الذكاء الاصطناعي يُعيد برمجة البرامج القديمة للعمل على الانظمة الحديثة.
البداية
العام الماضي قامت شركة آي بي ام (IBM) بالبرهنة على قدرة الذكاء الاصطناعي على القيام بمهمة صيانة برامج الحاسوب عن طريق تحديث الشفرة المصدرية القديمة .
حيث قدمت الشركة معتمدة على الذكاء الاصطناعي طرق جديدة لاعادة برمجة الشفرة المصدرية لتطبيقات الحاسوب للعمل على الانظمة الحديثة.
تمنح أحدث مبادرات IBM ، التي يطلق عليها اسم Mono2Micro و Application Modernization Accelerator المعروفة اختصارا ب AMA(تسريع تحديث التطبيقات) ، مُصممي التطبيقات أدوات جديدة لتحديث التطبيقات القديمة واستخراج قيمة جديدة منها. تمثل هذه المبادرات خطوة نحو يوم يمكن فيه للذكاء الاصطناعي أن يترجم تلقائيًا برنامجًا مكتوبًا في COBOL إلى Java ، وفقًا لنيك فولر ، مدير الحوسبة السحابية الهجينة في مركز أبحاث آي بي ام IBM.
الحدود
يحذر فولر من أن هذه الأساليب الحديثة للذكاء الاصطناعي قادرة حاليًا فقط على كسر رمز الآلة القديم للبرامج الأحادية غير المعيارية إلى خدمات مصغرة قائمة بذاتها. لا تزال هناك خطوة أخرى في ترجمة لغة البرمجة لأنه ، في حين أن مجموعة أدوات AMA مصممة في الواقع لتحديث كوبول COBOL ، إلا أنها في هذه المرحلة لا توفر سوى خطوة إضافية في عملية التحديث ، وفقًا لفولر. وأضاف: “تعد ترجمة اللغة أحد التحديات الأساسية للذكاء الاصطناعي الذي نعمل عليه لتمكين بعض من تلك التعليمات البرمجية القديمة من العمل بلغة برمجية حديثة”.
تُعد ترجمة اللغة تحديًا أساسيًا للذكاء الاصطناعي الذي نعمل عليه لتمكين بعض هذه التعليمات البرمجية القديمة من العمل بلغة برمجية حديثة.
في غضون ذلك ، تقدم أحدث أدوات الذكاء الاصطناعي الخاصة بشركة IBM بعض الإمكانات الجديدة. في حالة Mono2Micro ، يقوم أولاً بتحليل الكود القديم للكشف عن جميع الاتصالات المخفية داخله والتي سيجد مهندسو التطبيق صعوبة بالغة ويستغرق وقتًا طويلاً في الكشف عنها بمفردهم ، مثل المكونات المتعددة في منطق الأعمال الأساسي التي تحتوي على مكالمات عديدة والوصلات مع بعضها البعض.
تستفيد Mono2Micro من تقنيات تجميع الذكاء الاصطناعي لتجميع التعليمات البرمجية المتشابهة معًا ، مما يكشف بشكل أوضح عن كيفية تفاعل مجموعات التعليمات البرمجية. بمجرد أن يستوعب Mono2Micro الشفرة ، فإنه يحلل كود المصدر والكائن بشكل ثابت (تحليل البرنامج قبل تشغيله) وديناميكيًا (تحليل البرنامج أثناء تشغيله).
تقوم الأداة بعد ذلك بإعادة تشكيل البرامج القائمة على چافا المتجانسة ومنطق العمل المرتبط بها وواجهات المستخدم في خدمات مصغرة. تعمل إعادة هيكلة الوحدة المتراصة هذه إلى خدمات مصغرة مستقلة بوظائف محددة على تقليل الاتصالات التي كانت موجودة في البرنامج عندما كان برنامجًا مترابطًا ، مما يؤدي إلى تغيير بنية التطبيق دون تغيير سلوكه الخارجي.
تتناول إستراتيجية الذكاء الاصطناعي الخاصة بشركة IBM التحديات الرئيسية للتعلم الآلي عندما يكون إدخال البيانات عبارة عن رمز برمجي والوظيفة هي التحليل: الحجم والمعاني المتعددة. عادةً ما تكون التطبيقات القديمة ذات المهام الحرجة من مئات الآلاف إلى ملايين أسطر التعليمات البرمجية. في هذا السياق ، ويمكن جعل كميات كبيرة من البيانات أكثر كفاءة من خلال مفهوم التضمين.
هذه الطبقات المدمجة تمثل طريقة لترجمة البيانات إلى قيم رقمية. تأتي قوة التضمين من رسم خرائط لكمية كبيرة من الشفرات ذات المعاني المتعددة الممكنة للقيم العددية ، هذا هو ما يتم القيام به ، على سبيل المثال ، في ترجمة اللغة البشرية الطبيعية إلى القيم الرقمية باستخدام “كلمة” تضمين. ويتم ذلك أيضا في سياق الرسم البياني من حيث صلته بتحليل الرموز.
قال فولر: “يعد تضمين الطبقات أمرًا هائلاً لأنه بدونها ستواجه صعوبة في الحصول على أي شيء يقترب من نظام التعلم الآلي الفعال”.
وأضاف أنه في حالة تحليل الكود ، يتحسن نظام التعلم الالي ML في التوصية بالخدمات المصغرة للتطبيق القديم المعاد تصميمه من خلال تكرار وظائف التطبيق.
لاحظ فولر: “بمجرد وصولك إلى هذه النقطة ، لن تكون حُرا تمامًا في المنزل ، ولكنك في الأساس قد أنجزت 70٪ من حيث ما تتطلع إلى اكتسابه ، أي تطبيق مهم للمهام تم إعادة تشكيله في بنية خدمات مصغرة . “
