التنقيب البرمجي بمساعدة الذكاء الاصطناعي وتحديث التطبيقات
كثيرًا ما تبقى التطبيقات الموروثة في قلب العمليات الحيوية بعد وقت طويل من مغادرة من صمّموها.
ومع مرور الوقت تصبح الوثائق ناقصة، وتقلّ الخبرات المتخصّصة، وتظل قواعد عمل مهمة محتجزة داخل شيفرة عمرها عقود.
يساعد التنقيب البرمجي بمساعدة الذكاء الاصطناعي المؤسسات على فهم هذه الأنظمة بسرعة أكبر وتهيئتها لتحديث مُحكم.
فهم النظام قبل تغييره
نادرًا ما يكون التحدي الأول هو إعادة الكتابة، بل فهم ما يفعله النظام فعليًا اليوم، وأين يُنشئ التغيير مخاطر. وعادةً ما يلزم إعادة بناء هذا الفهم على عدة مستويات:
- بنية التطبيق وتبعيات الشيفرة
- قواعد العمل المدمجة في الشيفرة الموروثة
- الواجهات والتدفقات الوظيفية
- سلوكيات غير موثّقة صار التشغيل يعتمد عليها
- تقنيات متقادمة أو نادرة
- مواضع المخاطر التشغيلية ومخاطر الترحيل
عمليًا يشمل ذلك غالبًا بيئات مثل COBOL، ومنظومات Java الأقدم، وتطبيقات الحاسوب المركزي، والمنصّات الخاصة، وأنظمة ERP أو CRM أو الأنظمة المصرفية الطويلة العمر. وتُحدَّد التقنيات المعنية لكل مهمة على حدة، ولا تُفترض مسبقًا.
التنقيب البرمجي بمساعدة الذكاء الاصطناعي
عند استخدامه بعناية، يمكن للذكاء الاصطناعي أن يساعد المهندسين والمعماريين ذوي الخبرة في أعمال بطيئة ويدوية بطبيعتها:
- استكشاف الشيفرة وتحليل التبعيات
- شرح الشيفرة واستخراج قواعد العمل
- إعادة بناء الوثائق المفقودة أو المتقادمة
- رسم خرائط التطبيقات وتحديد المجالات الوظيفية
- المقارنة بين التنفيذ الموروث والتنفيذ المستهدف
- إعداد سيناريوهات التحديث
الهدف هو تسريع الفهم والعمل الهندسي. ولا يعيد الذكاء الاصطناعي كتابة الأنظمة الحيوية من تلقاء نفسه: يبقى الحكم الهندسي والتحقق والحوكمة مسؤوليات بشرية طوال المسار.
ذكاء اصطناعي خاص للبيئات الحسّاسة
لا تستطيع بعض المؤسسات، أو تفضّل ألا، تعرض شيفرتها المصدرية أو بنيتها أو منطق عملها الخاص أو إعداداتها أو غير ذلك من المعلومات التقنية الحسّاسة لخدمات ذكاء اصطناعي عامة أو لبيئات سحابية خارجية. وقد يعود ذلك إلى:
- سياسات داخلية ومتطلبات سرّية
- بنية أمنية وحدود ثقة مستقرة
- قيود تنظيمية وقيود حوكمة البيانات
- متطلبات السيادة
لذلك يمكن تصميم منهج التحليل ليعمل محليًا ضمن بيئة تتحكم بها المؤسسة. وعند الاقتضاء قد يشمل ذلك بيئات تشغيل نماذج محلية مثل LM Studio، إلى جانب نماذج وأدوات مستضافة محليًا، بحيث يمضي العمل دون الحاجة إلى إرسال شيفرة مصدرية أو منطق عمل حسّاس إلى خدمات ذكاء اصطناعي عامة.
الفائدة عملية لا أيديولوجية: تحكّم، وسرّية، وحوكمة للبيانات، وحدود أمنية واضحة.
مسار التحديث
- الفهم — كشف بنية التطبيق والتبعيات وقواعد العمل المدمجة.
- التوثيق — إعادة بناء المعرفة التقنية والوظيفية حيث تكون الوثائق مفقودة أو متقادمة.
- الربط — ربط الوظائف والواجهات وقواعد العمل القائمة بالبنية والتقنيات المستهدفة.
- التحديث — دعم تحوّل مُحكم: إعادة هيكلة، أو نقل إلى منصّة جديدة، أو إعادة هندسة انتقائية.
- التحقق — مقارنة السلوك المتوقّع وقواعد العمل بين التنفيذ الموروث والمستهدف.
كل خطوة تدريجية عن قصد. فتحديث نظام حيوي برنامج هندسي مُحكم، وليس تحويلًا آليًا.
مخرجات محتملة
بحسب النطاق، قد ينتج عن المهمة:
- وثائق تقنية معاد بناؤها
- خرائط للتطبيقات والتبعيات
- جرد لقواعد العمل ورسم للمجالات الوظيفية
- خيارات للتحديث وتوصيات للبنية المستهدفة
- نماذج أولية لتحويل الشيفرة بمساعدة الذكاء الاصطناعي
- مدخلات لتخطيط الترحيل وتحديد المخاطر التقنية
- مستندات تحقّق
أين يكون الأثر أكبر
يكتسب هذا المنهج أهمية خاصة عندما تكون الأنظمة الموروثة:
- حيوية للأعمال ويصعب استبدالها
- ضعيفة التوثيق
- معتمدة على مهارات متخصّصة نادرة
- خاضعة لقيود قوية في السرّية أو الحوكمة
كثيرًا ما يُنشئ تحديث منظومة التطبيقات حاجة لاحقة لتحليل طبقة البيانات أيضًا: المخططات والمنطق المخزَّن والواجهات ومتطلبات الترحيل. وهذا مجال عمل منفصل قد يصبح لاحقًا قدرة مستقلة لدى VODIS؛ ولا يُقدَّم هنا بوصفه حلًّا قائمًا لترحيل قواعد البيانات آليًا.
تجمع VODIS بين الاستشارة والهندسة على مستوى القيادات، والتحليل بمساعدة الذكاء الاصطناعي، والتحديث المُحكم، والتحقق والحوكمة البشريين.