشاء استراتيجية تحديث تعالج الإمكانات التكرارية مع ترشيدها.

تم تحقيق حالة الاستخدام هذه في غضون 6 إلى 8 أسابيع، في حين كان البنك سيستغرق عامًا لتحقيق نفس النتيجة (حيث كان هناك عدة آلاف من واجهات برمجة التطبيقات التي سيتم اكتشافها).

مثال 2: التحديث الآلي لـ MuleSoft API إلى Java Spring Boot API

المشكلة: بينما كانت الفرق الحالية في رحلة لتحديث واجهات برمجة تطبيقات MuleSoft إلى Java Spring boot، كان الحجم الهائل لواجهات برمجة التطبيقات ونقص التوثيق وجوانب التعقيد تؤثر على السرعة.

نهج الحل التوليدي القائم على الذكاء الاصطناعي: تمت أتمتة تحديث تمهيد Mule API إلى Java Spring بشكل كبير عبر مُسرّع قائم على الذكاء الاصطناعي الذي أنشأناه. لقد بدأنا بتأسيس فهم عميق لواجهات برمجة التطبيقات والمكونات ومنطق واجهة برمجة التطبيقات متبوعًا بوضع اللمسات النهائية على هياكل الاستجابة والتعليمات البرمجية. تبع ذلك إنشاء مطالبات باستخدام إصدار IBM من Sidekick AI لإنشاء رمز تمهيد Spring، والذي يلبي مواصفات واجهة برمجة التطبيقات من MuleSoft وحالات اختبار الوحدة ووثيقة التصميم وواجهة المستخدم.

تم توفير مكونات Mule API في الأداة واحدًا تلو الآخر باستخدام المطالبات وإنشاء مكافئ Spring Boot المطابق، والذي تم توصيله لاحقًا معًا لمعالجة الأخطاء التي تم دعمها. قام المسرع بإنشاء واجهة مستخدم للقناة المطلوبة التي يمكن دمجها في واجهات برمجة التطبيقات وحالات اختبار الوحدة وبيانات الاختبار ووثائق التصميم. تتكون وثائق التصميم التي يتم إنشاؤها من مخطط التسلسل والفئة والطلب والاستجابة وتفاصيل نقطة النهاية ورموز الخطأ واعتبارات الهندسة المعمارية.

الفوائد الرئيسية: يعمل Sidekick AI على تعزيز العمل اليومي لاستشاريي التطبيقات من خلال الجمع بين الإستراتيجية الفنية للذكاء الاصطناعي التوليدي متعدد النماذج والتي تم وضعها في سياق المعرفة والتكنولوجيا العميقة بالمجال. الفوائد الرئيسية هي كما يلي:

• يُنشئ معظم أكواد Spring Boot وحالات الاختبار المحسنة والنظيفة والملتزمة بأفضل الممارسات - والمفتاح هو التكرار.
• سهولة تكامل واجهات برمجة التطبيقات مع طبقات الواجهة الأمامية للقناة.
• سهولة فهم كود المطور ورؤى كافية في تصحيح أخطاء الكود.

تم استكمال Accelerator PoC بأربعة سيناريوهات مختلفة لترحيل التعليمات البرمجية وحالات اختبار الوحدة ووثائق التصميم وإنشاء واجهة المستخدم في 4 دورات سريعة على مدار 3 أسابيع.

وفي الختام

كان لدى العديد من مديري تكنولوجيا المعلومات/الرؤساء التنفيذيين للتكنولوجيا تحفظاتهم الخاصة في الشروع في مبادرات التحديث بسبب العديد من التحديات التي تم طرحها في البداية - مقدار الوقت اللازم للشركات الصغيرة والمتوسطة، والتأثير على الأعمال بسبب التغيير، وتغيير نموذج التشغيل عبر الأمن، وإدارة التغيير والعديد من الأمور الأخرى المنظمات وما إلى ذلك. على الرغم من أن الذكاء الاصطناعي التوليدي ليس الحل السحري لحل جميع المشكلات، إلا أنه يساعد البرنامج من خلال التسريع وتقليل تكلفة التحديث، والأهم من ذلك، تقليل المخاطر من خلال ضمان عدم تفويت أي وظيفة حالية. ومع ذلك، يجب على المرء أن يفهم أن الأمر يستغرق وقتًا وجهدًا لجلب نماذج ومكتبات LLM إلى احتياجات بيئة المؤسسة، مما يتطلب مراجعات وفحصًا أمنيًا وامتثالًا كبيرًا. ويتطلب أيضًا بعض الجهود المركزة لتحسين جودة البيانات اللازمة لضبط النماذج. على الرغم من عدم وجود مسرعات تحديث متماسكة تعتمد على الذكاء الاصطناعي حتى الآن، فمع مرور الوقت سنبدأ في رؤية ظهور مجموعات الأدوات المتكاملة هذه التي تساعد في تسريع بعض أنماط التحديث إن لم يكن الكثير منها.