애플리케이션 현대화는 최신 기술을 활용하여 레거시 애플리케이션을 업데이트하고, 성능을 향상시키며, DevOps, IAC(Infrastructure-as-Code) 등과 같은 클라우드 기본 원칙을 주입하여 진화하는 비즈니스 속도에 적응할 수 있도록 만드는 프로세스입니다. 애플리케이션 현대화는 현재 레거시 애플리케이션, 데이터 및 인프라를 평가하고 올바른 현대화 전략(재호스팅, 플랫폼 변경, 리팩터링 또는 재구축)을 적용하여 원하는 결과를 얻는 것부터 시작됩니다.

재구축은 최대 이익을 가져오지만 높은 수준의 투자가 필요한 반면, 재호스트는 최적화 없이 애플리케이션과 데이터 등을 클라우드로 이동하는 것이므로 가치가 낮지만 투자가 덜 필요합니다. 현대화된 애플리케이션은 기술 및 비즈니스 발전에 보조를 맞추기 위해 지속적인 반복을 통해 배포, 모니터링 및 유지 관리됩니다. 실현되는 일반적인 이점은 민첩성 향상, 비용 효율성 및 경쟁력 향상이며, 과제에는 복잡성 및 리소스 수요가 포함됩니다. 많은 기업은 클라우드로 전환해도 기본 플랫폼 수준 자동화 이상의 원하는 가치나 민첩성/속도를 얻을 수 없다는 것을 깨닫고 있습니다. 실제 문제는 IT가 어떻게 구성되어 있는지, 즉 현재 애플리케이션/서비스가 구축되고 관리되는 방식에 있습니다(참조: 콘웨이의 법칙). 이로 인해 다음과 같은 과제가 발생합니다.

• 여러 IT 시스템/구성 요소가 제공하는 중복된 기능은 끈끈한 종속성과 확산을 만들어 생산성과 출시 속도에 영향을 미칩니다.
• 애플리케이션과 채널 전반에 걸쳐 중복된 기능으로 인해 중복된 IT 리소스(예: 기술 및 인프라)가 발생합니다.
• 비즈니스 규칙 등의 중복을 초래하는 중복 기능(데이터 포함)으로 인해 일관되지 않은 고객 경험이 발생합니다.
• IT 기능과 비즈니스 기능의 연계가 부족하면 시장 출시 시간과 비즈니스 IT에 영향을 미칩니다. 또한 기업은 새로운 비즈니스 이니셔티브와 혁신을 지원하기 위해 여러 가지 반창고 및 아키텍처 계층을 구축하게 됩니다.

따라서 애플리케이션 현대화 이니셔티브는 비즈니스 가치에 더욱 초점을 맞춰야 하며, 여기에는 애플리케이션을 비즈니스 기능에 맞는 구성 요소 및 서비스로 변환하는 중요한 요소가 포함됩니다. 이에 대한 가장 큰 과제는 필요한 투자 금액이며, 많은 CIO/CTO는 가치 실현에 소요되는 비용과 일정으로 인해 투자를 주저하고 있습니다. 많은 사람들이 현대화의 특정 영역을 가속화하는 데 도움이 되는 기업 소비에 맞게 맞춤화할 수 있는 빌딩 가속기를 통해 이 문제를 해결하고 있으며 IBM의 사례 중 하나는 다음과 같습니다. IBM 컨설팅 클라우드 액셀러레이터. 가속화를 추진하고 현대화 비용을 최적화하려고 시도하는 동안 Generative AI는 현대화 프로그램을 가속화하는 방법에 대한 변화를 주도하는 중요한 원동력이 되고 있습니다. 이 기사의 예를 통해 가속화의 주요 영역을 살펴보겠습니다.

애플리케이션 현대화 프로그램의 단순화된 수명주기(완전하지는 않음)가 아래에 설명되어 있습니다. Discovery는 레거시 애플리케이션, 인프라, 데이터, 애플리케이션, 서비스 및 데이터 간의 상호 작용, 보안과 같은 기타 측면을 이해하는 데 중점을 둡니다. 계획은 복잡한 애플리케이션 포트폴리오를 현대화할 반복으로 나누어 반복 로드맵을 수립하고 로드맵을 구현하기 위한 실행 계획을 수립합니다.

청사진/설계 단계 활동은 현대화 전략(애플리케이션 분해 및 도메인 중심 설계 활용 또는 실행 가능한 설계 구축을 위한 신기술 기반의 대상 아키텍처 설정)에 따라 변경됩니다. 후속 단계에서는 빌드 및 테스트를 거쳐 프로덕션에 배포합니다. 이러한 수명주기 영역 전반에 걸쳐 Generative AI 가능성을 살펴보겠습니다.

발견과 디자인:

최소한의 SME 참여로 레거시 애플리케이션을 이해하는 능력은 중요한 가속 포인트입니다. 이는 일반적으로 SME가 시스템 가동 이니셔티브로 바쁜 반면, 시스템을 지원해 온 기간에 따라 지식이 제한될 수 있기 때문입니다. 전체적으로 검색 및 설계에는 현대화 중에 상당한 시간이 소요되는 반면, 팀이 레거시 애플리케이션 기능, 통합 측면, 논리 및 데이터 복잡성을 디코딩하면 개발이 훨씬 쉬워집니다.

현대화 팀은 코드 분석을 수행하고 여러 문서(대부분 날짜가 기록되어 있음)를 검토합니다. 이것이 바로 코드 분석 도구에 대한 의존도가 중요해지는 부분입니다. 또한 재작성 이니셔티브의 경우 효과적인 도메인 중심 설계/분해 연습을 수행할 수 있도록 기능적 기능을 레거시 애플리케이션 컨텍스트에 매핑해야 합니다. 생성적 AI는 도메인/기능 기능을 코드 및 데이터에 연관시키고 비즈니스 기능 보기 및 연결된 애플리케이션 코드 및 데이터를 설정하는 기능을 통해 매우 유용합니다. 물론 모델은 주어진 엔터프라이즈 도메인 모델 또는 기능 기능에 맞게 조정/맥락화되어야 합니다. 지도. 본 백서에서 언급된 생성적 AI 지원 API 매핑은 이에 대한 작은 예입니다. 위의 내용은 애플리케이션 분해/설계를 위한 것이지만, 이벤트 스토밍에는 프로세스 맵이 필요하며, 여기서 Generative AI는 프로세스 마이닝 도구에서 추출한 내용을 맥락화하고 매핑하는 데 도움을 줍니다. Generative AI는 코드 통찰력과 기능 매핑을 기반으로 사용 사례를 생성하는 데도 도움이 됩니다. 전반적으로 Generative AI는 레거시 애플리케이션과 종속성에 대한 적절한 가시성을 보장하여 현대화 프로그램의 위험을 제거하는 데 도움을 줍니다.

또한 Generative AI는 표준화된 패턴 세트(수신/송신, 애플리케이션 서비스, 데이터 서비스, 복합 패턴 등)를 기반으로 모델을 조정하여 특정 클라우드 서비스 제공업체 프레임워크에 대한 대상 설계를 생성하는 데 도움이 됩니다. 마찬가지로, 보안 제어를 위한 대상 기술 프레임워크별 코드 패턴 생성을 포함하는 몇 가지 다른 Generative AI 사용 사례가 있습니다. Generative AI는 사용자 스토리, 사용자 경험 와이어 프레임, API 사양(예: Swagger 파일), 구성 요소 관계 다이어그램 및 구성 요소 상호 작용 다이어그램과 같은 세부 설계 사양을 생성하는 데 도움이 됩니다.

계획:

현대화 프로그램의 어려운 작업 중 하나는 병렬 작업과 순차적 종속성의 균형을 맞추고 해결해야 할 공존 시나리오를 식별하는 동시에 거시적 로드맵을 수립할 수 있는 것입니다. 이는 일반적으로 일회성 작업(PI(프로그램 증분)을 통한 지속적인 재정렬)으로 수행되지만 실행 수준 입력을 통합하는 계획 연습은 훨씬 더 어렵습니다. 생성적 AI는 과거 데이터(도메인 영역 맵에 대한 애플리케이션, 노력 및 복잡성 요인, 종속성 패턴 등에 대한 애플리케이션)를 기반으로 로드맵을 생성하고 이를 현대화 프로그램 범위의 애플리케이션에 특정 산업에 적용할 수 있다는 점에서 유용합니다. 또는 도메인.

이 문제를 해결하는 유일한 방법은 기업의 복잡성을 해결할 수 있는 일련의 자산 및 가속기를 통해 이를 소비 가능하게 만드는 것입니다. 여기서 Generative AI는 애플리케이션 포트폴리오 세부 정보를 발견된 종속성과 연관시키는 데 중요한 역할을 합니다.

빌드 및 테스트:

코드 생성은 가장 널리 알려진 Generative AI 사용 사례 중 하나이지만 IAC(Terraform 또는 Cloud Formation 템플릿), 파이프라인 코드/구성, 내장 보안 설계 포인트( 암호화, IAM 통합 등), Swagger 또는 기타 코드 통찰력(레거시) 및 방화벽 구성(인스턴스화된 서비스 기반 리소스 파일 등)에서 애플리케이션 코드 생성. Generative AI는 디자인 도구의 출력을 결합하는 동시에 패턴으로 구축된 사전 정의된 애플리케이션 참조 아키텍처를 기반으로 조정된 접근 방식을 통해 위의 각 항목을 생성하는 데 도움이 됩니다.

테스트는 또 다른 핵심 영역입니다. Generative AI는 실행 중인 테스트 사례를 최적화하기 위해 테스트 데이터와 함께 올바른 테스트 사례 및 테스트 코드 세트를 생성할 수 있습니다.

배포:

기업의 복잡성에 따라 일반적으로 며칠에서 몇 주가 소요되는 몇 가지 라스트 마일 활동이 있습니다. 애플리케이션 및 플랫폼 로그, 설계 포인트, IAC 등에서 보안 검증을 위한 통찰력을 생성하는 기능은 보안 검토 및 승인 주기를 가속화하는 데 도움이 되는 핵심 사용 사례입니다. 구성 관리 입력(CMDB용)을 생성하고 릴리스별로 완료된 Agility 도구 작업 항목에서 생성된 릴리스 노트를 기반으로 관리 입력을 변경하는 것은 Generative AI를 활용하는 핵심 영역입니다.

위에서 언급한 현대화 단계의 사용 사례는 만능인 것처럼 보이지만 기업의 복잡성으로 인해 가치를 실현할 수 있으려면 위의 많은 생성적 AI 사용 사례 기반 가속기의 상황에 따른 조정이 필요하며 기업의 상황에 맞는 패턴을 확립하는 것과는 거리가 멀습니다. 현대화 프로그램을 가속화하는 데 도움이 됩니다. 우리는 잠재적인 반복성을 기반으로 특정 패턴에 대해 이러한 Generative AI 가속기 중 다수를 사용자 정의하는 데 시간과 에너지를 사전에(그리고 지속적으로) 투자함으로써 상당한 이점을 확인했습니다.

이제 잠재적으로 입증된 예를 살펴보겠습니다.

예시 1: 도메인 매핑 가시성 및 중복 API 서비스 식별을 위해 BIAN 및 AI를 사용하여 API 검색 재구성

문제: Large Global Bank는 다양한 도메인(예: 소매 뱅킹, 도매 뱅킹, 오픈 뱅킹 및 기업 뱅킹)에 걸쳐 시간이 지남에 따라 개발된 30000개 이상의 API(내부 및 외부 모두)를 보유하고 있습니다. 도메인 전체에 중복 API가 존재할 가능성이 크며, 이로 인해 대규모 API 포트폴리오를 유지 관리하기 위한 총 소유 비용이 높아지고 API 중복 및 중복을 처리하는 운영상의 문제가 발생합니다. API에 대한 가시성과 검색이 부족하면 API 개발 팀이 재사용할 관련 API를 찾기보다는 동일하거나 유사한 API를 개발하게 됩니다. 은행 산업 모델 관점에서 API 포트폴리오를 시각화할 수 없기 때문에 비즈니스 팀과 IT 팀은 이미 사용 가능한 기능과 은행에 필요한 새로운 기능을 이해하는 데 제약을 받습니다.

생성적 AI 기반 솔루션 접근 방식: 이 솔루션은 BERT Large Language Model, Sentence Transformer, Multiple Negatives Ranking Loss Function 및 도메인 규칙을 활용하고 BIAN Service Landscape 지식으로 미세 조정되어 은행의 API 포트폴리오를 학습하고 BIAN에 자동 매핑하여 API를 검색하는 기능을 제공합니다. API 엔드포인트 방법을 레벨 4 BIAN 서비스 환경 계층, 즉 BIAN 서비스 운영에 매핑합니다.

솔루션의 핵심 기능은 다음과 같습니다.

• Swagger 사양 및 기타 API 문서를 수집하고 API, 엔드포인트, 작업 및 관련 설명을 이해합니다.
• BIAN 세부 정보를 수집하고 BIAN 서비스 환경을 이해하세요.
• API 엔드포인트 방법과 BIAN 서비스 환경 간의 일치 및 불일치 매핑을 미세 조정합니다.
• BIAN 계층적 탐색 및 BIAN 수준, API 범주 및 일치 점수에 대한 필터를 사용하여 매핑 및 일치 점수를 시각적으로 표현합니다.

전체적인 논리적 뷰(Open Stack 기반)는 다음과 같습니다.

산업 모형을 사용한 API 검색을 위한 사용자 인터페이스:

주요 혜택: 이 솔루션은 개발자가 BIAN 비즈니스 도메인을 기반으로 재사용 가능한 API를 쉽게 찾을 수 있도록 지원했습니다.; API를 찾기 위한 여러 필터/검색 옵션이 있었습니다. 또한 팀은 올바른 운영 탄력성을 구축하기 위한 주요 API 범주를 식별할 수 있었습니다. 검색의 다음 개정판은 자연어를 기반으로 하며 대화형 사용 사례가 될 것입니다.

BIAN 서비스 도메인을 기반으로 중복 API를 식별하는 기능은 중복 기능을 합리화하는 동시에 이를 해결하는 현대화 전략을 수립하는 데 도움이 되었습니다.

이 사용 사례는 6~8주 내에 실현된 반면, 은행에서는 검색할 API가 수천 개에 달했기 때문에 동일한 결과를 얻는 데 XNUMX년이 걸렸습니다.

예 2: MuleSoft API를 Java Spring Boot API로 자동 현대화

문제: 현재 팀은 MuleSoft API를 Java Spring 부팅으로 현대화하는 과정에 있었지만 엄청난 양의 API, 문서 부족, 복잡성 측면이 속도에 영향을 미쳤습니다.

생성적 AI 기반 솔루션 접근 방식: Java Spring 부팅 현대화에 대한 Mule API는 우리가 구축한 Generative AI 기반 가속기를 통해 크게 자동화되었습니다. 우리는 API, 구성 요소 및 API 논리에 대한 깊은 이해를 구축한 후 응답 구조와 코드를 마무리하는 것으로 시작했습니다. 그런 다음 IBM의 Sidekick AI 버전을 사용하여 MuleSoft의 API 사양, 단위 테스트 케이스, 디자인 문서 및 사용자 인터페이스를 충족하는 Spring 부팅 코드를 생성하는 프롬프트를 구축했습니다.

Mule API 구성 요소는 프롬프트를 사용하여 하나씩 도구에 제공되었으며 해당 Spring 부팅에 해당하는 항목이 생성되었으며 이후 발생한 오류를 해결하기 위해 함께 연결되었습니다. 가속기는 API, 단위 테스트 사례, 테스트 데이터 및 설계 문서에 통합될 수 있는 원하는 채널에 대한 UI를 생성했습니다. 생성되는 디자인 문서는 시퀀스 및 클래스 다이어그램, 요청, 응답, 엔드포인트 세부 정보, 오류 코드 및 아키텍처 고려 사항으로 구성됩니다.

주요 혜택: Sidekick AI는 심층적인 도메인 지식과 기술을 통해 상황에 맞는 다중 모델 생성 AI 기술 전략을 결합하여 애플리케이션 컨설턴트의 일상 업무를 강화합니다. 주요 이점은 다음과 같습니다.

• 최적화되고 깔끔하며 모범 사례를 준수하는 대부분의 Spring Boot 코드와 테스트 사례를 생성합니다. 핵심은 반복성입니다.
• 채널 프런트엔드 레이어와 API의 통합이 용이합니다.
• 개발자의 코드에 대한 이해가 쉽고, 코드 디버깅에 대한 통찰력이 충분합니다.

Accelerator PoC는 4주에 걸쳐 3번의 스프린트를 통해 코드 마이그레이션, 단위 테스트 사례, 디자인 문서화 및 UI 생성의 6가지 시나리오로 완료되었습니다.

결론

많은 CIO/CTO는 처음에 제기된 수많은 과제(SME에 필요한 시간, 변경으로 인한 비즈니스에 미치는 영향, 보안 전반의 운영 모델 변경, 변경 관리 등)로 인해 현대화 이니셔티브를 시작하는 데 의구심을 갖고 있었습니다. 조직 등. Generative AI는 모든 문제를 해결할 수 있는 만능은 아니지만 가속화, 현대화 비용 절감, 더 중요하게는 현재 기능이 누락되지 않도록 보장함으로써 위험 제거를 통해 프로그램을 지원합니다. 그러나 LLM 모델과 라이브러리를 기업 환경 요구 사항(상당한 보안 및 규정 준수 검토 및 검색)에 적용하려면 시간과 노력이 필요하다는 점을 이해해야 합니다. 또한 모델 튜닝에 필요한 데이터의 품질을 향상시키기 위한 집중적인 노력이 필요합니다. 응집력 있는 Generative AI 기반 현대화 가속기는 아직 출시되지 않았지만 시간이 지나면 특정 현대화 패턴을 가속화하는 데 도움이 되는 통합 툴킷이 등장하기 시작할 것입니다.