Tekoäly ja sen tarjoamat mahdollisuudet ovat olleet kaikkien huulilla jo useamman vuoden ajan. Jotkut ovat sitä mieltä, että erilaiset tekoälypohjaiset ratkaisut tulevat nostamaan tuottavuuden aivan uudelle tasolle, kun taas kriittisemmät äänet nostavat esiin erilaisia riskejä ja ongelmia tekoälyn käyttöön liittyen. Joka tapauksessa tekoäly, kavereiden kesken AI, on tullut jäädäkseen ja siihen perustuvat ratkaisut kehittyvät hurjaa vauhtia. Mutta miten tämä kaikki tulee muuttamaan integraatio- ja API-kehityksen maailmaa?
Integraatio- ja API-kehitys tarkoittaa yksinkertaistettuna erilaisten palvelujen ja sovellusten välisten liittymien ja niihin liittyvien rajapintojen (API:t) suunnittelua ja toteutusta. Rajapinnat tarjoavat pääsyn järjestelmien sisältämään dataan ja integraatioilla toteutetaan niihin nojaten sovelluslogiikkaa tiedonsiirtoon, -käsittelyyn ja -rikastamiseen liittyen. Integraatio- ja API-ratkaisuja kehitetään yhä useammin keskitetyillä integraatio- ja API-alustoilla erillisten point-to-point-toteutusten sijaan. Ne tarjoavat menetelmiä ja työkaluja itse kehitykseen, mutta myös ratkaisujen muuhun elinkaaren hallitaan esimerkiksi raportoinnin ja lokituksen muodossa.
Olemme Digialla aiemminkin bloganneet tekoälyn hyödyntämisestä integraatiokehittämisen tukena. Vuonna 2020 esittelimme Boomi-integraatioalustan tarjoamia tekoälyominaisuuksia. Tuolloin Boomi tarjosi apuja mm. dataformaattimuunnosten yhteydessä tehtäviin mäppäyksiin, virheanalyysiin ja erilaisiin suodatinsuosituksiin yhteyskutsujen luonnin apuna. Ratkaisujen taustalla oli Boomin keräämä metadata alustalle rakennettujen toteutusten konfiguraatioista, joita hyödynnettiin ehdotusten antamisessa.
Tänä päivänä Boomi ja useat muut Digian käyttämät integraatio- ja API-alustat tarjoavat kehityksen tueksi vaikkapa suuriin kielimalleihin perustuvia chatbot-tyylisiä virtuaaliavustajia, jotka tarjoavat käyttöliittymän erilaisille tekoälypohjaisille tukipalveluille. Näitä ovat mm. Microsoft Copilot in Azure, Mulesoftin Einstein ja Boomi AI. Nämä ratkaisut osaavat tuottaa konfiguraatioita, integraatioprosessien malleja tai vaikkapa prosessidokumentaatiota.
Keskustelimme taannoin Digialla asiantuntijoidemme kesken tekoälyn roolista asian tiimoilta järjestetyn heimotapaamisen puitteissa. Moni asiantuntijoistamme kertoi hyödyntäneensä erilaisia tekoälypohjaisia ratkaisuja arjen ongelmissaan, vaikkapa koodaamisen, testauksen tai erilaisten virhetilanteiden selvityksen apuna. Tekoälyn käyttö voi myös tehostaa uusien teknologioiden opiskelua.
Edellä mainittuja asioita on nostettu esiin myös erilaisissa aihetta koskevissa tutkimuksissa, joita ovat julkaisseet esimerkiksi tutkimusyritys Gartner. Niissä on nostettu esiin samoja riskejä, mistä keskustelimme heimotapaamisessamme, kuten immateriaalioikeuksien hallinnan haasteet sekä osaamisvajeen ja kognitiivisen vinouman syntyminen. Lisäksi keskusteluissamme tuotiin julki vaihtoehtoisia lähestymistapoja ongelmanratkaisuun, kuten vaikkapa Low-Code/No-Code-tyyppiset sovellusalustat, jotka ovat saaneet hyvin jalansijaa integraatio- ja API-kehitystyökalujen parissa. Vaihtoehtoisten keinojen käyttö ei tietenkään poissulje tekoälyratkaisujen hyödyntämistä.
Kokonaisuuden tai kontekstin kuvaaminen tekoälylle annettavissa syötteissä saattaa olla hankalaa, jopa mahdotonta. Tällöin esimerkiksi tekoälyn tuottama sovelluskoodi ei välttämättä ole täysin tarkoituksenmukaista ja kehittäjän työ kohdistuukin sovelluskoodin tuottamisen sijaan tekoälyn generoiman koodin virheenselvitykseen. Jossain tapauksissa myös testaamiseen käytettävä aika saattaa kasvaa. Laajojen kokonaisuuksien ja kontekstin kuvaamisen vaikeus rajoittaa tekoälyn käyttöä arkkitehtuurisuunnittelussakin. Tekoäly onkin ainakin tätä blogia kirjoitettaessa hyvä väline ratkaisemaan tarkasti rajattuja ongelmia – mutta vaikkapa integraatioarkkitehtuurin isoja kokonaisuuksia suunniteltaessa tarvitaan vielä ihmisen näkemystä ja ymmärrystä syy-seuraussuhteista ja kontekstista. Sen sijaan esimerkiksi yksittäisten funktioiden, APIen ja datamuunnosten generoinnissa tekoäly voi olla isokin apu, kuten myös isojen lokimassojen läpikäynnissä osana virheenselvitystä.
Muita mahdollisia käyttötapauksia ovat esimerkiksi erilaiset muunnostarpeet migraatioprojekteissa:
Tekoäly voi olla avuksi myös testaustapauksien luomisessa:
Tietoturva ja erityisesti tietosuoja kannattaa nostaa esiin erilaisia tekoälyratkaisuja pohdittaessa. Ovatko käytetyt työkalut oman ja mahdollisen asiakasorganisaation tietoturva- ja suojapolitiikan mukaisia? Entä mihin syötteisiin annettu data päätyy?
Erityisen tarkkana tulee olla asiakas- ja henkilödatan käytössä. Tuotantodatan kopiointi suoraan tekoälysyötteeseen saattaa kuulostaa houkuttelevalta, mutta tietoturvan ja -suojan näkökulmasta kyse on valtavasta riskistä, ellei jopa tietoturvaloukkauksesta. Pelkkiä tietoturvariskejä tekoälypohjaiset ratkaisut eivät kuitenkaan synnytä, vaan ne voivat olla avuksi esimerkiksi kehityksen aikaisessa tietoturvatestauksessa ja havaitsemassa erilaisia tietoturvauhkia tuotantoympäristössä haavoittuvuusskannausten ja uhka-analyysien yhteydessä.
Ainakin toistaiseksi voidaan todeta vanhaa sanontaa mukaillen, että tekoäly on hyvä renki, mutta huono isäntä. Ammattitaitoisia ja mukautuvia integraatioasiantuntijoita tullaan tarvitsemaan jatkossakin niin isojen arkkitehtuurilinjausten kuin yksittäisten prosessien suunnittelussa ja toteutuksessa. Tekoäly on siis yksi väline integraatioasiantuntijan työkalupakissa, jota voidaan tarpeen tullen hyödyntää ongelmanratkaisussa, toiminnan tehostamisessa tai muussa sopivassa paikassa.
Meillä Digialla ovat hallussa sekä integraatiot että tekoäly. Tutustu palvelutarjontaamme osoitteessa Digia.com ja käy tarkistamassa myös muut blogikirjoituksemme! Jos sinulla herää kysymyksiä aiheesta kuin aiheesta, niin otahan yhteyttä!