Werfen Sie einen Blick hinter die Kulissen jeder eleganten mobilen Anwendung oder kommerziellen Schnittstelle, und tief unter den Integrations- und Serviceebenen der Anwendungsarchitektur eines großen Unternehmens werden Sie wahrscheinlich Mainframes finden, die das Sagen haben.

Kritische Anwendungen und Aufzeichnungssysteme nutzen diese Kernsysteme als Teil einer hybriden Infrastruktur. Jede Unterbrechung ihres laufenden Betriebs könnte katastrophale Folgen für die weitere betriebliche Integrität des Unternehmens haben. So sehr, dass viele Unternehmen Angst davor haben, wesentliche Änderungen daran vorzunehmen.

Aber Veränderungen sind unvermeidlich, da sich die technischen Schulden häufen. Um geschäftliche Agilität zu erreichen und mit den Wettbewerbsherausforderungen und der Kundennachfrage Schritt zu halten, müssen Unternehmen diese Anwendungen unbedingt modernisieren. Anstatt Veränderungen aufzuschieben, sollten Führungskräfte in ihrer Hybridstrategie nach neuen Wegen suchen, um die digitale Transformation zu beschleunigen.

Geben Sie COBOL nicht die Schuld für Modernisierungsverzögerungen

Das größte Hindernis für die Mainframe-Modernisierung ist wahrscheinlich der Fachkräftemangel. Viele der Mainframe- und Anwendungsexperten, die im Laufe der Jahre COBOL-Codebasen für Unternehmen erstellt und hinzugefügt haben, sind wahrscheinlich entweder weitergezogen oder gehen bald in den Ruhestand.

Noch beängstigender ist, dass es schwierig sein wird, die nächste Generation von Talenten zu rekrutieren, da sich neuere Informatikabsolventen, die Java und neuere Sprachen gelernt haben, nicht von Natur aus vorstellen können, Mainframe-Anwendungen zu entwickeln. Für sie erscheint die Arbeit möglicherweise nicht so sexy wie das Design mobiler Apps oder so agil wie die native Cloud-Entwicklung. In vielerlei Hinsicht ist dies eine ziemlich unfaire Veranlagung.

COBOL wurde entwickelt, lange bevor es Objektorientierung überhaupt gab – ganz zu schweigen von Serviceorientierung oder Cloud Computing. Mit einem schlanken Befehlssatz sollte es für neuere Entwickler keine komplizierte Sprache sein, sie zu lernen oder zu verstehen. Und es gibt keinen Grund, warum Mainframe-Anwendungen nicht von einer agilen Entwicklung und kleineren, inkrementellen Releases innerhalb einer automatisierten Pipeline im DevOps-Stil profitieren würden.

Herausfinden was verschiedene Teams im Laufe der Jahre mit COBOL gemacht haben ist es, was es so schwierig macht, mit Veränderungen umzugehen. Entwickler haben einem prozeduralen System endlose Ergänzungen und logische Schleifen hinzugefügt, die als Ganzes überprüft und aktualisiert werden müssen, und nicht als Komponenten oder lose gekoppelte Dienste.

Da Code und Programme auf diese Weise auf dem Mainframe miteinander verwoben sind, sind die gegenseitigen Abhängigkeiten und potenziellen Fehlerquellen zu komplex und zahlreich, als dass selbst erfahrene Entwickler sie entschlüsseln könnten. Dies macht die Entwicklung von COBOL-Apps entmutigender als nötig, was dazu führt, dass viele Unternehmen vorzeitig nach Alternativen außerhalb des Mainframes suchen.

Die Grenzen der generativen KI überwinden

Aufgrund der weit verbreiteten Verfügbarkeit großer Sprachmodelle (LLMs) wie ChatGPT und visueller KI-Bildgeneratoren für Verbraucher haben wir in letzter Zeit zahlreiche Hypes um generative KI (oder GenAI) erlebt.

Während in diesem Bereich viele coole Möglichkeiten auftauchen, gibt es bei LLMs einen lästigen „Halluzinationsfaktor“, wenn sie auf kritische Geschäftsabläufe angewendet werden. Wenn KIs mit im Internet gefundenen Inhalten trainiert werden, liefern sie möglicherweise oft überzeugende und glaubwürdige Dialoge, aber keine völlig genauen Antworten. Zum Beispiel, ChatGPT zitierte kürzlich eine imaginäre Rechtsprechung Präzedenzfälle vor einem Bundesgericht, die zu Sanktionen für den faulen Anwalt führen könnten, der sie verwendet hat.

Es gibt ähnliche Probleme, wenn man einer Chatbot-KI die Programmierung einer Geschäftsanwendung anvertraut. Während ein verallgemeinertes LLM sinnvolle allgemeine Vorschläge zur Verbesserung einer App liefern oder problemlos ein Standard-Anmeldeformular erstellen oder ein Spiel im Asteroiden-Stil programmieren kann, hängt die funktionale Integrität einer Geschäftsanwendung stark davon ab, mit welchen maschinellen Lerndaten das KI-Modell trainiert wurde mit.

Glücklicherweise gab es jahrelange produktionsorientierte KI-Forschung, bevor ChatGPT auf den Markt kam. IBM® hat unter seiner Marke watsonx™ Deep-Learning- und Inferenzmodelle entwickelt und als Mainframe-Entwickler und Innovator Beobachtungs-GenAI-Modelle erstellt, die auf die COBOL-zu-Java-Transformation trainiert und abgestimmt sind.

Ihre neuesten IBM watsonx™ Code Assistant für Z Die Lösung nutzt sowohl regelbasierte Prozesse als auch generative KI, um die Modernisierung von Mainframe-Anwendungen zu beschleunigen. Jetzt können Entwicklungsteams auf einen sehr praktischen und unternehmensorientierten Einsatz von GenAI und Automatisierung zurückgreifen, um Entwickler bei der Anwendungserkennung, dem automatischen Refactoring und der COBOL-zu-Java-Transformation zu unterstützen.

Modernisierung von Mainframe-Anwendungen in drei Schritten

Um Mainframe-Anwendungen genauso agil und anpassungsfähig zu machen wie jede andere objektorientierte oder verteilte Anwendung, sollten Unternehmen sie zu Top-Level-Features der Continuous-Delivery-Pipeline machen. IBM watsonx Code Assistant for Z hilft Entwicklern, COBOL-Code in drei Schritten in den Lebenszyklus der Anwendungsmodernisierung zu integrieren:

1. Entdeckung. Vor der Modernisierung müssen Entwickler herausfinden, wo Aufmerksamkeit erforderlich ist. Zunächst führt die Lösung eine Bestandsaufnahme aller Programme auf dem Mainframe durch und erstellt für jedes Programm architektonische Flussdiagramme mit allen Dateneingaben und -ausgaben. Das visuelle Flussmodell erleichtert Entwicklern und Architekten das Erkennen von Abhängigkeiten und offensichtlichen Sackgassen innerhalb der Codebasis.
2. Refactoring. In dieser Phase geht es darum, Monolithen in eine besser konsumierbare Form aufzubrechen. IBM watsonx Code Assistant for Z durchsucht lang laufende Programmcodebasen, um die beabsichtigte Geschäftslogik des Systems zu verstehen. Durch die Entkopplung von Befehlen und Daten, beispielsweise diskreten Prozessen, refaktorisiert die Lösung den COBOL-Code in modulare Geschäftsdienstkomponenten.
3. Transformation. Hier kann die Magie einer auf Enterprise-COBOL-zu-Java-Konvertierung abgestimmten LLM einen Unterschied machen. Das GenAI-Modell übersetzt COBOL-Programmkomponenten in Java-Klassen und ermöglicht so eine echte Objektorientierung und Trennung von Belangen, sodass mehrere Teams parallel und agil arbeiten können. Entwickler können sich dann auf die Verfeinerung des Codes in Java in einer IDE konzentrieren, wobei die KI Vorschauvorschläge liefert, ähnlich einer Co-Pilot-Funktion, die Sie in anderen Entwicklungstools sehen würden.

Die Intellyx-Version

Wir stehen den Behauptungen der meisten Anbieter über KI grundsätzlich skeptisch gegenüber, da es sich oft einfach um Automatisierung unter einem anderen Namen handelt.

Verglichen mit dem Erlernen aller Nuancen der englischen Sprache und dem Spekulieren über die Faktenbasis von Wörtern und Absätzen scheint die Beherrschung der Syntax und Strukturen von Sprachen wie COBOL und Java genau das Richtige für GenAI zu sein.

Generative KI-Modelle, die für Unternehmen wie IBM watsonx Code Assistant for Z entwickelt wurden, können den Modernisierungsaufwand und die Kosten für die ressourcenbeschränktsten Organisationen der Welt reduzieren. Anwendungen auf bekannten Plattformen mit Tausenden von Codezeilen sind ideale Trainingsgelände für generative KI-Modelle wie IBM watsonx Code Assistant for Z.

Selbst in ressourcenbeschränkten Umgebungen kann GenAI Teams dabei helfen, Modernisierungshürden zu überwinden und die Fähigkeiten noch neuerer Mainframe-Entwickler zu erweitern, um die Agilität und Ausfallsicherheit ihrer kritischsten Kerngeschäftsanwendungen erheblich zu verbessern.

Weitere Informationen finden Sie in den anderen Beiträgen dieser Intellyx-Analysten-Thought-Leadership-Reihe:

Beschleunigen Sie die Modernisierung von Mainframe-Anwendungen mit generativer KI

©2024 Intellyx B.V. Intellyx ist redaktionell für dieses Dokument verantwortlich. Zum Schreiben dieser Inhalte wurden keine KI-Bots verwendet. Zum Zeitpunkt des Verfassens dieses Artikels ist IBM ein Intellyx-Kunde.