アプリケーションのモダナイゼーションは、DevOps、コードとしてのインフラストラクチャ (IAC) などのクラウド ネイティブの原則を注入することで、最新のテクノロジを活用してレガシー アプリケーションを更新し、パフォーマンスを向上させ、進化するビジネス スピードに適応できるようにするプロセスです。 アプリケーションの最新化は、現在のレガシー アプリケーション、データ、インフラストラクチャを評価し、適切な最新化戦略 (再ホスト、再プラットフォーム、リファクタリング、または再構築) を適用して望ましい結果を達成することから始まります。

再構築では最大限のメリットが得られますが、多額の投資が必要になります。一方、再ホストでは、最適化を行わずにアプリケーションやデータそのものをクラウドに移動するため、必要な投資は少なくて済みますが、価値は低くなります。 最新化されたアプリケーションは、テクノロジーとビジネスの進歩に合わせて継続的に反復され、展開、監視、保守されます。 実現される一般的な利点は、機敏性、費用対効果、競争力の向上など多岐にわたりますが、課題には複雑さやリソースの需要が含まれます。 多くの企業は、クラウドに移行しても、基本的なプラットフォーム レベルの自動化を超えた望ましい価値や俊敏性/スピードが得られないことを認識しています。 本当の問題は、IT がどのように組織されているかにあり、それは現在のアプリケーション/サービスがどのように構築および管理されているかに反映されています (「 コンウェイの法則）。 これにより、次のような課題が生じます。

• 複数の IT システム/コンポーネントによって提供される重複または重複する機能は、厄介な依存関係と増殖を生み出し、生産性と市場投入までの速度に影響を与えます。
• アプリケーションやチャネル間で機能が重複すると、IT リソース (スキルやインフラストラクチャなど) が重複して発生します。
• ビジネス ルールなどの重複につながる機能 (データを含む) の重複により、一貫性のない顧客エクスペリエンスが生じます。
• IT 機能とビジネス機能の整合性が欠如していると、市場投入までの時間とビジネス IT に影響を与えます。 さらに、企業は新しいビジネスの取り組みやイノベーションをサポートするために、いくつかの絆創膏やアーキテクチャ層を構築することになります。

したがって、アプリケーションのモダナイゼーションの取り組みでは、ビジネスにとっての価値をより重視する必要があり、これには、ビジネス機能に合わせたコンポーネントおよびサービスへのアプリケーションの変換という重要な要素が含まれます。 これに関する最大の課題は、必要な投資額であり、多くの CIO/CTO は、価値の実現にかかるコストとスケジュールを理由に、投資を躊躇しています。 多くの企業は、特定領域のモダナイゼーションを加速するのに役立つ企業向けにカスタマイズできるアクセラレーターを構築することでこの問題に取り組んでいます。IBM のそのような例の XNUMX つが次のとおりです。 IBMコンサルティング・クラウド・アクセラレーター。 近代化の加速を推進し、コストを最適化しようとしている一方で、Generative AI は、近代化プログラムを加速する方法の変化を推進する重要なイネーブラーになりつつあります。 この記事では、例を使用してアクセラレーションの主要な領域を検討します。

アプリケーション最新化プログラムの簡略化されたライフサイクル (すべてを網羅するものではありません) を以下に示します。 ディスカバリーは、レガシー アプリケーション、インフラストラクチャ、データ、アプリケーション、サービス、データ間の相互作用、セキュリティなどのその他の側面を理解することに重点を置いています。 計画では、アプリケーションの複雑なポートフォリオを複数の反復に分割して最新化して反復的なロードマップを確立し、ロードマップを実装するための実行計画を確立します。

ブループリント/設計フェーズのアクティビティは、最新化戦略 (アプリケーションの分解とドメイン駆動設計の活用、または実行可能な設計を構築するための新しいテクノロジに基づいたターゲット アーキテクチャの確立) に基づいて変化します。 後続のフェーズは、ビルドとテスト、そして運用環境へのデプロイです。 これらのライフサイクル領域にわたる生成 AI の可能性を探ってみましょう。

発見とデザイン:

SME の関与を最小限に抑えながらレガシー アプリケーションを理解できることは、重要な加速ポイントです。 これは、一般に中小企業はシステムのライトオンへの取り組みに忙しい一方、システムをサポートしてきた期間に基づいて中小企業の知識が制限される可能性があるためです。 まとめると、モダナイゼーションでは検出と設計に多くの時間が費やされますが、チームがレガシー アプリケーションの機能、統合の側面、ロジックとデータの複雑さを解読すると、開発ははるかに簡単になります。

モダナイゼーション チームはコード分析を実行し、いくつかのドキュメント (ほとんどが古いもの) を調べます。 ここで、コード分析ツールへの依存が重要になります。 さらに、書き換えイニシアチブでは、効果的なドメイン駆動設計/分解演習を実行するために、機能的機能をレガシー アプリケーション コンテキストにマッピングする必要があります。 ここでは、ドメイン/機能機能をコードとデータに関連付け、ビジネス機能ビューと接続されたアプリケーション コードとデータを確立する機能により、生成 AI が非常に便利になります。もちろん、モデルは特定のエンタープライズ ドメイン モデルまたは機能機能に合わせて調整/コンテキスト化する必要があります。地図。 このホワイトペーパーで言及されている生成 AI 支援 API マッピングは、これの小さな例です。 上記はアプリケーションの分解/設計に関するものですが、イベント ストーミングにはプロセス マップが必要であり、ここで Generative AI がプロセス マイニング ツールからの抽出のコンテキスト化とマッピングを支援します。 生成 AI は、コードの洞察と機能マッピングに基づいてユースケースを生成するのにも役立ちます。 全体として、Generative AI は、レガシー アプリケーションと依存関係に対する適切な可視性を確保することで、最新化プログラムのリスクを軽減します。

生成 AI は、標準化されたパターン (イングレス/エグレス、アプリケーション サービス、データ サービス、複合パターンなど) のセットに基づいてモデルを調整することで、特定のクラウド サービス プロバイダー フレームワークのターゲット設計を生成するのにも役立ちます。 同様に、セキュリティ制御用のターゲット テクノロジ フレームワーク固有のコード パターンの生成を含む、生成 AI のユース ケースが他にもいくつかあります。 生成 AI は、ユーザー ストーリー、ユーザー エクスペリエンス ワイヤー フレーム、API 仕様 (Swagger ファイルなど)、コンポーネント関係図、コンポーネント相互作用図などの詳細な設計仕様を生成するのに役立ちます。

計画:

モダナイゼーション プログラムの難しいタスクの XNUMX つは、並行作業と逐次依存関係のバランスをとり、対処すべき共存シナリオを特定しながらマクロ ロードマップを確立できることです。 通常、これは XNUMX 回限りのタスク (プログラム インクリメント (PI) による継続的な再調整) として行われますが、実行レベルの入力を組み込んだ演習を計画することははるかに困難です。 生成 AI は、履歴データ (ドメイン エリア マップへのアプリケーション、労力と複雑さの要因、依存関係パターンなど) に基づいてロードマップを生成し、これを特定の業界のモダナイゼーション プログラムの範囲内のアプリケーションに適用できるのに便利です。またはドメイン。

これに対処する唯一の方法は、企業の複雑さに対処できる一連の資産とアクセラレータを介してそれを利用可能にすることです。 ここで、Generative AI は、アプリケーション ポートフォリオの詳細と発見された依存関係を関連付けることにおいて重要な役割を果たします。

ビルドとテスト:

コードの生成は、最も広く知られている生成 AI のユースケースの XNUMX つですが、IAC (Terraform または Cloud Formation Template)、パイプライン コード/構成、埋め込みセキュリティ設計ポイントに至る一連の関連コード アーティファクトを生成できることが重要です (暗号化、IAM 統合など)、Swagger またはその他のコード インサイト (レガシーから) からのアプリケーション コード生成、およびファイアウォール構成 (インスタンス化されたサービスに基づくリソース ファイルとしてなど)。 Generative AI は、設計ツールの出力を組み合わせながら、パターンから構築された事前定義されたアプリケーション参照アーキテクチャに基づく統合されたアプローチを通じて、上記のそれぞれを生成するのに役立ちます。

テストも重要な領域です。 生成 AI は、実行されるテスト ケースを最適化するために、テスト データとともに適切なテスト ケースとテスト コードのセットを生成できます。

配備します:

企業の複雑さに応じて、通常は数日から数週間かかるラストマイルアクティビティがいくつかあります。 セキュリティ検証のための洞察 (アプリケーションとプラットフォームのログ、設計ポイント、IAC などから) を生成する機能は、セキュリティのレビューと承認サイクルの加速に役立つ重要なユースケースです。 構成管理入力 (CMDB 用) の生成と、リリースごとに完了するアジリティ ツールの作業項目から生成されたリリース ノートに基づく管理入力の変更は、Generative AI の重要な活用領域です。

モダナイゼーションの各フェーズにわたる上記のユース ケースは特効薬のように見えますが、企業の複雑さにより、価値を実現するには、上記の生成 AI ユース ケース ベースのアクセラレータの多くをコンテキストに応じてオーケストレーションする必要があり、エンタープライズ コンテキスト パターンの確立には程遠いです。近代化プログラムの加速に役立ちます。 潜在的な再現性に基づいて、これらの生成 AI アクセラレータの多くを特定のパターンに合わせてカスタマイズすることに、時間とエネルギーを事前に (そして継続的に) 投資することには、大きなメリットがあることがわかりました。

次に、潜在的な実証済みの例を調べてみましょう。

例 1: BIAN と AI を使用して API Discovery を再考し、ドメイン マッピングを可視化し、重複する API サービスを識別する

課題: 大手グローバル銀行には、さまざまなドメイン (リテール バンキング、ホールセール バンキング、オープン バンキング、コーポレート バンキングなど) にわたって時間をかけて開発された 30000 を超える API (内部および外部) があります。 ドメイン全体に重複した API が存在する可能性は非常に大きく、大規模な API ポートフォリオを維持するための総所有コストが増加し、API の重複と重複に対処するという運用上の課題が発生します。 API の可視性と発見が不足しているため、API 開発チームは、再利用する関連 API を見つけるのではなく、同じまたは類似の API を開発することになります。 銀行業界モデルの観点から API ポートフォリオを視覚化できないため、ビジネス チームと IT チームは、すでに利用可能な機能と銀行に必要な新機能を理解することができません。

生成 AI ベースのソリューション アプローチ: このソリューションは、BERT 大規模言語モデル、センテンス トランスフォーマー、複数のネガティブ ランキング損失関数、およびドメイン ルールを活用し、BIAN サービス ランドスケープの知識で微調整して銀行の API ポートフォリオを学習し、BIAN への自動マッピングで API を検出する機能を提供します。 API エンドポイント メソッドをレベル 4 BIAN サービス ランドスケープ階層、つまり BIAN サービス オペレーションにマップします。

ソリューションの中核となる機能は、次の機能です。

• Swagger 仕様およびその他の API ドキュメントを取得し、API、エンドポイント、操作、および関連する説明を理解します。
• BIAN の詳細を取得し、BIAN サービスのランドスケープを理解します。
• API エンドポイント メソッドと BIAN サービス ランドスケープ間の一致するマッピングと一致しないマッピングを微調整します。
• BIAN レベル、API カテゴリ、マッチング スコアの BIAN 階層ナビゲーションとフィルターを使用して、マッピングとマッチング スコアを視覚的に表現します。

全体的な論理ビュー (Open Stack ベース) は次のとおりです。

インダストリ モデルを使用した API ディスカバリのユーザー インターフェイス:

主なメリット： このソリューションにより、開発者は BIAN ビジネス ドメインに基づいて再利用可能な API を簡単に見つけることができました。; API を見つけるための複数のフィルター/検索オプションがありました。 さらに、チームは適切な運用上の回復力を構築するための主要な API カテゴリを特定することができました。 検索の次の改訂版は自然言語に基づいており、会話型の使用例になる予定です。

BIAN サービス ドメインに基づいて重複する API を識別する機能は、重複する機能を合理化しながら対処する最新化戦略の確立に役立ちました。

このユースケースは 6 ～ 8 週間以内に実現されましたが、銀行が同じ結果を達成するには XNUMX 年かかったでしょう (発見すべき API が数千あったため)。

例 2: MuleSoft API から Java Spring Boot API への自動最新化

課題: 現在のチームは MuleSoft API を Java Spring ブートに最新化する取り組みを行っていましたが、膨大な量の API、ドキュメントの欠如、および複雑さの側面が速度に影響を与えていました。

生成 AI ベースのソリューション アプローチ: Mule API から Java Spring ブートへの最新化は、私たちが構築した Generative AI ベースのアクセラレータによって大幅に自動化されました。 私たちは、API、コンポーネント、API ロジックを深く理解することから始め、その後、応答構造とコードを完成させました。 続いて、IBM バージョンの Sidekick AI を使用してプロンプトを構築し、MuleSoft の API 仕様、単体テスト ケース、設計ドキュメント、およびユーザー インターフェイスを満たす Spring ブート コードを生成しました。

Mule API コンポーネントは、プロンプトを使用してツールに XNUMX つずつ提供され、対応する Spring Boot 相当物が生成され、その後、発生したエラーに対処するために接続されました。 アクセラレータは、API、単体テスト ケース、テスト データ、設計ドキュメントに統合できる、必要なチャネルの UI を生成しました。 生成される設計ドキュメントは、シーケンス図とクラス図、リクエスト、レスポンス、エンドポイントの詳細、エラー コード、アーキテクチャに関する考慮事項で構成されます。

主なメリット： Sidekick AI は、深いドメイン知識とテクノロジーを通じて文脈化されたマルチモデルの生成 AI 技術戦略を組み合わせることで、アプリケーション コンサルタントの日常業務を強化します。 主な利点は次のとおりです。

• 最適化されクリーンでベスト プラクティスに準拠した Spring Boot コードとテスト ケースのほとんどを生成します。重要なのは再現性です。
• API とチャネル フロントエンド レイヤーの統合が容易。
• 開発者のコ​​ードを理解しやすく、コードをデバッグする際に十分な洞察が得られます。

Accelerator の PoC は、4 週間にわたる 3 つのスプリントで、コード移行、単体テスト ケース、設計ドキュメント、UI 生成の 6 つの異なるシナリオで完了しました。

まとめ

多くの CIO/CTO は、最初に挙げた多数の課題 (中小企業に必要な時間、変更によるビジネスへの影響、セキュリティ全体にわたるオペレーティング モデルの変更、変更管理など) のため、モダナイゼーションの取り組みに着手することに躊躇しています。組織など。 Generative AI はすべての問題を解決する特効薬ではありませんが、プログラムの高速化、最新化コストの削減、さらに重要なことに、現在の機能が失われないようにすることでリスクを軽減するのに役立ちます。 ただし、LLM モデルとライブラリをエンタープライズ環境のニーズ (重要なセキュリティとコンプライアンスのレビューとスキャン) に導入するには、時間と労力がかかることを理解する必要があります。 また、モデルのチューニングに必要なデータのデータ品質を向上させるための集中的な取り組みも必要です。 統合された生成 AI 主導のモダナイゼーション アクセラレータはまだ世に出ていませんが、時間の経過とともに、多くはないにしても、特定のモダナイゼーション パターンを加速するのに役立つこのような統合ツールキットの出現が見られるようになるでしょう。