以生成式AI和自动化,加速主机应用全生命周期
作者:Keri Olson,IBM IT 自动化副总裁;Andy Bradfield,IBM ZaaS 与机密计算负责人
北京2024年5月24日 /美通社/ -- 扩展AI应用带来的业务成果显而易见。IBM商业价值研究院最新发布的年度CEO调研报告显示,与同行相比,处于生成式AI前沿、以数据驱动创新的公司年净利润要高出72%,年收入增长则高出17%。实现这些收益的关键一步是采用针对业务量身定制的AI助手。
IBM watsonx™ Code Assistant for Z 是一款基于AI的编码助手,旨在加快大型主机应用的应用生命周期,利用生成式 AI 和自动化功能推动现代化技术的发展。
今年早些时候,IBM watsonx Code Assistant for Z 在 Visual Studio Code (VS Code) 中为其生成式 AI 和自动化功能提供了统一的通用体验。它可提供简化和生成测试的功能,并附有互动演示,可以通过实际用例了解这些功能的应用效果。
基于此,我们很高兴地宣布一项新的功能——代码解释(code explanation),作为 watsonx Code Assistant for Z的附加功能使用。此外,IBM watsonx Code Assistant for Z 的代码转换功能也可在本地部署,预计将于2024 年 6 月向客户全面开放。
IBM watsonx Code Assistant for Z之代码解释
通过 IBM watsonx Code Assistant for Z,开发人员可以利用生成式 AI 来创建 COBOL 代码的自然语言解释。这可以帮助开发人员轻松了解现有的关键任务应用,并制定相应的应用现代化战略。这对于开发团队处理复杂且庞大的应用尤为重要,尤其是那些没有完备记录、需要专业技能的应用。
为了支持应用现代化中理解、重构和转换代码等工作,watsonx Code Assistant for Z 利用生成式 AI,帮助开发人员更好地理解他们选择的应用。它能为应用中的COBOL 代码创建自然语言解释,帮助开发人员理解,同时减少更新代码解释所需的人工,直接将这些解释保存或作为注释插入代码中,从而简化文档维护和更新的工作。
代码解释旨在帮助不熟悉特定应用的开发人员更好地学习,弥补知识差距,加快开发或现代化进程。借助代码解释功能,企业可以解决员工的知识瓶颈问题,让资深专家专注于执行更高阶的现代化任务。这将帮助IT决策者在现代化项目的理解和重构阶段,做出更明智的选择。
本地部署版本即将发布:适用于混合云环境的解决方案
数据安全和隐私是许多企业尤其关心的议题。基于IBM watsonx Code Assistant for Z的本地部署版本,客户可选择在内部IT环境中实现 COBOL语言向Java语言的转换,利用生成式 AI加速应用现代化,并通过控制和定制化来满足特定需求。该版本将于6月正式发布,届时,企业可本地部署 IBM watsonx Code Assistant for Z,并使用其理解、重构、转换和验证等功能。
如需了解 watsonx Code Assistant for Z 的更多功能,请点击链接预约实时演示或在线浏览互动演示。
好文章,需要你的鼓励
随着IT成为企业运营的核心支撑,IT服务台的重要性日益凸显。现代ITSM平台已从简单的帮助台发展为复杂的管理系统,集成了工单跟踪、资产管理、性能监控等功能。这些平台的核心是工单门户,确保请求得到及时处理。许多产品强调自助服务功能和AI集成,通过智能路由、预测分析和生成式AI来提高问题解决效率。本文详细介绍了21款主流ITSM工具,帮助企业选择适合的解决方案。
韩国AI研究院团队深入研究了大型语言模型的置信度评估机制,发现AI有时会对错误答案表现出过度自信的"幻觉"现象。研究揭示了AI内部"置信度计算器"的系统性偏差,提出了"内部一致性检测"方法来识别AI的真实确信程度,为开发更可靠的AI系统提供了重要科学基础。
思科与英伟达、VAST Data合作推出安全AI工厂,整合服务器、GPU和存储设备为企业提供一体化AI基础设施。该方案采用融合基础设施形式,以AI POD作为核心组件,搭载英伟达RTX PRO 6000 Blackwell GPU和思科UCS服务器。存储方面支持NetApp、Pure Storage或VAST Data产品。VAST声称其InsightEngine能够加速RAG管道,将响应延迟从分钟级降至秒级,支持企业级智能体AI应用。
苹果公司研究团队通过创新的GSM-Symbolic测试方法,发现当前先进AI系统在数学推理方面存在严重缺陷。研究表明,AI虽然在标准测试中表现优异,但面对表述稍有变化的同类问题时准确率显著下降,暴露出其缺乏真正的逻辑理解能力,主要依赖模式匹配而非推理。这项发现为AI评估提供了新标准,并为未来开发更可靠的AI推理系统指明了方向。