論文の概要: Legacy Modernization with AI -- Mainframe modernization

• arxiv url: http://arxiv.org/abs/2512.05375v1
• Date: Fri, 05 Dec 2025 02:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.873218
• Title: Legacy Modernization with AI -- Mainframe modernization
• Title（参考訳）: AIによるレガシーモダナイゼーション -- メインフレームのモダナイゼーション
• Authors: Sunil Khemka, Arunava Majumdar,
• Abstract要約: AI駆動の近代化戦略を採用することで、企業は簡単にコンテナ化された環境やハイブリッドクラウドプラットフォームに移行することができる。 機械学習モデルには、メインフレームを通り抜け、効率性を見極め、自動テストとデプロイメントを実行する能力がある。 この2つの結合は、コアビジネスロジックの保存だけでなく、より迅速なイノベーションの実現、ダウンタイムの低減、システムのレジリエンスの向上に関するものです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence-assisted legacy modernization is essential in changing the stalwart mainframe systems of the past into flexible, scalable, and smart architecture. While mainframes are generally dependable, they can be difficult to maintain due to their high maintenance costs, the shortage of skills, and the problems in integrating them with cloud-based systems. By adopting AI-driven modernization strategies such as automated code refactoring, migration of data using smart tools, and predictive maintenance, companies can easily move to microservices, containerized environments, and hybrid cloud platforms. Machine learning models have the capability to go through legacy codebases, figure out efficiency opportunities, and carry out automated testing and deployment. Besides that, AI improves the organization's operational efficiency by generating the insights that can be used to level the workload and detect the anomalies. The coupling of the two is not only about saving the core business logic but also about enabling quicker innovation, less downtime, and enhanced system resilience. Therefore, the use of AI in mainframe modernization is a catalyst for digital transformation and enterprise growth that is sustainable over time.
• Abstract（参考訳）: 人工知能が支援するレガシーの近代化は、過去の頑丈なメインフレームシステムを柔軟でスケーラブルでスマートなアーキテクチャに変える上で不可欠である。 メインフレームは一般的に信頼性が高いが、高いメンテナンスコスト、スキルの不足、クラウドベースのシステムと統合する際の問題点のためにメンテナンスが難しい場合がある。 自動コードリファクタリングやスマートツールを使用したデータのマイグレーション,予測メンテナンスといったAI駆動の近代化戦略を採用することで,マイクロサービスやコンテナ環境,ハイブリッドクラウドプラットフォームへの移行が容易になる。 マシンラーニングモデルには、レガシーコードベースを通過し、効率性を見極め、自動テストとデプロイメントを実行する能力がある。 さらに、AIは、ワークロードのレベル付けと異常の検出に使用できる洞察を生成することによって、組織の運用効率を改善する。 この2つの結合は、コアビジネスロジックの保存だけでなく、より迅速なイノベーションの実現、ダウンタイムの低減、システムのレジリエンスの向上に関するものです。 したがって、メインフレームの近代化におけるAIの使用は、時間の経過とともに持続可能なデジタルトランスフォーメーションと企業成長の触媒となる。

関連論文リスト

• Lost in Code Generation: Reimagining the Role of Software Models in AI-driven Software Engineering [1.3124479769761592]
  このシフトは、ソフトウェアモデルの再構築を動機付けている、と私たちは主張する。 事前の青写真としてのみ機能するのではなく、AI生成コードからモデルを取り出すことができる。 この役割では、モデルは人間の意図、AI生成、長期システムの進化の間の仲介者として機能する。
  論文  参考訳（メタデータ） (2025-11-04T11:03:31Z)
• Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
  現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。 当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
  論文  参考訳（メタデータ） (2025-07-03T02:45:51Z)
• AI Flow: Perspectives, Scenarios, and Approaches [51.38621621775711]
  私たちは最先端のITとCTの進歩を統合するフレームワークであるAI Flowを紹介します。 まず、デバイスエッジクラウドフレームワークは、エンドデバイス、エッジサーバ、クラウドクラスタを統合する基盤として機能する。 第2に,家族モデルの概念を導入し,同列に隠れた特徴を持つ様々なサイズのモデルに言及する。 第3に、コネクティビティとインタラクションに基づくインテリジェンスの出現は、AI Flowの新たなパラダイムである。
  論文  参考訳（メタデータ） (2025-06-14T12:43:07Z)
• Epistemic Artificial Intelligence is Essential for Machine Learning Models to Truly 'Know When They Do Not Know' [10.098470725619384]
  AIの素晴らしい成果にもかかわらず、不確実性を扱うAIシステムの能力には大きなギャップがある。 従来の機械学習アプローチは、データ適合性の過大評価のため、この問題に対処するのに苦労している。 このポジションペーパーは、認識論的人工知能へのパラダイムシフトを示し、モデルが知っていることから学ぶ必要性を強調している。
  論文  参考訳（メタデータ） (2025-05-08T05:10:38Z)
• AI-Driven Innovations in Modern Cloud Computing [2.3931689873603594]
  本稿では,AIとクラウドコンピューティングがアプリケーションモダナイズのためのトランスフォーメーション機能を実現するためにどのように相互作用するかを考察する。 AIとクラウドの両技術の組み合わせによって、テクノロジプロバイダはインテリジェントなリソース管理、予測分析、自動デプロイメントとスケーリングを活用できるようになった。
  論文  参考訳（メタデータ） (2024-10-21T12:45:10Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• Agility in Software 2.0 -- Notebook Interfaces and MLOps with Buttresses and Rebars [9.327920030279586]
  本稿では,機械学習開発の基本となる2つの現代的発展現象について論じる。 まず、統合開発環境への容易な移行をサポートすることにより、ノートブックにおける作業の本質的な弱点を解消できるソリューションを提案する。 第2に、MLOpsコンテキストにメタファ的な執着と残響を導入することで、AIシステムの強化エンジニアリングを提案する。
  論文  参考訳（メタデータ） (2021-11-28T13:40:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。