نوسازی سیستمهای قدیمی نیازمند فهم این است که کد، داده و قواعد کسبوکار یک برنامه چگونه در کنار هم قرار میگیرند، پیش از آنکه بازسازی شود.
BotMan AI از یک خط تولید مهاجرت مبتنی بر هوش مصنوعی استفاده میکند که وابستگیها، منطق کسبوکار و مدلهای داده یک برنامه را در یک گراف دانش نقشه میکند. به گفته آلخاندرو دآندرئا، بنیانگذار و مدیر فناوری BotMan، این زمینه به عامل‌ها کمک میکند سیستمی را که بازسازی می‌کنند بهتر تفسیر کنند.
او گفت: «هوش دیگر مسئله نیست. مسئله زمینه است. باید همه چیزهایی را که عامل برای فهم نحوه انجام یک کار مشخص لازم دارد به آن توضیح بدهی. چه می‌شود اگر مجبور نباشی توضیح بدهی؟ چه می‌شود اگر از پیش همه چیزهایی را که تو می‌دانی بداند؟ این کلید ماجراست.»
دآندرئا در مجموعه مصاحبه‌های «theCUBE + NYSE Wired: AI Luminaries» با جان فوریر از theCUBE Research گفت‌وگو کرد؛ استودیوی پخش زنده رسانه SiliconANGLE. آن‌ها درباره اینکه گراف‌های دانش چگونه از نوسازی سیستمهای قدیمی پشتیبانی می‌کنند و به عاملهای هوش مصنوعی زمینه کسبوکار قابل استفاده مجدد می‌دهند صحبت کردند.
گراف دانش چگونه از نوسازی سیستمهای قدیمی پشتیبانی میکند
به گفته دآندرئا، BotMan AI از گراف‌های دانش برای نمایش چگونگی ارتباط اجزای یک برنامه و قواعد کسبوکار با یکدیگر استفاده میکند. رویکرد این شرکت معماری برنامه را بازسازی میکند، نه اینکه صرفاً کد قدیمی را به زبان تازه‌تر ترجمه کند.
او توضیح داد: «در واقع از یک کد پایه قدیمی — دلفی، ویژوال بیسیک، Oracle Forms — مهاجرت می‌کنیم و همان سیستم را در معماری تازه بازنویسی می‌کنیم. کل سیستم را از نو معماری می‌کنیم. همه چیز را یک‌جا می‌گیریم و کاملاً خودکار مهاجرت می‌دهیم. اینجاست که گراف‌ها نقش بزرگی بازی می‌کنند.»
فراتر از مهاجرت کد، گراف‌های دانش می‌توانند زمینه قابل استفاده مجدد برای عاملهای هوش مصنوعی فراهم کنند. به گفته دآندرئا، نقشهکردن روابط در لحظه ورود اطلاعات به سیستم می‌تواند کار کشف و جست‌وجوی لازم برای پرس‌وجوهای بعدی را کم کند.
او مثالی زد: «یک سند حقوقی می‌گیرید. در همان لحظه که آن را می‌گیرید می‌توانید همه روابط را با اسناد دیگر بسازید. می‌توانید بگویید این مربوط به این پروژه مشخص، این خسارت مشخص و این دعوای حقوقی مشخص است. این کار را یک بار انجام می‌دهید. بعد هر عاملی که وظیفه‌ای به آن بسپارید، خودکار از گراف می‌فهمد که همه آن اطلاعات هم ممکن است مرتبط باشد.»
به گفته دآندرئا، وصل کردن اطلاعات بی‌ساختار به موجودیت‌های قابل تشخیص راه دیگری برای بازیابی زمینه کسبوکار به عامل‌ها می‌دهد. یک شخص، پروژه یا محصول می‌تواند پیام‌ها و اسناد جداافتاده را به هم وصل کند.
او گفت: «یکی از چیزهایی که در پردازش این اطلاعات بی‌ساختار برای ما کار کرد این بود که آن‌ها را از راه موجودیت‌ها به هم وصل کنیم. یک موجودیت برای ما یک شخص، یک پروژه یا یک محصول است. سیستم شما را می‌جوید، همه ارتباط‌هایی که از پیش دارید، پروژه‌هایی که روی آن کار می‌کنید، تعامل‌هایی که داشته‌ایم و همه چیز را می‌بیند. بعد می‌فهمد آن تکه اطلاعات کجا باید بنشیند.»
مصاحبه ویدئویی کامل، بخشی از پوشش مجموعه «theCUBE + NYSE Wired: AI Luminaries» توسط SiliconANGLE و theCUBE، در دسترس است. در یادداشت افشا آمده است که theCUBE شریک رسانه‌ای پرداخت‌شده این مجموعه است و نه Neo4j، حامی پوشش رویداد، و نه دیگر حامیان هیچ کنترل تحریریه‌ای بر محتوای theCUBE یا SiliconANGLE ندارند.