Bagaimana AI Dapat Memecahkan Tantangan COBOL



BAGAIMANA AI DAPAT MEMECAHKAN TANTANGAN COBOL


Lupakan kekurangan keterampilan COBOL, masalah sebenarnya terletak pada kurangnya pengetahuan aplikasi. AI dapat menawarkan solusi.

 

COBOL, juga dikenal sebagai bahasa yang umum berorientasi bisnis, tampaknya membuat comeback. Tapi sejujurnya, itu tidak pernah hilang.

 

COBOL bukanlah bahasa yang terkenal di kalangan pengembang modern, dan sangat sedikit universitas yang masih mengajarkannya sebagai bagian dari kurikulum ilmu komputer mereka, tetapi bahasa pemrograman yang berusia lebih dari 60 tahun dengan cepat menjadi salah satu keterampilan yang paling diminati bagi pengembang perangkat lunak di masa depan.

 

Pada awal pandemi, misalnya, sistem pemerintah negara bagian berjuang untuk menangani tunjangan pengangguran karena perangkat lunak mereka yang ketinggalan zaman. Ditambah sistem mainframe warisan masih digunakan oleh 71 persen perusahaan Fortune 500 dan sebesar 92 persen dari 25 pengecer terbesar di AS. Dan secara global, mereka digunakan oleh 96 persen dari 100 bank terbesar dan 90 persen dari 10 perusahaan asuransi terbesar.

 

Akibatnya, begitu banyak organisasi tersebut berebut untuk menemukan dan melatih lebih banyak programmer COBOL untuk mempertahankan, mendukung, dan berusaha memodernisasi sistem mereka.

 

APA ITU COBOL?

COBOL, yang merupakan singkatan dari Common Business-Oriented Language, adalah bahasa pemrograman yang dikembangkan pada tahun 1959. Ini tidak lagi terkenal di kalangan pengembang modern, meninggalkan banyak perusahaan berebut untuk menemukan dan melatih lebih banyak programmer COBOL.

 

TANTANGAN COBOL

Ketika pengembang yang terampil COBOL pensiun atau melanjutkan, beberapa organisasi mencoba memecahkan masalah dengan membangun di atas (atau sekitar) kode yang ada atau memindahkan kode ke platform lain. Sayangnya, solusi bertacak pendek ini sering menghasilkan aplikasi rumit yang tidak mungkin bahkan bagi pengembang yang paling mahir untuk memahami atau dalam sistem yang pecah ketika dipindahkan dalam penerbangan.

 

Dengan berkurangnya jumlah pengembang yang dapat memahami COBOL, komunitas dan organisasi mainframe yang menggunakan COBOL menginvestasikan banyak waktu dan energi untuk mempekerjakan anak muda keluar dari perguruan tinggi, mengajari mereka cara menulis COBOL dan kemudian menempatkan mereka di garis depan untuk mengubah sistem perusahaan.

 

Tetapi tantangan COBOL tidak bisa begitu saja dikaitkan dengan kekurangan keterampilan. Memahami cara menulis COBOL tidak cukup - pengembang harus memahami apa yang sebenarnya dilakukan aplikasi dan bagaimana perubahan kode dapat memengaruhi sistem secara keseluruhan untuk menghindari kesalahan kritis.

 

Ini melibatkan pembuatan programmer baru membaca jutaan baris kode dalam sistem dan menggunakan alat analisis statis dan dinamis yang pada dasarnya menggambar menggambarkan apa yang dilakukan kode. Atau, kadang-kadang, itu membutuhkan bekerja dengan pakar materi pelajaran yang masih tersedia untuk menjawab pertanyaan tentang bidang kode yang dimaksud. Sayangnya, pendekatan untuk mentransfer pengetahuan oleh karena itu salah mengalah pada ruang masalah.

 

Di situlah AI masuk, tetapi pendekatan kontemporer populer untuk AI tidak akan cukup dalam memecahkan masalah.

 

AI UNTUK MENYELAMATKAN

Dari pengumpulan persyaratan hingga pengujian dan pemecahan masalah otomatis, AI kontemporer dapat membantu pengembangan perangkat lunak. Dan sementara beberapa alat AI modern dapat membantu dengan sintaks penulisan kode - pikirkan fitur Smart Compose Gmail, yang didukung oleh pembelajaran mesin untuk menawarkan saran saat Anda mengetik - perbaikan tersebut hanya memberikan nilai inkremental.

 

Saat ini, pengembang menghabiskan sekitar 75 persen dari waktu mereka pada langkah pertama: mencoba menemukan area dalam kode sumber di mana mereka perlu membuat perubahan. Memahami kode dalam sistem yang kompleks ini memakan waktu bagi pengembang baru karena sistem telah menjadi tidak rapi, tidak didokumentasikan dengan baik, terorganisir atau terstruktur atau fungsionalitasnya sangat tersebar.

 

Sementara alat analisis statis dan dinamis menggambarkan apa yang dilakukan kode, mereka terbatas karena Anda harus tahu di mana harus mencari terlebih dahulu. Misalnya, variabel dapat memiliki nama yang tidak berarti atau karakter yang berbeda, dan, dengan demikian, pengembang bahkan mungkin tidak tahu apa yang perlu mereka cari.

 

Untungnya, menggunakan pendekatan jada untuk AI dan menerapkannya ke lingkup masalah yang berbeda dapat menghemat waktu pengembang dalam menemukan kode dengan mengotomatiskan proses mengidentifikasi kode yang membutuhkan perhatian dengan tepat - terlepas dari seberapa luas penyebarannya. Sama seperti bagaimana alat AI kontemporer tidak dapat memahami buku dengan cara yang dilakukan manusia, pengembang manusia berjuang untuk memahami maksud pengembang sebelumnya yang dikodekan dalam perangkat lunak.

 

Dengan menggambarkan perilaku yang perlu diubah ke alat AI, pengembang tidak lagi harus bekerja mencari dan memahami kode untuk sampai ke garis tertentu menerapkan perilaku itu. Sebaliknya, pengembang dapat dengan cepat dan efisien menemukan bug potensial. Daripada berurusan dengan deluge kode dan menghabiskan berminggu-minggu mencari fungsionalitas, pengembang dapat berkolaborasi dengan alat AI untuk dengan cepat mendapatkan kode di mana mereka perlu bekerja.

 

Pendekatan ini membutuhkan jenis AI yang berbeda: yang tidak fokus pada membantu pengembang dengan sintaksis. Sebaliknya, AI yang berfokus pada pemahaman maksud kode mampu "menata ulang" komputasi apa yang mewakili ke dalam konsep, sehingga melakukan apa yang dilakukan pengembang ketika mereka membuat kode - tetapi pada kecepatan mesin.

 

Ini sangat meningkatkan kecepatan di mana fungsionalitas yang perlu diubah dapat diidentifikasi tanpa adanya keahlian materi pelajaran. Misalnya, kode yang mengontrol dan mengelola data seputar pemeriksaan stimulus dalam sistem mainframe Internal Revenue Service dapat diidentifikasi dengan cepat dan tepat menggunakan AI dan berubah dengan percaya diri.

 

DARI KONSEP HINGGA SOLUSI KREATIF

Mengembangkan perangkat lunak dan kode tulis itu sendiri adalah proses kreatif. Sama seperti menulis paragraf, pengembang perangkat lunak terlibat dalam aktivitas kognitif untuk menyusun refleksi konseptual dari apa yang mereka coba buat.

 

Akibatnya, kreativitas diperlukan untuk membangun sekumpulan algoritma dan instruksi yang tepat yang memberi tahu komputer apa yang harus dilakukan dan bagaimana melakukannya. Kreativitas itu, dikombinasikan dengan pengetahuan domain khusus tentang industri dan institusi, berarti tidak ada AI yang saat ini dapat menggabungkan pengetahuan umum tentang dunia bisnis dengan keahlian khusus pengembang COBOL.

 

Namun, AI dapat mengurangi upaya kognitif melelahkan yang diperlukan untuk memahami dengan percaya diri di mana dalam kode untuk membuat perubahan. Ini memungkinkan pengembang untuk menggunakan kreativitas mereka - daripada brute force - ketika pengkodean, pada akhirnya mempercepat produktivitas pengembangan dan membuat pekerjaan mereka lebih menyenangkan dan memuaskan dalam prosesnya.


Tidak ada komentar untuk "Bagaimana AI Dapat Memecahkan Tantangan COBOL"

close