Résumé : Cette note technique explique comment les entreprises peuvent extraire des informations IA de grande valeur des référentiels mainframe existants, en abordant les questions d'accessibilité, de gouvernance et d'intégration afin de maximiser le retour sur investissement de l'analyse.
En bref : À l'aide d'une étude de cas fictive - NovaGuard Financial Services - cet article présente des étapes pratiques, des options de fournisseurs et des modèles de gouvernance qui permettent une IA fiable sur les données de l'ordinateur central.
AI Insights : Exploiter les données des ordinateurs centraux pour obtenir des gains en 2025
Les systèmes transactionnels hérités stockent des dizaines d'années d'enregistrements clients et opérationnels qui peuvent améliorer sensiblement la précision des modèles et l'intelligence économique. Pourtant, seule une fraction des équipes informatiques alimente régulièrement les pipelines d'IA avec les enregistrements des ordinateurs centraux, même si 92 % des responsables informatiques investissent dans l'analyse pilotée par l'IA pour faire progresser les initiatives en matière de données.
Les perspectives de l'IA et le défi de l'accessibilité des données pour les ordinateurs centraux
L'intégration des données de l'ordinateur central dans les piles d'IA modernes est souvent bloquée par des incompatibilités de protocole, des formats hérités et une provenance incertaine. IDC a constaté que 44 % des entreprises sont confrontées à des lacunes technologiques ou à des incompatibilités lorsqu'elles évaluent les options de migration ou de modernisation de l'ordinateur central.
Dans l'exemple de NovaGuard, les routines d'extraction ont nécessité un remaniement, un enrichissement des métadonnées et des connecteurs non perturbateurs avant que les modèles puissent consommer les données de manière fiable.
- Principaux obstacles : formats incompatibles, métadonnées manquantes et gouvernance cloisonnée.
- Corrections opérationnelles : extraction automatisée, normalisation des formats et capture des lignées.
- Fournisseurs et outils à évaluer : Connecteurs Rocket Software, adaptateurs Compuware et utilitaires de mappage Precisely.
| Défi | Impact sur l'IA | Atténuation pratique |
|---|---|---|
| Provenance inconnue | Biais de modèle, risque d'audit | Lignage et validation automatisés |
| Incompatibilité de format | Ingestion lente, erreurs | Normalisation à la volée |
| Accès en silo | Jeux de caractéristiques incomplets | Contrôles d'accès fédérés |
Exemple pratique : NovaGuard a mené un projet pilote qui a mis en évidence des prédicteurs de désabonnement cachés dans des journaux de transactions vieux de 30 ans après avoir mis en œuvre la capture de la lignée et la normalisation du format ; la précision des modèles prédictifs a augmenté de deux points de performance.
Aperçu : Donner la priorité à la provenance et à l'extraction non perturbatrice est la première étape pour transformer les archives des ordinateurs centraux en données d'entrée fiables pour l'IA.
AI Insights révèle : Gouvernance et sécurité des données mainframe
Une gouvernance solide va au-delà de la conformité et devient un catalyseur stratégique de l'échelle de l'IA. Les cadres modernes exigent une visibilité continue sur les flux de données, des contrôles d'accès intégrés et des pistes d'audit afin que les modèles soient formés sur des données d'entrée fiables.
Perspectives de l'IA sur la gouvernance des données, le lignage et la préparation à la réglementation
Alors que les entreprises préparent l'IA à des utilisations décisionnelles, la gouvernance doit garantir l'exactitude, la cohérence et la fiabilité à chaque étape du cycle de vie des données. Les examens statiques échouent dans les systèmes dynamiques ; la validation continue est obligatoire.
Les écosystèmes de fournisseurs comprennent IBM et BMC Software pour l'orchestration des politiques, Micro Focus pour les utilitaires d'intégration et Syncsort pour l'accélération de l'ETL. Une gouvernance pratique relie ces outils à des flux de travail automatisés.
- Éléments essentiels de gouvernance : lignage, métadonnées, règles de conservation et accès basé sur les rôles.
- Mesures de sécurité : cryptage en transit et au repos, détection des anomalies et accès renforcé aux ordinateurs centraux.
- Préparation à la réglementation : journaux d'audit automatisés et politique en tant que code pour une conformité reproductible.
| Dossier sur la gouvernance | Pourquoi c'est important | Implémentations courantes |
|---|---|---|
| Lignée automatisée | Favorise l'explicabilité et les audits | Moteurs de lignée + catalogues de métadonnées |
| Contrôles d'accès | Réduction de la surface de la brèche | RBAC, MFA, connecteurs cryptés |
| Validation continue | Maintien de la confiance dans les données au fil du temps | Tests programmés et alertes en cas d'anomalie |
Exemple de cas : un assureur réglementé utilisant les composants de CA Technologies et d'ASG Technologies a renforcé le lignage et réduit le temps d'audit de 60 % dans l'analyse de la production.
Aperçu : Considérer la gouvernance comme l'épine dorsale opérationnelle de l'IA - l'intégration de contrôles dans les pipelines réduit les risques et accélère l'adoption.
AI Insights à découvert : Stratégies d'intégration pratiques et ROI
Pour convertir les données de l'ordinateur central en informations exploitables sur l'IA, les entreprises doivent combiner des schémas d'intégration tactiques avec une sélection stratégique des fournisseurs et des indicateurs clés de performance clairs. Les équipes choisissent des voies différentes - certaines privilégient les connecteurs préconstruits, d'autres les adaptateurs personnalisés - mais les décisions doivent être guidées par des résultats commerciaux mesurables.
L'IA permet de comprendre les modèles d'intégration, les rôles des fournisseurs et les résultats mesurables.
Les modèles recommandés comprennent des connecteurs en temps réel pour l'analyse en continu, l'extraction par lots pour les magasins de données historiques et l'inférence de modèles colocalisés lorsque la latence ou la résidence des données est importante. Des fournisseurs tels que Rocket Software et Geniez permettent de faire le pont entre les LLM et les services mainframe, tandis que Precisely et Syncsort se concentrent sur la qualité et le mouvement des données.
Pour NovaGuard, une stratégie hybride - streaming pour la détection des fraudes et batch pour les modèles de durée de vie des clients - a permis d'accélérer de 25 % la fenêtre de détection et d'améliorer de manière mesurable la fidélisation.
- Options d'intégration : connecteurs de flux, façades d'API et inférence sur place sur les ordinateurs centraux.
- Rôles des fournisseurs : Rocket Software pour les connecteurs, Geniez pour les cadres LLM, IBM pour l'accélération de l'IA au niveau de l'ordinateur central.
- Indicateurs clés de performance à suivre : précision du modèle, temps de visibilité et coût par requête.
| Modèle | Cas d'utilisation | Prestations attendues |
|---|---|---|
| Connecteurs de diffusion en continu | Détection de la fraude en temps réel | Réduction de la latence de détection |
| Extraction par lots | Formation au modèle historique | Des caractéristiques plus riches, une meilleure précision |
| Inférence sur place | Prise de décision à faible latence | Réduction des coûts de déplacement des données |
Références d'outils et lectures complémentaires : Rocket Software fournit des conseils pratiques sur l'exploitation des données mainframe pour l'analyse pilotée par l'IA à l'adresse suivante Ressources de rocketsoftware.com. Des cas pratiques de modernisation sont discutés sur le portail du DPI à l'adresse suivante modernizationwithoutdisruption.cio.com et un article complémentaire sur l'intégration de l'IA avec les sources mainframe est disponible à l'adresse suivante modernizationwithoutdisruption.cio.com integration.
Parmi les autres fournisseurs et ressources de l'écosystème, on peut citer Geniez pour les cadres LLM-mainframe à l'adresse suivante geniez.ai, une note d'information de l'Economist sur l'exploitation de la valeur des ordinateurs centraux à l'adresse suivante impact.economist.comet les perspectives d'IBM sur l'utilisation de l'IA sur les ordinateurs centraux à l'adresse ibm.com. Des commentaires techniques sur l'exécution de l'IA directement sur les ordinateurs centraux sont également disponibles sur TechRadar à l'adresse suivante techradar.com.
Aperçu : Une approche d'intégration mixte alignée sur des cas d'utilisation spécifiques, soutenue par des indicateurs de performance mesurables et la bonne combinaison de fournisseurs, est la voie la plus rapide vers la valeur de l'IA.
Aperçus sur l'IA : Paysage des fournisseurs et liste de contrôle pratique pour l'adoption
Le choix des bons partenaires accélère les résultats. Des acteurs du marché comme IBM, Broadcom, BMC Software, Rocket Software, Micro Focus, Syncsort, CA Technologies, Precisely, Compuware et ASG Technologies traitent chacun des aspects de la connectivité, de la gouvernance ou de la performance.
Des connaissances en IA sur la sélection des fournisseurs, la portée du projet pilote et les indicateurs de réussite
Pour les projets pilotes, combinez un connecteur léger avec une solution de lignage de niveau audit et une mesure commerciale ciblée. NovaGuard a choisi un trio connecteur + lignage + qualité et a mené un projet pilote de six semaines sur un cas d'utilisation de fidélisation de la clientèle.
- Liste de contrôle du pilote : définir l'ICP, choisir le jeu de données, sélectionner les connecteurs, activer le lignage, mesurer l'augmentation.
- Critères de sélection : niveau de sécurité, interopérabilité, temps de latence et frais généraux d'exploitation.
- Intégrations courantes : Connecteurs Rocket Software, cartographie précise, outils de performance Compuware.
| Élément pilote | Produit livrable minimum | Mesure de la réussite |
|---|---|---|
| Sélection de l'ensemble de données | Tranche nette et représentative | Amélioration du modèle de base |
| Connecteur | Accès en lecture sans interruption | Objectifs atteints en matière de temps de disponibilité et de latence |
| Gouvernance | Lignage et audits automatisés | Réduction du temps d'audit |
Pour en savoir plus : un aperçu détaillé de Rocket Software sur le rôle des données mainframe dans l'IA d'entreprise est disponible à l'adresse suivante Perspectives de Rocket Software. Pour une vision plus large de l'industrie, voir les étapes pratiques pour déverrouiller les données des ordinateurs centraux à l'adresse suivante Les perspectives de rocketsoftware.com et une perspective indépendante à l'adresse suivante Portail de modernisation des DSI.
Aperçu : Un projet pilote concis, avec des indicateurs de performance mesurés et la bonne combinaison de fournisseurs, prouve rapidement la faisabilité et constitue un argument en faveur de l'adoption à grande échelle.
AI Insights : conseils opérationnels et stratégie à long terme
Pour réussir à long terme, il faut faire de la protection des données une compétence de base, et non un élément de la liste de contrôle. La surveillance continue, l'automatisation des politiques et les guides opérationnels transforment les projets ponctuels en capacités durables.
L'IA au service des opérations : runbooks, surveillance et amélioration continue
L'opérationnalisation de l'IA alimentée par l'ordinateur central implique la maîtrise du cycle de vie : des calendriers d'extraction aux déclencheurs de recyclage des modèles, en passant par les playbooks d'incidents. L'automatisation réduit les dérives manuelles et préserve la confiance dans les données au fil du temps.
- Éléments opérationnels : validation programmée, alertes automatisées, et pipelines de recyclage.
- Suivi des indicateurs clés de performance : dérive des données, modifications des schémas et intégrité de la lignée.
- Amélioration continue : intégrer les enseignements tirés des projets pilotes dans les feuilles de route des plateformes.
| Tâche opérationnelle | Objectif | Fréquence |
|---|---|---|
| Validation des données | Empêcher les intrants corrompus | Quotidiennement |
| Vérification de la lignée | Garantir la provenance | Hebdomadaire |
| Modèle de déclenchement du recyclage | Maintenir la précision | Axé sur les événements |
Lecture complémentaire et perspectives de sécurité : le quantum bipartisan et les implications en matière de cybersécurité sont examinés à l'adresse suivante analyse dualmedia. Pour la planification de la sécurité opérationnelle, consultez le briefing dualmedia à l'adresse suivante analyse dualmedia et d'intégrer ses recommandations dans les plans d'intervention en cas d'incident. D'autres références et approfondissements techniques peuvent être consultés à l'adresse suivante analyse dualmedia et pour l'alignement de la gouvernance, consulter la même ressource à l'adresse suivante analyse dualmedia. Pour les scénarios politiques et le contexte de la sécurité nationale, l'article dualmedia reste une vérification utile à l'adresse suivante analyse dualmedia.
Aperçu : La discipline opérationnelle et l'automatisation reproductible convertissent les gains pilotes en une IA digne de confiance à l'échelle de l'entreprise, pilotée par les données de l'ordinateur central.