‏IBM Bob؛ نجات داده‌های قدیمی برای هوش مصنوعی

تو این پست از IBM اومده که بزرگ‌ترین گیر پروژه‌های هوش مصنوعی سازمانی خودِ داده‌ست: باارزش‌ترین دانش کسب‌وکار معمولاً توی اپلیکیشن‌های قدیمی، دیتابیس‌های on-premises و انبار اسناد نشسته که هیچ‌وقت برای AI طراحی نشدن. بعضی‌شون API مدرن ندارن و داده رو فقط از راه صفحه‌های قدیمی یا stored procedure بیرون می‌دن.

کراش‌بنک سال‌ها روی همین مشکل تو حوزه‌ی پشتیبانی IT کار کرده و حالا با IBM Bob همون الگو رو به سازمان‌های دیگه تعمیم داده. Bob به توسعه‌دهنده کمک می‌کنه سیستم قدیمی رو تحلیل کنه، اسکیما دربیاره، کد ingestion و تست بنویسه و سرور MCP بسازه؛ سروری که داده‌ی سازمان رو به مدل‌هایی مثل Claude، ChatGPT و Llama وصل می‌کنه.

نمونه‌ی واقعیش یه شرکت مهندسی برق بود که کسب‌وکارش روی یه SQL Server محلی می‌چرخید و راه دسترسی بیرونی درست‌وحسابی نداشت. Bob مستقیم به داده‌ی production کوئری نزد؛ به جاش کوئری و export پیشنهاد داد و توسعه‌دهنده بازبینی و اجراشون کرد. بعد هم نقشه‌ی دیتابیس، اسکیمای Apache Iceberg و کد پایتون و Airflow DAG لازم برای انتقال داده به watsonx.data ساخته شد.

به گفتهٔ نویسنده‌ها کاری که قبلاً یه تیم چهارنفره تا شش هفته می‌بردش، الان با یکی‌دو توسعه‌دهنده و نصف زمان تموم می‌شه و فاصله‌ی PoC تا استقرار به حدود دو هفته رسیده. ولی تأکید می‌کنن این سرعت به قیمت بی‌نظمی مهندسی به دست نیومده: هیچ کدی بدون تست و بازبینی انسانی به production نمی‌ره و اسکن داده‌ی حساس سر جاشه.

نکات کلیدی:

• بیشتر داده‌های باارزش سازمان‌ها توی سیستم‌های قدیمی بدون API مدرن گیر افتاده
• IBM Bob تحلیل سیستم، ساخت اسکیما، کد ingestion، تست و سرور MCP رو سرعت می‌ده
• معماری داده‌ی کراش‌بنک روی watsonx.data، Iceberg، Milvus، Presto و Spark بالا اومده
• سرور MCP لایه‌ی دسترسی امن و governance رو می‌سازه و به Claude، ChatGPT یا Llama وصل می‌شه
• انسان تو حلقه می‌مونه: بازبینی کوئری، کد و مسیر دسترسی قبل از اجرا
• تو یه پروژه‌ی دیگه با ترکیب داده‌ی ERP و CRM یه مدل پیش‌بینی churn و رابط Streamlit ساختن