Revolutionierung der Anwendungsmodernisierung mit GenAI und AWS

Eine der größten Herausforderungen für Unternehmen in der sich ständig weiterentwickelnden digitalen Landschaft ist Legacy-Software. Trotz des rasanten technologischen Fortschritts ist ein großer Teil des Unternehmenscodes immer noch in Legacy-Sprachen wie COBOL, Fortran und VB6 gespeichert. Diese Legacy-Codebasis stellt eine große Belastung dar: Sie ist nicht nur teuer in der Wartung, sondern behindert auch Innovation, Agilität und Skalierbarkeit.

Herkömmliche Modernisierungsansätze - manuelle Neuformulierungen oder Neuarchitekturen - sind zeitaufwändig, kostspielig und riskant. Allerdings schwappt eine neue Welle der Transformation durch die IT-Welt: Generative KI (GenAI)-gestützte Modernisierung.

Die Definition von Vermächtnis

Die größte Herausforderung besteht darin, zu definieren, was genau "Legacy-Software" oder "Legacy-Code" bedeutet. In zahlreichen Gesprächen mit meinen Kollegen und Kunden wurden verschiedene Eigenschaften von Legacy-Code genannt:

Es gibt möglicherweise noch viele weitere Faktoren, die den Code als Legacy definieren, aber selbst diese kurze Liste zeigt, dass hier verschiedene Aspekte entscheidend sein können. So kann beispielsweise COBOL-Code je nach den verwendeten Kriterien als Legacy- oder Nicht-Legacy-Code betrachtet werden.

Die Schmerzpunkte von Altsystemen

Die Modernisierung ist seit langem ein Thema für Unternehmen. Altsysteme bringen eine Menge betrieblicher Ineffizienzen und Geschäftsrisiken mit sich:

Infolgedessen verlieren Unternehmen viel Zeit damit, technische Schulden zu verwalten, anstatt innovativ zu sein. Veraltete Software, die zwar geschäftskritisch ist, wird zum Engpass, anstatt das Geschäft voranzubringen.

Traditionelle Modernisierung: Langsam und riskant

In der Vergangenheit war die Modernisierung mit einer von drei Hauptstrategien verbunden:

Jeder dieser Ansätze wird durch eine grundlegende Einschränkung begrenzt: die menschliche Bandbreite. Millionen von Codezeilen zu analysieren, undokumentierte Logik zu verstehen und Funktionen sicher zu migrieren, ist eine äußerst schwierige und riskante Aufgabe. Was wäre, wenn wir dies ein wenig automatisieren könnten?

Enter GenAI: Ein Paradigmenwechsel in der Modernisierung

GenAI - angetrieben von leistungsstarken großen Sprachmodellen (LLMs) - verändert die Software-Modernisierung durch die Einführung intelligenter Automatisierung in jedem Schritt des Prozesses. Anstatt sich allein auf die menschliche Arbeit zu verlassen, unterstützt GenAI die Entwickler durch:

Durch die Automatisierung der Analyse, Dokumentation und Umwandlung von Legacy-Code verringert GenAI das Projektrisiko, beschleunigt die Lieferzeiten und ermöglicht es menschlichen Teams, sich auf hochwertige Entscheidungen zu konzentrieren. Lassen Sie uns diese Aufgaben explizit aufzählen:

Erste Ermittlungen

Einer der ersten Erfolge von GenAI ist die Beschleunigung der ersten Code-Analyse. Durch die automatische Identifizierung von Frameworks, Abhängigkeiten und verwendeten Technologien minimiert GenAI den Zeitaufwand für die Erkennung und ermöglicht es den Teams, schnell mit der Planung zu beginnen.

Dokumentation Wiederherstellung

Älteren Anwendungen fehlt es oft an Dokumentation. GenAI kann qualitativ hochwertige Dokumentationen erstellen, von Architekturübersichten auf hoher Ebene bis hin zu detaillierten Modulbeschreibungen - für ein besseres Verständnis und reibungslosere Übergänge.

Erkennung von technischer Verschuldung

GenAI kann versteckte technische Schulden aufdecken, indem es schlechte Code-Praktiken, Sicherheitsrisiken und architektonische Engpässe identifiziert und dabei hilft, Prioritäten für die Modernisierung zu setzen.

Strategische Empfehlungen

Durch die Analyse von Altsystemen im Kontext der geschäftlichen Anforderungen kann GenAI Modernisierungsstrategien vorschlagen, die auf Ziele wie Kostensenkung, Skalierbarkeit oder Compliance ausgerichtet sind.

Boilerplate-Code-Generierung

Sich wiederholender grundlegender Code - wie z.B. API-Gerüste, Repositories und Serviceklassen - kann automatisch generiert werden, was den Entwicklern mühsame Aufgaben erspart und die Konsistenz verbessert.

Automatisierte Code-Umwandlung

Ob bei der Migration von einer Legacy-Datenbank, einem Monolithen zu Microservices oder einem Framework zu einem anderen, GenAI kann große Teile des Codes intelligent refaktorisieren und übersetzen und dabei die Semantik erhalten. Natürlich ist dies fast nie perfekt und erfordert menschliches Eingreifen.

Der neue GenAI-gestützte Modernisierungs-Workflow

Wir müssen auch den typischen SDLC ändern, wenn wir mit GenAI modernisieren. Der Prozess muss GenAI-unterstützte Teile und menschliche Validierung beinhalten. So könnte der GenAI-erweiterte Arbeitsablauf aussehen:

Modernisierung mit AWS

Für die GenAI-gestützte Modernisierung können wir mehrere Tools verwenden, aber lassen Sie uns die von AWS aus einer etwas spezifischen Perspektive betrachten. Einerseits können wir die Leistung von Standardtools wie CursorAI, Copilot, RooCode oder Amazon Q nutzen. Das Problem ist jedoch, dass Sie nicht wirklich kontrollieren können, was diese Tools hinter den Kulissen tun (obwohl sie oft gute Arbeit leisten!).

In der Regel haben solche Tools große Systemaufforderungen mit vielen Leitplanken und Regeln, die Ihnen helfen sollen, schneller und zuverlässiger zu arbeiten. Aber das Ergebnis ist, dass Sie nicht wissen, was sie tun. Sie können die komplexen Abläufe der Agenten nicht kontrollieren. Wenn sie tun, was Sie wollen, ist das großartig! Aber für komplexe Automatisierungsaufgaben sind sie oft nicht ausreichend.

Deshalb könnte es eine gute Idee sein, Cloud-Services zu nutzen und den Prozess auf eine individuelle Weise zu automatisieren. Wir erstellen den Modernisierungs-Workflow mit AWS-Services, mit denen wir experimentieren und automatisieren können. Lassen Sie mich dies anhand eines Beispiels näher erläutern.

Modernisierung eines .NET-Monolithen mit GenAI

Stellen Sie sich eine ASP.NET Web Forms-Anwendung mit 600.000 Zeilen vor, die Bestellungen, Rechnungen und Bestände verwaltet und die folgenden Attribute aufweist:

Wie kann ich mit der Modernisierung beginnen? Hier finden Sie die Schritte, die wir bei der Migration dieses Codes auf .NET Core befolgt haben.

Code-Ingestion & Analyse: GenAI hat uns geholfen, Webformulare, Geschäftslogik und SQL-Code zu analysieren, Abhängigkeitspläne zu erstellen und Hotspots zu identifizieren. Wir haben dies ohne Dokumentation getan, obwohl das Bild unten es als Eingabe darstellt. Eine Dokumentation wäre sicherlich hilfreich!

Wir haben zunächst Amazon Bedrock-Modelle verwendet, um den Code zu untersuchen, interessante Erkenntnisse zu sammeln und eine Dokumentation der Dateien und Module zu erstellen. Dann wurde die Dokumentation in OpenSearch Serverless mit den entsprechenden Einbettungen gespeichert. Dies hilft bei der Navigation zwischen verschiedenen Teilen des Systems, wenn Sie Beziehungen entdecken, und ermöglicht eine tiefer gehende Analyse der Arbeitsabläufe und internen Abhängigkeiten. Teilweise haben wir auch statische Analysewerkzeuge verwendet, aber sie waren in diesem Prozess nicht entscheidend.

Wissensextraktion und Experimentieren: Am Ende des vorangegangenen Schritts hatten wir eine vollständige und umfassende Dokumentation erhalten und konnten auch den Chatbot nutzen, der über komplexes Wissen über das System und seine Struktur verfügte. Und nun beginnt der interessante Teil: Wir nutzten dieses Wissen und den Legacy-Code, um mit der Modernisierung zu experimentieren.

Typischerweise sieht das folgendermaßen aus:

Und wiederholen Sie den Vorgang, wenn die Ergebnisse nicht zufriedenstellend sind. In der Regel liegt das Problem in Ihrer Eingabeaufforderung oder in Ihren Automatisierungsschritten. Wenn Sie z.B. die neuen Dateien konsistent generieren möchten, müssen Sie wahrscheinlich die bereits generierten Dateien in einen Kontext setzen, damit LLM weiß, wie die Namenskonvention lautet oder welche Funktionen bereits implementiert wurden. Hier gibt es eine Menge Experimente zu machen!

Die Experimente werden in der Regel in Jupyter Notebooks durchgeführt, und in unserem Fall war es AWS SageMaker AI, um die Zusammenarbeit im Team zu ermöglichen. Nach der Experimentierphase haben wir den gesamten automatisierten Workflow als eine Reihe von Workern implementiert, die auf Amazon ECS eingesetzt werden, um Hunderte von Dateien zu verarbeiten.

Transformation: Jetzt geht der Prozess erst richtig los. Wir können nun jeden Teil der Legacy-Anwendung mit voller Kontrolle über den Workflow migrieren. Im Wesentlichen wollten wir in diesem Beispiel zu Blazor migrieren, was eine Zerlegung des Frontends vom Backend erforderte, und dieser architektonische Schritt wurde von den Entwicklern überwacht und teilweise umgesetzt. In der Tat ist die GenAI-gestützte Modernisierung keine Zauberkiste, in die Sie den alten Code stecken und den modernisierten abrufen. Nein, es ist eine Menge manueller Aufwand erforderlich, aber GenAI vereinfacht und beschleunigt den Prozess erheblich. Wir haben die Automatisierungstools (die in den vorherigen Schritten vorbereitet wurden) verwendet, um:

Human-in-the-Loop-Überprüfung: Dies ist von entscheidender Bedeutung. Die Entwickler müssen den Code überprüfen und korrigieren - er ist nie ganz genau, und manchmal ist er sogar nicht kompilierbar. Wir können dann Standardtools verwenden, um die Ergebnisse zu verfeinern, Fehler zu beheben und zusätzliche Tests zu erstellen.

Das Ergebnis? Eine skalierbare, wartbare Architektur mit klarer Dokumentation und Testabdeckung - und das in einem Bruchteil der herkömmlichen Zeit. Was der "Bruchteil" bedeutet, hängt von der jeweiligen Technologie ab. In diesem Fall haben wir nicht nur viel Zeit gespart, sondern auch die Frustration der Teams vermieden, die gezwungen waren, einen mühsamen Prozess der Migration von Komponenten nach dem anderen zu lesen und durchzuführen.

Szenarien der realen Welt

Wir haben eine ganze Reihe interessanter Experimente, Proof-of-Concepts und echter, funktionierender Migrationen mit dem oben beschriebenen Ansatz durchgeführt. Hier ein paar Beispiele:

Herausforderungen und Überlegungen

Trotz ihres transformativen Potenzials ist die GenAI-gestützte Modernisierung nicht ohne Herausforderungen:

Fazit

GenAI ersetzt die Entwickler nicht - es befähigt sie. Durch die Automatisierung der mühsamen, fehleranfälligen Aspekte der Modernisierung ermöglicht GenAI den Teams, sich auf Architektur, Geschäftslogik und Innovation zu konzentrieren.

Anstatt Monate mit dem Reverse-Engineering von undokumentiertem Code oder dem Refactoring von Hand zu verbringen, können Entwickler mit intelligenten Assistenten zusammenarbeiten, die die Routinearbeit in großem Umfang erledigen.

Die Modernisierung muss nicht länger eine riskante, schmerzhafte Reise sein. Mit GenAI wird sie zu einem überschaubaren, iterativen und sogar aufregenden Prozess, der schneller, sicherer und intelligenter Werte schafft.

Wenn Unternehmen wettbewerbsfähig bleiben wollen, ist die Modernisierung von Altsystemen keine Option mehr. GenAI ist nicht nur ein hilfreiches Werkzeug auf diesem Weg - es ist ein Wendepunkt.

Erfahren Sie mehr über unsere AI-Native SDLC Engineering Lösung.