Kijk achter de schermen van elke gelikte mobiele applicatie of commerciële interface, en diep onder de integratie- en servicelagen van de applicatiearchitectuur van elke grote onderneming zul je waarschijnlijk mainframes aantreffen die de show draaien.

Kritische applicaties en registratiesystemen gebruiken deze kernsystemen als onderdeel van een hybride infrastructuur. Elke onderbreking van hun lopende activiteiten zou rampzalig kunnen zijn voor de voortdurende operationele integriteit van het bedrijf. Zozeer zelfs dat veel bedrijven bang zijn om er inhoudelijke veranderingen in aan te brengen.

Maar verandering is onvermijdelijk, omdat de technische schulden zich opstapelen. Om bedrijfsflexibiliteit te bereiken en gelijke tred te houden met de concurrentie-uitdagingen en de vraag van klanten, moeten bedrijven deze toepassingen absoluut moderniseren. In plaats van veranderingen uit te stellen, moeten leiders nieuwe manieren zoeken om de digitale transformatie in hun hybride strategie te versnellen.

Geef COBOL niet de schuld van vertragingen bij de modernisering

Het grootste obstakel voor de modernisering van mainframes is waarschijnlijk een tekort aan talent. Veel van de mainframe- en applicatie-experts die in de loop der jaren COBOL-codebases voor bedrijven hebben gemaakt en toegevoegd, zijn waarschijnlijk verhuisd of gaan binnenkort met pensioen.

En nog beangstigender is dat de volgende generatie talent moeilijk te werven zal zijn, omdat nieuwere afgestudeerden in de computerwetenschappen die Java en nieuwere talen hebben geleerd zich niet vanzelf zullen voorstellen dat ze zich bezighouden met de ontwikkeling van mainframeapplicaties. Voor hen lijkt het werk misschien niet zo sexy als het ontwerpen van mobiele apps of zo wendbaar als cloud-native ontwikkeling. In veel opzichten is dit een nogal oneerlijke predispositie.

COBOL werd gecreëerd lang voordat objectoriëntatie zelfs maar een ding was – laat staan ​​serviceoriëntatie of cloud computing. Met een beperkte reeks opdrachten zou het voor nieuwere ontwikkelaars geen ingewikkelde taal moeten zijn om te leren of te begrijpen. En er is geen reden waarom mainframeapplicaties niet zouden profiteren van flexibele ontwikkeling en kleinere, incrementele releases binnen een geautomatiseerde pijplijn in DevOps-stijl.

Uitzoeken wat verschillende teams door de jaren heen met COBOL hebben gedaan Dat maakt het zo lastig om veranderingen te managen. Ontwikkelaars hebben eindeloze toevoegingen en logische loops gemaakt aan een procedureel systeem dat als geheel moet worden uitgecheckt en bijgewerkt, in plaats van als componenten of losjes gekoppelde services.

Omdat code en programma's op deze manier met elkaar verweven zijn op het mainframe, zijn onderlinge afhankelijkheden en potentiële faalpunten te complex en te talrijk om zelfs ervaren ontwikkelaars te kunnen ontwarren. Hierdoor voelt de ontwikkeling van COBOL-apps meer intimiderend aan dan nodig is, waardoor veel organisaties voortijdig op zoek gaan naar alternatieven buiten het mainframe.

De beperkingen van generatieve AI overwinnen

We hebben de laatste tijd talloze hypes rond generatieve AI (of GenAI) gezien vanwege de wijdverbreide beschikbaarheid van grote taalmodellen (LLM's) zoals ChatGPT en visuele AI-beeldgeneratoren van consumentenkwaliteit.

Hoewel er op dit gebied veel coole mogelijkheden ontstaan, is er een zeurende ‘hallucinatiefactor’ van LLM’s wanneer ze worden toegepast op kritische zakelijke workflows. Wanneer AI's worden getraind met inhoud die op internet te vinden is, kunnen ze vaak overtuigende en geloofwaardige dialogen opleveren, maar geen volledig nauwkeurige antwoorden. Bijvoorbeeld, ChatGPT haalde onlangs denkbeeldige jurisprudentie aan precedenten in een federale rechtbank, wat zou kunnen resulteren in sancties voor de luie advocaat die er gebruik van maakte.

Er zijn vergelijkbare problemen bij het vertrouwen van een chatbot-AI om een ​​bedrijfsapplicatie te coderen. Hoewel een gegeneraliseerde LLM redelijke algemene suggesties kan bieden voor het verbeteren van een app of voor het eenvoudig produceren van een standaardinschrijvingsformulier of het coderen van een asteroïde-achtig spel, hangt de functionele integriteit van een bedrijfsapplicatie sterk af van de machine learning-gegevens waarmee het AI-model is getraind. met.

Gelukkig was er al jaren productiegericht AI-onderzoek aan de gang voordat ChatGPT arriveerde. IBM® heeft deep learning- en inferentiemodellen gebouwd onder hun merk watsonx™, en als bedenker en innovator van mainframes hebben ze observationele GenAI-modellen gebouwd die zijn getraind en afgestemd op COBOL-naar-Java-transformatie.

Hun laatste IBM watsonx™ Code-assistent voor Z oplossing maakt gebruik van zowel op regels gebaseerde processen als generatieve AI om de modernisering van mainframeapplicaties te versnellen. Nu kunnen ontwikkelingsteams steunen op een zeer praktisch en ondernemingsgericht gebruik van GenAI en automatisering om ontwikkelaars te helpen bij het ontdekken van applicaties, automatische refactoring en COBOL-naar-Java-transformatie.

Modernisering van mainframeapplicaties in drie stappen

Om mainframeapplicaties net zo wendbaar en veranderbaar te maken als elke andere objectgeoriënteerde of gedistribueerde applicatie, moeten organisaties deze tot topfuncties van de continue leveringspijplijn maken. IBM Watsonx Code Assistant for Z helpt ontwikkelaars COBOL-code in de moderniseringslevenscyclus van applicaties te brengen via drie stappen:

1. Ontdekking. Voordat ze moderniseren, moeten ontwikkelaars uitzoeken waar aandacht nodig is. Ten eerste inventariseert de oplossing alle programma's op het mainframe en brengt voor elk daarvan architecturale stroomdiagrammen in kaart, met al hun gegevensinvoer en -uitvoer. Het visuele stroommodel maakt het gemakkelijker voor ontwikkelaars en architecten om afhankelijkheden en voor de hand liggende doodlopende wegen binnen de codebasis te ontdekken.
2. Refactoring. In deze fase draait alles om het opbreken van monolieten in een meer consumeerbare vorm. IBM Watsonx Code Assistant for Z kijkt naar langlopende programmacodebases om de beoogde bedrijfslogica van het systeem te begrijpen. Door opdrachten en gegevens, zoals afzonderlijke processen, te ontkoppelen, herstructureert de oplossing de COBOL-code in modulaire bedrijfsservicecomponenten.
3. Transformatie. Hier kan de magie van een LLM die is afgestemd op zakelijke COBOL-naar-Java-conversie een verschil maken. Het GenAI-model vertaalt COBOL-programmacomponenten naar Java-klassen, waardoor echte objectoriëntatie en scheiding van zorgen mogelijk wordt, zodat meerdere teams parallel en flexibel kunnen werken. Ontwikkelaars kunnen zich vervolgens concentreren op het verfijnen van code in Java in een IDE, waarbij de AI vooruitkijkende suggesties geeft, net zoals een co-pilootfunctie die je in andere ontwikkeltools zou zien.

De Intellyx-opname

We staan ​​over het algemeen sceptisch tegenover de meeste beweringen van leveranciers over AI, omdat het vaak simpelweg automatisering onder een andere naam is.

Vergeleken met het leren van alle nuances van de Engelse taal en het speculeren op de feitelijke basis van woorden en alinea's, lijkt het beheersen van de syntaxis en structuren van talen als COBOL en Java helemaal in het straatje van GenAI.

Generatieve AI-modellen die zijn ontworpen voor bedrijven als IBM watsonx Code Assistant for Z kunnen de moderniseringsinspanningen en -kosten verminderen voor 's werelds organisaties met de meeste middelen. Applicaties op bekende platforms met duizenden regels code zijn ideale oefenterreinen voor generatieve AI-modellen zoals IBM Watsonx Code Assistant for Z.

Zelfs in omgevingen met beperkte middelen kan GenAI teams helpen moderniseringshindernissen te overwinnen en de mogelijkheden van nog nieuwere mainframe-ontwikkelaars te vergroten om aanzienlijke verbeteringen aan te brengen in de flexibiliteit en veerkracht bovenop hun meest kritische kernbedrijfsapplicaties.

Zie voor meer informatie de andere berichten in deze Intellyx-serie over thought leadership voor analisten:

Versnel de modernisering van mainframe-applicaties met generatieve AI

©2024 Intellyx B.V. Intellyx is redactioneel verantwoordelijk voor dit document. Er zijn geen AI-bots gebruikt om deze inhoud te schrijven. Op het moment van schrijven is IBM een klant van Intellyx.