Ilya Gandzeichuk,
Forbes Technology Council
Đây là lúc mà các mô hình ngôn ngữ lớn có thể giúp ích. Chúng ta có thể sử dụng chúng để giải quyết các vấn đề với ứng dụng cũ một cách nhanh chóng và hiệu quả. Thay vì viết lại toàn bộ mã nguồn, chúng ta có thể dựa vào các mô hình ngôn ngữ lớn để hiểu cấu trúc hiện tại của ứng dụng và thực hiện các cải tiến cần thiết.
Theo một cuộc khảo sát của 2nd Watch, 80% doanh nghiệp tiếp tục chạy ít nhất một phần tư quy trình kinh doanh của họ trên các ứng dụng và hệ thống cũ. Các ứng dụng cũ này có thể được tìm thấy trong nhiều ngành công nghiệp và lĩnh vực khác nhau, bao gồm cơ quan chính phủ, tổ chức tài chính, các cơ sở y tế và doanh nghiệp lớn. Những tổ chức này có thể đã đầu tư nhiều nguồn lực đáng kể vào việc phát triển và duy trì những ứng dụng này qua nhiều năm. Tuy nhiên, việc thay thế hoặc hiện đại hóa chúng có thể là quá trình phức tạp và tốn kém.
Theo VentureBeat, 79% các công ty tin rằng các ứng dụng cũ đang làm trở ngại cho các sáng kiến biến đổi số của tổ chức. Những tổ chức này có thể đã đầu tư nhiều nguồn lực đáng kể vào việc phát triển và duy trì những ứng dụng này qua nhiều năm. Tuy nhiên, việc thay thế hoặc hiện đại hóa chúng có thể là quá trình phức tạp và tốn kém. Ngoài việc làm chậm quá trình số hóa, có yếu tố tài chính—biến đổi các ứng dụng cũ có thể giúp doanh nghiệp giảm tổng chi phí lên đến 50%.
Trong khi nhiều tổ chức nỗ lực nâng cấp hoặc thay thế các ứng dụng cũ để tận dụng các công nghệ mới hơn và cải thiện hiệu quả, vẫn còn rất nhiều hệ thống cổ điển đang được sử dụng do các điểm đau như chức năng đã được thiết lập, tích hợp và tương tác, sự quen thuộc của người dùng và các tài sản quan trọng.
Các Tài Sản Chính Của Ứng Dụng Truyền thống
Một công ty đã vượt qua những xem xét đã nêu trên trên con đường hiện đại hóa ứng dụng cổ điển của mình nên nhớ rằng có hai tài sản chính mà bất kỳ ứng dụng cổ điển nào cũng sở hữu: dữ liệu lịch sử và logic kinh doanh.
Những tài sản này nên được trích xuất từ ứng dụng cổ điển và sau đó chuyển sang một ứng dụng mới để đảm bảo hoạt động kinh doanh suôn sẻ.
Dữ liệu
Các ứng dụng cổ điển thường lưu trữ lượng dữ liệu lịch sử đáng kể tích lũy qua nhiều năm hoặc thậm chí hàng thập kỷ. Chúng thường chứa các kiến thức kinh doanh được tích hợp mà có thể không được ghi chép đầy đủ ở nơi khác.
Mặc dù quá trình này khá tẻ nhạt, có hàng chục công cụ di chuyển dữ liệu có sẵn có thể hỗ trợ trong việc chuyển đổi dữ liệu và các công việc liên quan (ví dụ: IBM InfoSphere, Oracle Data Migration, Azure DMS, AWS Database Migration Service).
Tuy nhiên, trong khi có rất nhiều phương pháp và công cụ có thể giúp chuyển dữ liệu đa dạng từ các ứng dụng cổ điển, thì việc chuyển đổi logic kinh doanh, ngược lại, là một vấn đề phức tạp hơn.
Nghiệp vụ Kinh Doanh
Các ứng dụng cổ điển thường chứa nghiệp vụ kinh doanh phức tạp đã được phát triển và hoàn thiện qua thời gian. Nghiệp vụ kinh doanh này đại diện cho các quy tắc, quy trình và thuật toán điều phối cách ứng dụng hoạt động và xử lý dữ liệu. Nó bao gồm các luồng công việc độc đáo, quá trình ra quyết định và yêu cầu cụ thể cho ngành của tổ chức.
Việc bảo tồn nghiệp vụ kinh doanh là một yếu tố quan trọng khi xử lý các ứng dụng cổ điển. Các tổ chức thường gặp khó khăn khi chuyển logic này sang hệ thống hiện đại mà không cần nhiều nỗ lực. Viết lại hoặc triển khai lại các quy tắc và quy trình kinh doanh phức tạp trong ứng dụng mới có thể tốn nhiều thời gian và kinh phí, đồng thời đưa ra nguy cơ hoặc sai sót tiềm tàng.
Một trong những phương pháp trích xuất nghiệp vụ kinh doanh từ ứng dụng truyền thống là kỹ thuật đảo ngược (reverse engineering). Sử dụng các công cụ trí tuệ nhân tạo dựa trên mô hình ngôn ngữ lớn (LLM) như Copilot, có thể chuyển đổi nghiệp vụ hiện có thành các yêu cầu có thể được cập nhật và sử dụng để phát triển ứng dụng mới.
Biến Đổi Nghiệp vụ Kinh Doanh Thành Yêu Cầu Nhờ công cụ Copilot
Các công cụ trí tuệ nhân tạo hiện đại dựa trên mô hình ngôn ngữ lớn (LLM) (ví dụ: ChatGPT và Jurassic-2) cung cấp khả năng tạo ra các tư liệu yêu cầu ban đầu dựa trên phân tích của logic kinh doanh. Bằng cách sử dụng các thuật toán học máy và các mẫu được định nghĩa trước, những công cụ này có thể tự động tạo ra các câu chuyện người dùng, trường hợp sử dụng hoặc các thông số chức năng.
Mặt khác, các công cụ như Copilot hay ChatGPT có thể tạo ra mô tả trình tự của mã nguồn hiện tại.
Nói chung, quá trình trích xuất yêu cầu từ mã nguồn cổ điển sẽ tuân theo các bước sau:
Tạo các bình luận chi tiết cho mã nguồn. Nâng cao mức trừu tượng của các bình luận được tạo ra.Tạo các trường hợp sử dụng và làm giàu chúng bằng cách tận dụng phân tích dữ liệu lịch sử.Xây dựng các luồng người dùng thực tế dựa trên phân tích hoạt động của người dùng (nhật ký).Tạo các câu chuyện người dùng bằng cách tăng mức trừu tượng của trường hợp sử dụng và luồng người dùng.Kết quả của các bước này là chúng ta có thể thu hồi các yêu cầu thực tế cho các ứng dụng cổ điển hiện tại. Mặc dù yêu cầu được tạo ra có thể cần được điều chỉnh, chúng có thể phục vụ như điểm khởi đầu, tiết kiệm thời gian cho nhà phân tích kinh doanh.
Hơn nữa, có thể tạo ra các trường hợp sử dụng với các chú thích khác nhau: ví dụ như biểu đồ UML hoặc chú thích Gherkin—để nhận được tài sản mới dưới dạng logic kinh doanh.
Bước tiếp theo làm gì?
Với tài sản mới này, chúng ta có thể cập nhật yêu cầu cho logic kinh doanh và bắt đầu phát triển một ứng dụng mới với một thiết kế mới. Điều này có thể thực hiện với các phương pháp và phạm vi phát triển truyền thống hoặc sử dụng các công cụ trí tuệ nhân tạo như ChatGPT, Copilot hoặc AWS CodeWhisperer.
Cần nhớ rằng mặc dù các công cụ trí tuệ nhân tạo có thể mang lại hiệu quả, nhưng các trợ lí như vậy vẫn có giới hạn. Các công cụ trí tuệ nhân tạo đòi hỏi dựa nhiều vào chất lượng và toàn diện của dữ liệu đầu vào, chẳng hạn như mã nguồn, tài liệu và hiểu biết của người dùng. Sự chuyên môn của con người vẫn cần thiết để giải thích, xác nhận và điều chỉnh kết quả của các công cụ trí tuệ nhân tạo để đảm bảo các yêu cầu nắm chắc đúng logic kinh doanh.
Cuối cùng, tốc độ biến đổi logic kinh doanh thành yêu cầu với các công cụ trí tuệ nhân tạo phụ thuộc vào độ phức tạp của hệ thống cổ điển, tính khả dụng và chất lượng dữ liệu, khả năng của các công cụ trí tuệ nhân tạo được sử dụng và sự hợp tác giữa các nhà phân tích con người và quy trình được định hướng bởi trí tuệ nhân tạo.
Kết luận
Khi hiện đại hóa các ứng dụng cổ điển, logic kinh doanh là một trong những tài sản quý giá nhất. Với logic kinh doanh đã được thiết lập và kiểm tra kỹ càng, các ứng dụng cổ điển cho phép tổ chức duy trì tính liên tục trong hoạt động và hỗ trợ các nhu cầu kinh doanh cụ thể một cách hiệu quả. Tuy nhiên, điều quan trọng là cần giữ thăng bằng giữa giá trị của logic kinh doanh hiện tại và các hạn chế và nhược điểm của cấu trúc công nghệ cổ điển liên quan đến bảo mật, khả năng mở rộng và khả năng bảo trì.
Mặc dù trong tương lai có vẻ đau đớn và tốn thời gian, bảo tồn logic kinh doanh hiện tại và chuyển đổi nó một cách an toàn vào một ứng dụng hiện đại là hoàn toàn khả thi với sự giúp đỡ của các mô hình ngôn ngữ lớn (LLMs) và công cụ trí tuệ nhân tạo. Logic kinh doanh hiện tại được dịch một cách hiệu quả thành yêu cầu có thể được cập nhật, nếu cần, và triển khai trong một ứng dụng mới.
(Forbes Technology Council là một cộng đồng dành cho các CIO, CTO và các nhà quản lý công nghệ hàng đầu. CTO của Softengi với 30 năm kinh nghiệm trong phát triển phần mềm, triển khai ứng dụng kinh doanh và tạo lập chiến lược số.)
