Uygulama modernizasyonu, eski uygulamaları modern teknolojilerden yararlanarak güncelleme, performansı artırma ve DevOps, Kod Olarak Altyapı (IAC) ve benzeri bulut yerel ilkelerini aşılayarak gelişen iş hızlarına uyarlanabilir hale getirme sürecidir. Uygulama modernizasyonu, mevcut eski uygulamaların, verilerin ve altyapının değerlendirilmesi ve istenen sonuca ulaşmak için doğru modernizasyon stratejisinin (yeniden barındırma, yeniden platform, yeniden düzenleme veya yeniden oluşturma) uygulanmasıyla başlar.

Yeniden barındırma, maksimum fayda sağlarken, yüksek derecede yatırıma ihtiyaç duyulurken, yeniden barındırma, uygulamaları ve verileri herhangi bir optimizasyon olmadan buluta taşımakla ilgilidir ve bu, değer düşükken daha az yatırım gerektirir. Modernize edilmiş uygulamalar, teknolojiye ve iş gelişmelerine ayak uydurmak için sürekli yinelemelerle dağıtılır, izlenir ve bakımı yapılır. Gerçekleştirilen tipik faydalar artan çeviklik, maliyet etkinliği ve rekabet gücü arasında değişirken, zorluklar karmaşıklığı ve kaynak taleplerini içerir. Pek çok kuruluş, buluta geçmenin onlara temel platform düzeyinde otomasyonun ötesinde istenen değeri veya çevikliği/hızı sağlamadığının farkına varıyor. Asıl sorun, mevcut uygulamaların/hizmetlerin nasıl oluşturulduğunu ve yönetildiğini yansıtan BT'nin nasıl organize edildiğidir (bkz. Conway yasası). Bu da sırasıyla aşağıdaki zorluklara yol açmaktadır:

• Birden fazla BT sistemi/bileşeni tarafından sunulan yinelenen veya örtüşen yetenekler, üretkenliği ve pazara sunma hızını etkileyen yapışkan bağımlılıklar ve çoğalmalar yaratır.
• Uygulamalar ve kanallar genelinde yinelenen yetenekler, yinelenen BT kaynaklarına (örneğin, beceriler ve altyapı) yol açar
• İş kurallarının ve benzerlerinin kopyalanmasına neden olan yinelenen yetenekler (veriler dahil), tutarsız müşteri deneyimine yol açar.
• BT yeteneklerinin iş yetenekleriyle uyumlu hale getirilmemesi, pazara çıkış süresini ve iş BT'sini etkiler. Buna ek olarak, işletmeler yeni iş girişimlerini ve yenilikleri desteklemek için çeşitli yara bantları ve mimari katmanlar inşa etmektedir.

Bu nedenle, uygulama modernizasyon girişimlerinin işe kattığı değere daha fazla odaklanması gerekiyor ve bu, uygulamaların iş yetenekleriyle uyumlu bileşenlere ve hizmetlere dönüştürülmesinin önemli bir unsurunu içeriyor. Bununla ilgili en büyük zorluk, ihtiyaç duyulan yatırım miktarıdır ve birçok CIO/CTO, değerin gerçekleştirilmesinin gerektirdiği maliyet ve zaman çizelgeleri nedeniyle yatırım yapmakta tereddüt etmektedir. Birçoğu bu sorunu, belirli modernizasyon alanlarını hızlandırmaya yardımcı olan, kurumsal tüketime göre özelleştirilebilen hızlandırıcılar oluşturarak ele alıyor ve IBM'den buna bir örnek: IBM Danışmanlık Bulut Hızlandırıcıları. Üretken yapay zeka, modernizasyon sürecini hızlandırmaya ve maliyetini optimize etmeye çalışırken, modernizasyon programlarını hızlandırma yöntemimizde değişimi teşvik eden kritik bir kolaylaştırıcı haline geliyor. Bu makalede bir örnekle temel hızlanma alanlarını inceleyeceğiz.

Uygulama modernizasyon programlarının basitleştirilmiş bir yaşam döngüsü (kapsamlı olması amaçlanmamıştır) aşağıda gösterilmektedir. Discovery, eski uygulamayı, altyapıyı, verileri, uygulamalar, hizmetler ve veriler arasındaki etkileşimi ve güvenlik gibi diğer hususları anlamaya odaklanır. Planlama, karmaşık uygulama portföyünü yinelemeli bir yol haritası oluşturmak için modernize edilecek yinelemelere ayırır ve yol haritasını uygulamak için bir yürütme planı oluşturur.

Taslak/Tasarım aşaması etkinlikleri, modernizasyon stratejisine göre değişir (uygulamanın ayrıştırılması ve etki alanı odaklı tasarımdan yararlanılması veya yürütülebilir tasarımlar oluşturmak için yeni teknolojiye dayalı hedef mimarinin oluşturulması). Sonraki aşamalar oluşturma, test etme ve üretime dağıtmadır. Bu yaşam döngüsü alanlarındaki Üretken Yapay Zeka olanaklarını keşfedelim.

Keşif ve tasarım:

Minimum KOBİ katılımıyla eski uygulamaları anlama yeteneği kritik bir hızlanma noktasıdır. Bunun nedeni, genel olarak KOBİ'lerin sistemleri devreye sokma girişimleriyle meşgul olmaları, ancak sistemleri ne kadar süredir desteklediklerine bağlı olarak bilgilerinin sınırlı olabilmesidir. Modernizasyon sırasında keşif ve tasarım toplu olarak önemli miktarda zaman harcanırken, ekip eski uygulama işlevselliğini, entegrasyon özelliklerini, mantığı ve veri karmaşıklığını çözdükten sonra geliştirme çok daha kolaylaşır.

Modernizasyon ekipleri kod analizlerini gerçekleştirir ve çeşitli belgeleri (çoğunlukla tarihli) inceler; Kod analiz araçlarına güvenmenin önem kazandığı yer burasıdır. Ayrıca, yeniden yazma girişimleri için, etki alanına dayalı tasarım/ayrıştırma alıştırmalarının etkili bir şekilde gerçekleştirilebilmesi için işlevsel yeteneklerin eski uygulama bağlamıyla eşleştirilmesi gerekir. Üretken yapay zeka, etki alanı/işlevsel yetenekleri kod ve verilerle ilişkilendirme ve iş yetenekleri görünümü ve bağlantılı uygulama kodu ve verileri oluşturma yeteneği sayesinde burada çok kullanışlı hale geliyor; elbette modellerin belirli bir kurumsal etki alanı modeli veya işlevsel yetenek için ayarlanması/bağlamlaştırılması gerekiyor harita. Bu makalede sözü edilen üretken yapay zeka destekli API eşlemesi bunun küçük bir örneğidir. Yukarıdakiler uygulama ayrıştırma/tasarımına yönelik olsa da, olay fırtınası süreç haritalarına ihtiyaç duyar ve bu noktada Üretken Yapay Zeka, süreç madenciliği araçlarından alıntıların bağlamsallaştırılmasına ve haritalandırılmasına yardımcı olur. Üretken yapay zeka ayrıca kod öngörülerine ve işlevsel haritalamaya dayalı kullanım senaryolarının oluşturulmasına da yardımcı olur. Genel olarak, Üretken Yapay Zeka, eski uygulamaların yanı sıra bağımlılıklar için de yeterli görünürlük sağlayarak modernizasyon programlarının risklerinin azaltılmasına yardımcı olur.

Üretken yapay zeka ayrıca modelleri bir dizi standartlaştırılmış modele (giriş/çıkış, uygulama hizmetleri, veri hizmetleri, bileşik modeller vb.) göre ayarlayarak belirli bulut hizmeti sağlayıcı çerçevesi için hedef tasarım oluşturulmasına yardımcı olur. Benzer şekilde, güvenlik kontrolleri için hedef teknoloji çerçevesine özgü kod modellerinin oluşturulmasını içeren birkaç başka Üretken Yapay Zeka kullanım durumu da vardır. Üretken yapay zeka, kullanıcı hikayeleri, Kullanıcı Deneyimi Tel Çerçeveleri, API Spesifikasyonları (örneğin, Swagger dosyaları), bileşen ilişki diyagramı ve bileşen etkileşim diyagramları gibi ayrıntılı tasarım spesifikasyonlarının oluşturulmasına yardımcı olur.

Planlama:

Bir modernizasyon programının zor görevlerinden biri, paralel çabaları sıralı bağımlılıklara karşı dengelerken ve ele alınacak birlikte yaşama senaryolarını belirlerken bir makro yol haritası oluşturabilmektir. Bu normalde tek seferlik bir görev olarak (Program Artışları (PI'ler) yoluyla sürekli yeniden düzenleme) yapılsa da, yürütme düzeyindeki girdileri içeren planlama egzersizleri çok daha zordur. Üretken yapay zeka, geçmiş verilere (etki alanı haritalarına yönelik uygulamalar, çaba ve karmaşıklık faktörleri ve bağımlılık kalıpları vb. uygulamalar) dayalı yol haritaları oluşturabilmek ve bunu belirli bir sektör için bir modernizasyon programı kapsamındaki uygulamalara uygulayabilmek için kullanışlıdır. veya etki alanı.

Bu sorunu çözmenin tek yolu, kurumsal karmaşıklığı giderebilecek bir dizi varlık ve hızlandırıcı aracılığıyla onu tüketilebilir hale getirmektir. İşte bu noktada Üretken Yapay Zeka, uygulama portföyü ayrıntılarını keşfedilen bağımlılıklarla ilişkilendirmede önemli bir rol oynuyor.

Oluşturun ve test edin:

Kod oluşturmak, bilinen en geniş Üretken Yapay Zeka kullanım senaryolarından biridir, ancak IAC (Terraform veya Bulut Oluşumu Şablonu), boru hattı kodu/yapılandırmaları, yerleşik güvenlik tasarım noktaları ( şifreleme, IAM entegrasyonları vb.), havalı uygulamalardan veya diğer kod içgörülerinden (eskiden) uygulama kodu oluşturma ve güvenlik duvarı yapılandırmaları (örneklenen hizmetlere dayalı kaynak dosyaları olarak vb.). Üretken yapay zeka, tasarım araçlarının çıktılarını birleştirirken, kalıplardan oluşturulan önceden tanımlanmış uygulama referans mimarilerine dayalı olarak düzenlenmiş bir yaklaşım aracılığıyla yukarıdakilerin her birinin oluşturulmasına yardımcı olur.

Test başka bir önemli alandır; Üretken yapay zeka, yürütülen test senaryolarını optimize etmek için test verileriyle birlikte doğru test senaryoları ve test kodunu oluşturabilir.

Sürüş:

Kurumsal karmaşıklığa bağlı olarak genellikle günler veya haftalar süren birkaç son kilometre etkinliği vardır. Güvenlik doğrulaması için öngörüler oluşturma yeteneği (uygulama ve platform günlüklerinden, tasarım noktalarından, IAC'den vb.), hızlandırılmış güvenlik incelemesi ve onay döngülerine yardımcı olacak önemli bir kullanım durumudur. Yapılandırma yönetimi girdileri oluşturmak (CMDB için) ve sürüm başına tamamlanan Agility aracı iş öğelerinden oluşturulan sürüm notlarına göre yönetim girdilerini değiştirmek, Üretken Yapay Zekanın temel kaldıraç alanlarıdır.

Modernizasyon aşamaları boyunca yukarıda bahsedilen kullanım senaryoları sihirli bir çözüm gibi görünse de, kurumsal karmaşıklıklar, değer elde edebilmek için yukarıdaki Üretken Yapay Zeka kullanım senaryolarına dayalı hızlandırıcıların çoğunun bağlamsal olarak düzenlenmesini gerektirecektir ve kurumsal bağlamsal modeller oluşturmaktan çok uzağız. modernizasyon programlarının hızlandırılmasına yardımcı olur. Bu Üretken Yapay Zeka hızlandırıcılarının birçoğunun, potansiyel tekrarlanabilirliğe dayalı belirli modeller için özelleştirilmesine önceden (ve devam eden) zaman ve enerji yatırımı yapmanın önemli faydalarını gördük.

Şimdi potansiyel olarak kanıtlanmış bir örneği inceleyelim:

Örnek 1: Etki alanı eşlemesinin görünürlüğü ve yinelenen API hizmetlerinin tanımlanması için API Discovery'nin BIAN ve AI ile yeniden tasarlanması

Sorun: Large Global Bank'ın çeşitli alanlarda (örn. perakende bankacılık, toptan bankacılık, açık bankacılık ve kurumsal bankacılık) zaman içinde geliştirilen 30000'den fazla API'si (hem dahili hem de harici) vardır. Etki alanları arasında çok büyük yinelenen API potansiyeli mevcut olup, bu da geniş API portföyünü sürdürmek için daha yüksek toplam sahip olma maliyetine ve API çoğaltma ve çakışmayla başa çıkma konusundaki operasyonel zorluklara yol açar. API'lerin görünürlüğü ve keşfedilmemesi, API Geliştirme ekiplerinin yeniden kullanım için ilgili API'leri bulmak yerine aynı veya benzer API'leri geliştirmesine yol açar. API portföyünün Bankacılık Sektörü Modeli perspektifinden görselleştirilememesi, İşletme ve BT ekiplerinin halihazırda mevcut olan yetenekleri ve banka için hangi yeni yeteneklerin gerekli olduğunu anlamasını kısıtlamaktadır.

Üretken yapay zeka tabanlı çözüm yaklaşımı: Çözüm, bankanın API portföyünü öğrenmek ve BIAN'a otomatik eşleme ile API'leri keşfetme yeteneği sağlamak için BIAN Hizmet Ortamı bilgisiyle ince ayarlı BERT Büyük Dil Modeli, Cümle Transformatörü, Çoklu Negatif Sıralama Kaybı İşlevi ve etki alanı kurallarından yararlanır. API Uç Nokta Yöntemini 4. seviye BIAN Hizmet Ortamı Hiyerarşisine, yani BIAN Hizmet Operasyonlarına eşler.

Çözümün temel işlevleri şunları yapabilme yeteneğidir:

• Swagger spesifikasyonlarını ve diğer API belgelerini alın ve API'yi, uç noktaları, işlemleri ve ilgili açıklamaları anlayın.
• BIAN ayrıntılarını alın ve BIAN Hizmet Ortamını anlayın.
• API Uç Nokta Yöntemi ile BIAN Hizmet Ortamı arasında eşleşen ve benzersiz eşlemeyle ince ayar yapın.
• BIAN Hiyerarşik gezinme ve BIAN düzeyleri, API Kategorisi ve eşleştirme puanı için filtreler ile eşleme ve eşleştirme puanının görsel bir temsilini sağlayın.

Genel mantıksal görünüm (Açık Yığın tabanlı) aşağıdaki gibidir:

Endüstri Modeli ile API Keşfi için Kullanıcı Arayüzü:

Anahtar Yararları: Çözüm, geliştiricilerin BIAN iş alanlarına dayalı olarak yeniden kullanılabilir API'leri kolayca bulmasına yardımcı oldu; API'leri bulmak için birden fazla filtre/arama seçeneği vardı. Ayrıca ekipler, doğru operasyonel dayanıklılığı oluşturmaya yönelik temel API kategorilerini belirleyebildi. Aramanın bir sonraki revizyonu doğal dili temel alacak ve konuşma amaçlı bir kullanım örneği olacaktır.

BIAN hizmet alanlarına dayalı yinelenen API'leri belirleme yeteneği, yinelenen yetenekleri ele alırken bunları rasyonelleştiren bir modernizasyon stratejisinin oluşturulmasına yardımcı oldu.

Bu kullanım durumu 6-8 hafta içinde gerçekleştirildi, oysa bankanın aynı sonucu elde etmesi bir yılı alacaktı (keşfedilecek binlerce API olduğu için).

Örnek 2: MuleSoft API'nin Java Spring Boot API'ye otomatik modernizasyonu

Sorun: Mevcut ekipler MuleSoft API'lerini Java Spring önyüklemesine modernize etme yolculuğundayken, API'lerin büyük hacmi, dokümantasyon eksikliği ve karmaşıklık yönleri hızı etkiliyordu.

Üretken Yapay Zeka Tabanlı Çözüm Yaklaşımı: Java Spring önyükleme modernizasyonuna yönelik Mule API'si, geliştirdiğimiz Üretken AI tabanlı bir hızlandırıcı aracılığıyla önemli ölçüde otomatikleştirildi. API'ler, bileşenler ve API mantığı hakkında derinlemesine bir anlayış oluşturarak başladık ve ardından yanıt yapılarını ve kodunu sonlandırdık. Bunu, MuleSoft'un API özelliklerini, birim test senaryolarını, tasarım belgesini ve kullanıcı arayüzünü karşılayan Spring önyükleme kodunu oluşturmak için IBM'in Sidekick AI sürümünü kullanan istemlerin oluşturulması izledi.

Mule API bileşenleri, istemler kullanılarak tek tek araca sağlandı ve karşılık gelen Spring önyükleme eşdeğeri oluşturuldu; bunlar daha sonra ortaya çıkan hataları gidererek birbirine bağlandı. Hızlandırıcı, istenen kanal için API'lere, birim test senaryolarına, test verilerine ve tasarım belgelerine entegre edilebilecek kullanıcı arayüzü oluşturdu. Oluşturulan bir tasarım belgeleri, sıra ve sınıf diyagramı, istek, yanıt, uç nokta ayrıntıları, hata kodları ve mimari hususlarından oluşur.

Anahtar Yararları: Sidekick AI, derin alan bilgisi ve teknolojisi aracılığıyla bağlamsallaştırılmış çok modelli Üretken Yapay Zeka teknik stratejisini eşleştirerek Uygulama Danışmanlarının günlük çalışmalarını artırır. Başlıca faydaları aşağıdaki gibidir:

• Spring Boot kodunun çoğunu ve optimize edilmiş, temiz ve en iyi uygulamalara bağlı test senaryolarını oluşturur; anahtar, tekrarlanabilirliktir.
• API'lerin kanal ön uç katmanlarıyla entegrasyon kolaylığı.
• Geliştirici kodunun anlaşılması kolaylığı ve kodda hata ayıklama konusunda yeterli bilgi.

Hızlandırıcı PoC'si, 4 hafta boyunca 3 sprintte 6 farklı kod geçişi senaryosu, birim test senaryoları, tasarım belgeleri ve kullanıcı arayüzü oluşturma ile tamamlandı.

Sonuç

Birçok CIO'nun/CTO'nun, başlangıçta dile getirilen çok sayıda zorluk nedeniyle modernizasyon girişimlerine girişme konusunda kendi çekinceleri vardı: ihtiyaç duyulan KOBİ süresi, değişim nedeniyle iş üzerindeki etki, güvenlik genelinde işletim modeli değişikliği, değişiklik yönetimi ve diğer birçok zorluk organizasyonlar vb. Üretken AI, tüm sorunları çözecek sihirli bir değnek olmasa da, hızlandırma, modernizasyon maliyetinde azalma ve daha da önemlisi mevcut hiçbir işlevselliğin kaçırılmamasını sağlayarak riskleri azaltma yoluyla programa yardımcı olur. Ancak, LLM Modellerini ve kitaplıklarını kurumsal ortam ihtiyaçlarına, önemli güvenlik ve uyumluluk incelemeleri ve taramalarına getirmenin zaman ve çaba gerektirdiğini anlamak gerekir. Ayrıca, modellerin ayarlanması için gereken verilerin veri kalitesinin iyileştirilmesine odaklanılmış bir çaba da gerektirir. Uyumlu, Üretken Yapay Zeka odaklı modernizasyon hızlandırıcıları henüz mevcut olmasa da, zamanla çok fazla olmasa da belirli modernizasyon modellerini hızlandırmaya yardımcı olan bu tür entegre araç setlerinin ortaya çıktığını görmeye başlayacağız.