Olhe nos bastidores de qualquer aplicativo móvel ou interface comercial inteligente e, bem abaixo das camadas de integração e serviço da arquitetura de aplicativos de qualquer grande empresa, você provavelmente encontrará mainframes comandando o show.

Aplicações críticas e sistemas de registro estão usando esses sistemas principais como parte de uma infraestrutura híbrida. Qualquer interrupção na sua operação contínua pode ser desastrosa para a integridade operacional contínua do negócio. Tanto é verdade que muitas empresas têm medo de fazer mudanças substanciais neles.

Mas a mudança é inevitável, à medida que a dívida técnica se acumula. Para alcançar agilidade nos negócios e acompanhar os desafios competitivos e a demanda dos clientes, as empresas devem modernizar absolutamente essas aplicações. Em vez de adiar a mudança, os líderes devem procurar novas formas de acelerar a transformação digital na sua estratégia híbrida.

Não culpe o COBOL pelos atrasos na modernização

O maior obstáculo à modernização do mainframe é provavelmente a escassez de talentos. Muitos dos especialistas em mainframe e aplicativos que criaram e anexaram bases de código COBOL empresariais ao longo dos anos provavelmente seguiram em frente ou estão se aposentando em breve.

Mais assustador ainda, será difícil recrutar a próxima geração de talentos, já que os recém-formados em ciência da computação que aprenderam Java e linguagens mais recentes não se imaginarão naturalmente desenvolvendo aplicativos de mainframe. Para eles, o trabalho pode não parecer tão atraente quanto o design de aplicativos móveis ou tão ágil quanto o desenvolvimento nativo da nuvem. Em muitos aspectos, esta é uma predisposição bastante injusta.

O COBOL foi criado muito antes mesmo de a orientação a objetos existir - muito menos a orientação a serviços ou a computação em nuvem. Com um conjunto simples de comandos, não deve ser uma linguagem complicada para os desenvolvedores mais novos aprenderem ou entenderem. E não há razão para que os aplicativos de mainframe não se beneficiem do desenvolvimento ágil e de lançamentos menores e incrementais dentro de um pipeline automatizado no estilo DevOps.

Descobrindo o que diferentes equipes fizeram com COBOL ao longo dos anos é o que torna tão difícil gerenciar a mudança. Os desenvolvedores fizeram inúmeras adições e loops lógicos em um sistema processual que deve ser verificado e atualizado como um todo, e não como componentes ou serviços fracamente acoplados.

Com códigos e programas entrelaçados no mainframe dessa maneira, as interdependências e os possíveis pontos de falha são muito complexos e numerosos para serem desvendados até mesmo por desenvolvedores qualificados. Isso faz com que o desenvolvimento de aplicativos COBOL pareça mais assustador do que o necessário, fazendo com que muitas organizações procurem alternativas fora do mainframe prematuramente.

Superando as limitações da IA ​​generativa

Ultimamente, temos visto vários exageros em torno da IA ​​generativa (ou GenAI) devido à ampla disponibilidade de grandes modelos de linguagem (LLMs), como ChatGPT e geradores de imagens visuais de IA para o consumidor.

Embora muitas possibilidades interessantes estejam surgindo neste espaço, há um incômodo “fator de alucinação” dos LLMs quando aplicados a fluxos de trabalho críticos de negócios. Quando as IAs são treinadas com conteúdo encontrado na Internet, muitas vezes podem fornecer diálogos convincentes e credíveis, mas não respostas totalmente precisas. Por exemplo, ChatGPT citou recentemente jurisprudência imaginária precedentes em um tribunal federal, o que poderia resultar em sanções para o advogado preguiçoso que o utilizou.

Existem problemas semelhantes em confiar em uma IA de chatbot para codificar um aplicativo de negócios. Embora um LLM generalizado possa fornecer sugestões gerais razoáveis ​​sobre como melhorar um aplicativo ou produzir facilmente um formulário de inscrição padrão ou codificar um jogo estilo asteróides, a integridade funcional de um aplicativo de negócios depende muito de quais dados de aprendizado de máquina o modelo de IA foi treinado com.

Felizmente, a pesquisa de IA voltada para a produção já estava em andamento há anos antes da chegada do ChatGPT. A IBM® vem construindo modelos de aprendizagem profunda e inferência sob sua marca watsonx™ e, como criadora e inovadora de mainframe, construiu modelos observacionais GenAI treinados e ajustados na transformação COBOL para Java.

O mais recente deles IBM watsonx™ Code Assistant para Z A solução usa processos baseados em regras e IA generativa para acelerar a modernização de aplicativos de mainframe. Agora, as equipes de desenvolvimento podem contar com um uso muito prático e corporativo de GenAI e automação para ajudar os desenvolvedores na descoberta de aplicativos, refatoração automática e transformação de COBOL para Java.

Modernização de aplicativos de mainframe em três etapas

Para tornar os aplicativos de mainframe tão ágeis e maleáveis ​​à mudança quanto qualquer outro aplicativo distribuído ou orientado a objetos, as organizações devem torná-los recursos de nível superior do pipeline de entrega contínua. O IBM watsonx Code Assistant for Z ajuda os desenvolvedores a trazer o código COBOL para o ciclo de vida de modernização do aplicativo por meio de três etapas:

1. Descoberta. Antes de modernizar, os desenvolvedores precisam descobrir onde é necessária atenção. Primeiro, a solução faz um inventário de todos os programas no mainframe, mapeando diagramas de fluxo arquitetônico para cada um, com todas as suas entradas e saídas de dados. O modelo de fluxo visual torna mais fácil para desenvolvedores e arquitetos identificarem dependências e becos sem saída óbvios na base de código.
2. Reestruturação. Esta fase trata de quebrar monólitos em uma forma mais consumível. O IBM watsonx Code Assistant for Z analisa bases de código de programas de longa execução para compreender a lógica de negócios pretendida do sistema. Ao desacoplar comandos e dados, como processos discretos, a solução refatora o código COBOL em componentes modulares de serviços de negócios.
3. Transformação. É aqui que a magia de um LLM ajustado à conversão corporativa de COBOL para Java pode fazer a diferença. O modelo GenAI traduz componentes do programa COBOL em classes Java, permitindo verdadeira orientação a objetos e separação de interesses, para que várias equipes possam trabalhar de maneira paralela e ágil. Os desenvolvedores podem então se concentrar em refinar o código em Java em um IDE, com a IA fornecendo sugestões antecipadas, muito parecido com um recurso de copiloto que você veria em outras ferramentas de desenvolvimento.

A versão Intellyx

Geralmente somos céticos em relação à maioria das afirmações dos fornecedores sobre IA, já que muitas vezes são simplesmente automação com outro nome.

Comparado a aprender todas as nuances da língua inglesa e especular sobre a base factual de palavras e parágrafos, dominar a sintaxe e as estruturas de linguagens como COBOL e Java parece ser o caminho certo para GenAI.

Modelos de IA generativa projetados para empresas como IBM watsonx Code Assistant for Z podem reduzir o esforço e os custos de modernização para as organizações com recursos mais limitados do mundo. Aplicativos em plataformas conhecidas com milhares de linhas de código são campos de treinamento ideais para modelos generativos de IA, como IBM watsonx Code Assistant for Z.

Mesmo em ambientes com recursos limitados, a GenAI pode ajudar as equipes a superar obstáculos de modernização e aumentar as capacidades até mesmo dos desenvolvedores de mainframe mais novos para fazer melhorias significativas na agilidade e resiliência em seus principais aplicativos de negócios mais críticos.

Para saber mais, veja as outras postagens desta série de liderança inovadora de analistas da Intellyx:

Acelere a modernização de aplicativos de mainframe com IA generativa

©2024 Intellyx B.V. A Intellyx é editorialmente responsável por este documento. Nenhum bot de IA foi usado para escrever este conteúdo. No momento em que este artigo foi escrito, a IBM era cliente da Intellyx.