In der heutigen digitalen Welt sind veraltete Legacy-Anwendungen ein großes Problem für viele Unternehmen. Die MongoDB Inc. hat sich nun mit ihrem MongoDB Application Modernization Platform (AMP) diesem Problem angenommen. Das AMP ist eine Kombination aus Tools, strukturierten Modernisierungsmethoden und menschlichem Fachwissen, die es ermöglicht, jahrzehntealte Anwendungen in moderne, skalierbare Dienste umzuwandeln. Dies ist besonders wichtig, da veraltete Legacy-Anwendungen oft Innovationen hemmen und das Risiko bei Änderungen stark erhöhen.
Laut dem Consortium for Information & Software Quality wird das Problem der technischen Schulden auf 1,52 Billionen US-Dollar geschätzt. Das AMP von MongoDB kann die Modernisierungszeiten um bis zu zwei Drittel verkürzen. Es ist das Ergebnis von über zwei Jahren Entwicklung und Kundenversuchen. Das AMP deckt nicht nur die Datenbankebene ab, sondern auch die gesamten Anwendungsstapel, die oft veraltete Frameworks, brüchige Laufzeitumgebungen und schlecht dokumentierte gespeicherte Prozeduren enthalten.
Ein Beispiel für den Erfolg des AMP ist die Schweizer Bank Lombard Odier & Co Ltd., die die Migrationstestzeiten von drei Tagen auf drei Stunden reduzieren konnte. Ebenso berichtete die australische Bendigo and Adelaide Bank Ltd. von einer 90%igen Reduzierung der Entwicklungszeit, die benötigt wurde, um eine Kernbankanwendung von einer relationalen Datenbank zu MongoDB Atlas zu migrieren.
Es ist wichtig zu betonen, dass das AMP von MongoDB kein "Black-Box"-Ansatz ist, bei dem alter Code einfach in ein großes Sprachmodell eingespeist wird. Stattdessen ermöglicht die Toolunterstützung von MongoDB, das Problem in kleinere Teile aufzuteilen und einen interaktiven sowie automatisierten Prozess zu verwenden. Die Datenbank spielt hierbei eine wichtige Rolle, da sie das Gedächtnis und die Quelle der Wahrheit für intelligente Systeme ist. MongoDB's JavaScript-Notations basiertes Dokumentenmodell, integriert mit Vektor- und Textsuche, ist gut für KI geeignet, da es sich mit der Art und Weise, wie große Sprachmodelle und KI-Frameworks Daten konsumieren und ausgeben, deckt.
