Hiện đại hóa ứng dụng là quá trình cập nhật các ứng dụng cũ tận dụng các công nghệ hiện đại, nâng cao hiệu suất và giúp ứng dụng có thể thích ứng với tốc độ kinh doanh đang phát triển bằng cách áp dụng các nguyên tắc gốc của đám mây như DevOps, Cơ sở hạ tầng dưới dạng mã (IAC), v.v. Hiện đại hóa ứng dụng bắt đầu bằng việc đánh giá các ứng dụng, dữ liệu và cơ sở hạ tầng cũ hiện tại, đồng thời áp dụng chiến lược hiện đại hóa phù hợp (lưu trữ lại, tái cấu trúc hoặc xây dựng lại) để đạt được kết quả mong muốn.

Mặc dù việc xây dựng lại mang lại lợi ích tối đa nhưng cần có mức đầu tư cao, trong khi lưu trữ lại là về việc di chuyển các ứng dụng và dữ liệu như vậy lên đám mây mà không cần bất kỳ tối ưu hóa nào và điều này đòi hỏi ít đầu tư hơn trong khi giá trị thấp. Các ứng dụng hiện đại hóa được triển khai, giám sát và duy trì với các lần lặp lại liên tục để theo kịp các tiến bộ về công nghệ và kinh doanh. Các lợi ích điển hình nhận được sẽ bao gồm tăng tính linh hoạt, hiệu quả chi phí và khả năng cạnh tranh, trong khi các thách thức bao gồm độ phức tạp và nhu cầu tài nguyên. Nhiều doanh nghiệp nhận ra rằng việc chuyển sang đám mây không mang lại cho họ giá trị mong muốn cũng như sự linh hoạt/tốc độ ngoài khả năng tự động hóa cấp nền tảng cơ bản. Vấn đề thực sự nằm ở cách tổ chức CNTT, điều này phản ánh cách xây dựng và quản lý các ứng dụng/dịch vụ hiện tại của họ (tham khảo phần Định luật Conway). Điều này lần lượt dẫn đến những thách thức sau:

• Khả năng trùng lặp hoặc chồng chéo do nhiều hệ thống/thành phần CNTT cung cấp sẽ tạo ra sự phụ thuộc và sự phát triển nhanh chóng, ảnh hưởng đến năng suất và tốc độ đưa ra thị trường.
• Khả năng trùng lặp giữa các ứng dụng và kênh làm phát sinh các tài nguyên CNTT trùng lặp (ví dụ: kỹ năng và cơ sở hạ tầng)
• Khả năng trùng lặp (bao gồm cả dữ liệu) dẫn đến trùng lặp các quy tắc kinh doanh và những điều tương tự làm phát sinh trải nghiệm khách hàng không nhất quán.
• Thiếu sự liên kết giữa khả năng CNTT với khả năng kinh doanh sẽ ảnh hưởng đến thời gian tiếp cận thị trường và CNTT của doanh nghiệp. Ngoài ra, các doanh nghiệp còn phải xây dựng một số lớp hỗ trợ và kiến ​​trúc để hỗ trợ các sáng kiến ​​và đổi mới kinh doanh mới.

Do đó, các sáng kiến ​​hiện đại hóa ứng dụng cần tập trung nhiều hơn vào giá trị đối với doanh nghiệp và điều này liên quan đến yếu tố quan trọng là chuyển đổi ứng dụng thành các thành phần và dịch vụ phù hợp với khả năng kinh doanh. Thách thức lớn nhất với việc này là số tiền đầu tư cần thiết và nhiều CIO/CTO ngần ngại đầu tư do chi phí và thời gian liên quan đến việc hiện thực hóa giá trị. Nhiều người đang giải quyết vấn đề này thông qua việc xây dựng các máy gia tốc có thể được tùy chỉnh cho nhu cầu tiêu dùng của doanh nghiệp nhằm giúp đẩy nhanh các lĩnh vực hiện đại hóa cụ thể và một ví dụ như vậy từ IBM là Công cụ tăng tốc đám mây tư vấn của IBM. Trong khi cố gắng thúc đẩy tăng tốc và tối ưu hóa chi phí hiện đại hóa, AI tổng quát đang trở thành một yếu tố tạo khả năng quan trọng để thúc đẩy sự thay đổi trong cách chúng ta tăng tốc các chương trình hiện đại hóa. Chúng ta sẽ khám phá các lĩnh vực tăng tốc chính bằng một ví dụ trong bài viết này.

Vòng đời đơn giản hóa của các chương trình hiện đại hóa ứng dụng (không có nghĩa là đầy đủ) được mô tả bên dưới. Discovery tập trung vào việc tìm hiểu ứng dụng cũ, cơ sở hạ tầng, dữ liệu, sự tương tác giữa các ứng dụng, dịch vụ và dữ liệu cũng như các khía cạnh khác như bảo mật. Việc lập kế hoạch chia nhỏ danh mục ứng dụng phức tạp thành các bước lặp để được hiện đại hóa nhằm thiết lập lộ trình lặp lại—và thiết lập kế hoạch thực hiện để triển khai lộ trình.

Các hoạt động trong giai đoạn Blueprint/Design thay đổi dựa trên chiến lược hiện đại hóa (từ phân tách ứng dụng và tận dụng thiết kế theo hướng miền hoặc thiết lập kiến ​​trúc mục tiêu dựa trên công nghệ mới để xây dựng các thiết kế có thể thực thi được). Các giai đoạn tiếp theo là xây dựng, thử nghiệm và triển khai vào sản xuất. Hãy cùng khám phá các khả năng sáng tạo của AI trên các lĩnh vực vòng đời này.

Khám phá và thiết kế

Khả năng hiểu các ứng dụng cũ với sự tham gia tối thiểu của SME là một điểm tăng tốc quan trọng. Điều này là do nhìn chung, các SME đang bận rộn với các sáng kiến ​​bật đèn hệ thống, trong khi kiến ​​thức của họ có thể bị hạn chế tùy theo thời gian họ đã hỗ trợ hệ thống. Nói chung, khám phá và thiết kế là nơi dành nhiều thời gian trong quá trình hiện đại hóa, trong khi việc phát triển sẽ dễ dàng hơn nhiều khi nhóm đã giải mã được chức năng ứng dụng cũ, các khía cạnh tích hợp, logic và độ phức tạp của dữ liệu.

Các nhóm hiện đại hóa thực hiện phân tích mã của họ và xem qua một số tài liệu (hầu hết đều đã cũ); đây là lúc sự phụ thuộc của họ vào các công cụ phân tích mã trở nên quan trọng. Hơn nữa, đối với các sáng kiến ​​viết lại, người ta cần ánh xạ các khả năng chức năng vào bối cảnh ứng dụng cũ để thực hiện các bài tập thiết kế/phân tách theo miền hiệu quả. AI sáng tạo trở nên rất tiện dụng ở đây thông qua khả năng tương quan giữa các khả năng miền/chức năng với mã và dữ liệu, đồng thời thiết lập chế độ xem khả năng kinh doanh cũng như mã và dữ liệu ứng dụng được kết nối — tất nhiên các mô hình cần phải được điều chỉnh/ngữ cảnh hóa cho một mô hình miền doanh nghiệp hoặc khả năng chức năng nhất định bản đồ. Bản đồ API tổng quát được hỗ trợ bởi AI được nêu trong bài viết này là một ví dụ nhỏ về điều này. Mặc dù phần trên là dành cho phân tách/thiết kế ứng dụng, nhưng việc tạo bão sự kiện cần có bản đồ quy trình và đây là lúc AI tổng quát hỗ trợ việc lập bản đồ và trích xuất ngữ cảnh từ các công cụ khai thác quy trình. AI sáng tạo cũng giúp tạo ra các trường hợp sử dụng dựa trên thông tin chi tiết về mã và ánh xạ chức năng. Nhìn chung, AI tổng quát giúp giảm thiểu rủi ro cho các chương trình hiện đại hóa thông qua việc đảm bảo khả năng hiển thị đầy đủ cho các ứng dụng cũ cũng như các phần phụ thuộc.

Generative AI cũng giúp tạo ra thiết kế mục tiêu cho khung nhà cung cấp dịch vụ đám mây cụ thể thông qua việc điều chỉnh các mô hình dựa trên một tập hợp các mẫu được tiêu chuẩn hóa (vào/ra, dịch vụ ứng dụng, dịch vụ dữ liệu, mẫu tổng hợp, v.v.). Tương tự như vậy, có một số trường hợp sử dụng AI tổng quát khác bao gồm việc tạo các mẫu mã dành riêng cho khung công nghệ mục tiêu để kiểm soát bảo mật. AI sáng tạo giúp tạo ra các thông số kỹ thuật thiết kế chi tiết, chẳng hạn như câu chuyện của người dùng, Khung dây trải nghiệm người dùng, Thông số kỹ thuật API (ví dụ: tệp Swagger), sơ đồ mối quan hệ thành phần và sơ đồ tương tác thành phần.

Lập kế hoạch

Một trong những nhiệm vụ khó khăn của chương trình hiện đại hóa là có thể thiết lập lộ trình vĩ mô đồng thời cân bằng các nỗ lực song song với sự phụ thuộc tuần tự và xác định các kịch bản cùng tồn tại cần giải quyết. Mặc dù việc này thường được thực hiện như một nhiệm vụ một lần—liên tục sắp xếp lại thông qua phần Tăng trưởng chương trình (PI)—các bài tập lập kế hoạch kết hợp đầu vào ở cấp độ thực hiện khó khăn hơn nhiều. AI sáng tạo rất hữu ích khi có thể tạo lộ trình dựa trên dữ liệu lịch sử (ứng dụng cho bản đồ khu vực, các yếu tố nỗ lực và phức tạp cũng như mô hình phụ thuộc, v.v.), áp dụng điều này cho các ứng dụng trong phạm vi chương trình hiện đại hóa — cho một ngành nhất định hoặc lãnh địa.

Cách duy nhất để giải quyết vấn đề này là làm cho nó có thể sử dụng được thông qua một bộ tài sản và bộ tăng tốc có thể giải quyết sự phức tạp của doanh nghiệp. Đây là lúc AI tổng hợp đóng một vai trò quan trọng trong việc tương quan giữa các chi tiết danh mục ứng dụng với các phần phụ thuộc được phát hiện.

Xây dựng và thử nghiệm

Tạo mã là một trong những trường hợp sử dụng AI tổng quát được biết đến rộng rãi nhất, nhưng điều quan trọng là có thể tạo ra một tập hợp các tạo phẩm mã có liên quan, từ IAC (Mẫu hình thành đất nung hoặc đám mây), mã/cấu hình đường ống, các điểm thiết kế bảo mật nhúng ( mã hóa, tích hợp IAM, v.v.), tạo mã ứng dụng từ các bộ chuyển đổi hoặc thông tin chi tiết về mã khác (từ kế thừa) và cấu hình tường lửa (ví dụ: dưới dạng tệp tài nguyên dựa trên các dịch vụ được khởi tạo). AI sáng tạo giúp tạo ra từng nội dung trên thông qua cách tiếp cận được phối hợp dựa trên các kiến ​​trúc tham chiếu ứng dụng được xác định trước được xây dựng từ các mẫu—đồng thời kết hợp đầu ra của các công cụ thiết kế.

Kiểm thử là một lĩnh vực quan trọng khác: AI sáng tạo có thể tạo ra bộ trường hợp kiểm thử và mã kiểm thử phù hợp cùng với dữ liệu kiểm thử để tối ưu hóa các trường hợp kiểm thử đang được thực thi.

Triển khai

Có một số hoạt động chặng cuối thường mất vài ngày đến vài tuần tùy theo mức độ phức tạp của doanh nghiệp. Khả năng tạo thông tin chi tiết để xác thực bảo mật (từ nhật ký ứng dụng và nền tảng, điểm thiết kế, IAC, v.v.) là một trường hợp sử dụng chính sẽ giúp hỗ trợ đẩy nhanh chu trình phê duyệt và xem xét bảo mật. Tạo đầu vào quản lý cấu hình (cho CMDB) và thay đổi đầu vào quản lý dựa trên ghi chú phát hành được tạo từ các mục công việc của công cụ Agility được hoàn thành trên mỗi bản phát hành là các lĩnh vực đòn bẩy AI tổng hợp chính.

Mặc dù các trường hợp sử dụng được đề cập ở trên trong các giai đoạn hiện đại hóa dường như là một viên đạn bạc, nhưng sự phức tạp của doanh nghiệp sẽ đòi hỏi phải phối hợp theo ngữ cảnh của nhiều công cụ tăng tốc dựa trên trường hợp sử dụng AI tổng quát ở trên để có thể nhận ra giá trị và chúng ta còn lâu mới thiết lập được các mô hình theo ngữ cảnh của doanh nghiệp giúp đẩy nhanh các chương trình hiện đại hóa. Chúng tôi đã thấy những lợi ích đáng kể trong việc đầu tư trước thời gian và năng lượng (và liên tục) vào việc tùy chỉnh nhiều bộ tăng tốc AI tổng hợp này cho các mẫu nhất định dựa trên khả năng lặp lại tiềm năng.

Bây giờ chúng ta hãy xem xét một ví dụ đã được chứng minh tiềm năng:

Ví dụ 1: Tưởng tượng lại việc khám phá API bằng BIAN và AI để hiển thị ánh xạ miền và xác định các dịch vụ API trùng lặp

Vấn đề: Ngân hàng Toàn cầu Lớn có hơn 30000 API (cả nội bộ và bên ngoài) được phát triển theo thời gian trên nhiều lĩnh vực khác nhau (ví dụ: ngân hàng bán lẻ, ngân hàng bán buôn, ngân hàng mở và ngân hàng doanh nghiệp). Có tiềm năng rất lớn về các API trùng lặp hiện có trên các miền, dẫn đến tổng chi phí sở hữu cao hơn để duy trì danh mục API lớn và các thách thức vận hành khi xử lý trùng lặp và chồng chéo API. Việc thiếu khả năng hiển thị và khám phá các API khiến các nhóm Phát triển API phát triển các API giống nhau hoặc tương tự thay vì tìm các API có liên quan để sử dụng lại. Việc không thể trực quan hóa danh mục API từ góc độ Mô hình ngành Ngân hàng sẽ hạn chế các nhóm Kinh doanh và CNTT hiểu được các khả năng hiện có và những khả năng mới nào cần thiết cho ngân hàng.

Cách tiếp cận giải pháp dựa trên AI sáng tạo: Giải pháp tận dụng Mô hình ngôn ngữ lớn BERT, Bộ chuyển đổi câu, Hàm mất xếp hạng phủ định nhiều lần và các quy tắc miền, được tinh chỉnh bằng kiến ​​thức về Cảnh quan dịch vụ BIAN để tìm hiểu danh mục API của ngân hàng và cung cấp khả năng khám phá các API có tính năng tự động ánh xạ tới BIAN. Nó ánh xạ Phương thức điểm cuối API tới Hệ thống phân cấp cảnh quan dịch vụ BIAN cấp 4, nghĩa là Hoạt động dịch vụ BIAN.

Các chức năng cốt lõi của giải pháp là khả năng:

• Nhập các thông số kỹ thuật vênh và các tài liệu API khác, đồng thời hiểu API, điểm cuối, hoạt động và mô tả liên quan.
• Nhập thông tin chi tiết về BIAN và hiểu Bối cảnh dịch vụ BIAN.
• Tinh chỉnh bằng ánh xạ phù hợp và chưa từng có giữa Phương thức điểm cuối API và Cảnh quan dịch vụ BIAN.
• Cung cấp bản trình bày trực quan về ánh xạ và điểm so khớp với điều hướng và bộ lọc Phân cấp BIAN cho các cấp độ BIAN, Danh mục API và điểm phù hợp.

Chế độ xem logic tổng thể (dựa trên Open Stack) như sau:

Giao diện người dùng để khám phá API với mô hình ngành:

Lợi ích chính: Giải pháp giúp các nhà phát triển dễ dàng tìm thấy các API có thể sử dụng lại, dựa trên các miền kinh doanh BIAN; họ có nhiều tùy chọn lọc/tìm kiếm để định vị API. Ngoài ra, các nhóm còn có thể xác định các danh mục API chính để xây dựng khả năng phục hồi hoạt động phù hợp. Bản sửa đổi tìm kiếm tiếp theo sẽ dựa trên ngôn ngữ tự nhiên và sẽ là trường hợp sử dụng đàm thoại.

Khả năng xác định các API trùng lặp dựa trên miền dịch vụ BIAN đã giúp thiết lập chiến lược hiện đại hóa nhằm giải quyết các khả năng trùng lặp trong khi hợp lý hóa chúng.

Trường hợp sử dụng này được hiện thực hóa trong vòng sáu đến tám tuần, trong khi ngân hàng sẽ phải mất một năm để đạt được kết quả tương tự (vì có hàng nghìn API được phát hiện).

Ví dụ 2: Tự động hiện đại hóa MuleSoft API thành Java Spring Boot API

Vấn đề: Trong khi các nhóm hiện tại đang trong hành trình hiện đại hóa API MuleSoft sang Java Spring boot, thì số lượng API quá lớn, việc thiếu tài liệu và các khía cạnh phức tạp đã ảnh hưởng đến tốc độ.

Cách tiếp cận giải pháp dựa trên AI sáng tạo: Quá trình hiện đại hóa Mule API sang Java Spring Boot được tự động hóa đáng kể thông qua trình tăng tốc dựa trên AI tổng quát mà chúng tôi đã xây dựng. Chúng tôi bắt đầu bằng cách thiết lập sự hiểu biết sâu sắc về API, các thành phần và logic API, sau đó là hoàn thiện các cấu trúc và mã phản hồi. Tiếp theo là xây dựng các lời nhắc sử dụng phiên bản Sidekick AI của IBM để tạo mã khởi động Spring, đáp ứng các thông số API từ MuleSoft, trường hợp kiểm thử đơn vị, tài liệu thiết kế và giao diện người dùng.

Các thành phần API Mule lần lượt được cung cấp vào công cụ bằng cách sử dụng lời nhắc và tạo ra Spring boot tương ứng, sau đó được kết nối với nhau để giải quyết các lỗi phát sinh. Giao diện người dùng được tăng tốc tạo ra cho kênh mong muốn có thể được tích hợp vào API, trường hợp thử nghiệm đơn vị cũng như dữ liệu thử nghiệm và tài liệu thiết kế. Tài liệu thiết kế được tạo bao gồm sơ đồ trình tự và lớp, yêu cầu, phản hồi, chi tiết điểm cuối, mã lỗi và các cân nhắc về kiến ​​trúc.

Những lợi ích chính: Sidekick AI tăng cường công việc hàng ngày của Nhà tư vấn ứng dụng bằng cách kết hợp chiến lược kỹ thuật AI tổng hợp đa mô hình được bối cảnh hóa thông qua kiến ​​thức và công nghệ miền sâu. Những lợi ích chính như sau:

• Tạo hầu hết các trường hợp kiểm thử và mã Spring Boot được tối ưu hóa, sạch sẽ và tuân thủ các phương pháp hay nhất—điều quan trọng là khả năng lặp lại.
• Dễ dàng tích hợp API với các lớp giao diện người dùng của kênh.
• Sự hiểu biết dễ dàng về mã của nhà phát triển và đủ hiểu biết sâu sắc trong việc gỡ lỗi mã.

Accelerator PoC đã được hoàn thành với bốn kịch bản khác nhau về di chuyển mã, trường hợp kiểm thử đơn vị, tài liệu thiết kế và tạo giao diện người dùng trong ba lần chạy nước rút trong sáu tuần.

Khám phá watsonx ngay hôm nay

Nhiều CIO/CTO đã có những dè dặt riêng trong việc bắt tay vào các sáng kiến ​​hiện đại hóa do có vô số thách thức được đặt ra ngay từ đầu—lượng thời gian cần thiết của SME, tác động đến hoạt động kinh doanh do thay đổi, thay đổi mô hình hoạt động về mặt bảo mật, quản lý thay đổi và nhiều vấn đề khác. các tổ chức và như vậy. Mặc dù AI tổng quát không phải là viên đạn bạc để giải quyết tất cả các vấn đề, nhưng nó giúp chương trình tăng tốc, giảm chi phí hiện đại hóa và quan trọng hơn là giảm rủi ro thông qua việc đảm bảo không bỏ sót chức năng hiện tại nào. Tuy nhiên, người ta cần hiểu rằng cần có thời gian và công sức để đưa các Mô hình và thư viện LLM vào môi trường doanh nghiệp có nhu cầu - đánh giá và quét tuân thủ và bảo mật đáng kể. Nó cũng đòi hỏi một số nỗ lực tập trung để cải thiện chất lượng dữ liệu cần thiết cho việc điều chỉnh các mô hình. Mặc dù các công cụ tăng tốc hiện đại hóa dựa trên AI tổng hợp gắn kết vẫn chưa xuất hiện nhưng theo thời gian, chúng ta sẽ bắt đầu thấy sự xuất hiện của các bộ công cụ tích hợp giúp đẩy nhanh một số mô hình hiện đại hóa nhất định, nếu không nói là nhiều.

Khám phá watsonx ngay hôm nay