Softwaremodernisierung mit GenAI – The Good, the Bad, the Unexpected

Neuen Code mit Large Language Models zu erzeugen, ist für uns längst keine Neuheit mehr. Doch der Traum, alte Softwaresysteme per Knopfdruck mithilfe künstlicher Intelligenz zu modernisieren, ist noch weit entfernt. Alte Softwaresysteme sind – sagen wir – doch etwas spezieller. In diesem Vortrag zeige ich, wie generative KI (GenAI) in diesem Bereich dennoch schon heute sinnvoll eingesetzt werden kann, wo wir (noch) an Grenzen stoßen und wo bei der Zusammenarbeit mit unseren modernen KI-Kollegen ganz andere, unerwartete Effekte auftreten.

Transcript

1. Softwaremodernisierung mit GenAI The Good The Bad The SIBB // Digitalverband Berlin-Brandenburg, 27.05.2025, Berlin Markus Harrer Software Evolutionist Unexpected
2. 2 Softwaremodernisierung mit GenAI The Good, the Bad, the Unexpected ✓ GenAI um Software ✗ GenAI in Software
3. back in 2014 … Code- Analyse Statische/ dynamische Analyse-Tools Legacy- Modernisierung Migration, Refactoring, Ersatz, ... Mein Einstieg in das Thema 3 Architektur- Reviews Data Science Strukturierte Vorgehen Automa- tisierte Analysen Software Analytics , Automatisierung Saubere Analyse, Reproduzierbarkeit
4. Das Problem von Software Analytics 4 “Vom Wiegen wird die Sau nicht fett.”
5. Eine neue Hoffnung 5 ab 2019 Deep Learning Program Generator CLGen https://github.com/ChrisCummins/clgen (von 2017)
6. Eine neue Hoffnung 6 Artificial Intelligence Machine Learning Deep Learning ab 2019
7. Totale Euphorie 7 seit 2023 Artificial Intelligence Machine Learning Data Science , Automatisierung Saubere Analyse, Reproduzierbarkeit Deep Learning GenAI LLM Legacy- Modernisierung Migration, Refactoring, Ersatz, ... GPTs AI-assisted Modernization
8. GenAI to the Rescue? 8 Legacy System Wisdom Blower LogOmagic SellChef Die Zentrale The Sourcerer
9. 9 The Good Endlich auch coole Tools für Legacy Systeme
10. 10 Übernommen, korrigiert und ergänzt nach einer Idee von Bilgin Ibryam https://generativeprogrammer.com/p/ai-coding-assistants-landscape/ generisch agentisch assistierend spezialisiert Mit Tools von morgen Systeme von gestern heute verbessern Codex CLI
11. AI-assisted Root Cause Analysis 11 Bild von https://resolve.ai/blog/case-study-blueground Logs Metrics Code API Docs Runbooks Slack
12. Softwarearchäologie 12 mit Claude Code auf Basis der Git-Historie • Die wichtigsten Entwicklungen der Scheduling-Komponente: - März 2013: Mike startete das Feature mit grundlegenden Implementierungen - Juli 2013: REST-Schnittstelle wurde von Mike entwickelt - Dezember 2013: Umfassende Überarbeitung mit AddSchedulingUser/Date und Voting - Januar 2014: AWS-Backend-Integration durch Mike und Charlie - Februar 2014: Refactoring mit Enum für YES/NO/MAYBE und XSS-Schutz - Februar/März 2014: Implementierung der Löschfunktionen - Juli 2016: Finale Verbesserungen mit "final date" und "event Date" Funktionen Mike war hauptverantwortlich für die Grundarchitektur, während Charlie und Matthew später wichtige Verbesserungen beitrugen. „Fasse mir die wichtigsten vergangenen Entwicklungen der Scheduling-Komponente zusammen.“
13. Vibe Coding von Analyse-Tools 13
14. 14 Konzepte
15. 15 Inventar
16. Historie Quellcode
17. Lokale LLMs 17 Devstral Distill-Qwen-32B R1 Phi-4 t
18. /* * OpenClinica is distributed under the * GNU Lesser General Public License (GNU LGPL). * For details see: http://www.openclinica.org/license * copyright 2003-2011 Akaza Research */ package org.akaza.openclinica.control.submit; import java.io.File; import java.text.DateFormat; import java.text.SimpleDateFormat; import java.util.ArrayList; import java.util.Collections; import java.util.Date; import java.util.HashMap; import java.util.Iterator; import java.util.LinkedList; import java.util.List; import java.util.Locale; import java.util.Map; import java.util.Set; import java.util.TreeSet; import javax.servlet.ServletConfig; import javax.servlet.ServletContext; import javax.servlet.ServletException; import javax.servlet.http.HttpServletRequest; import javax.servlet.http.HttpServletResponse; import javax.servlet.http.HttpSession; import javax.sql.DataSource; import org.apache.commons.beanutils.BeanUtils; import org.akaza.openclinica.bean.admin.AuditBean; import org.akaza.openclinica.bean.admin.CRFBean; import org.akaza.openclinica.bean.core.AuditableEntityBean; import org.akaza.openclinica.bean.core.DataEntryStage; import org.akaza.openclinica.bean.core.EntityBean; import org.akaza.openclinica.bean.core.ItemDataType; import org.akaza.openclinica.bean.core.NullValue; import org.akaza.openclinica.bean.core.NumericComparisonOperator; import org.akaza.openclinica.bean.core.ResolutionStatus; import org.akaza.openclinica.bean.core.Role; import org.akaza.openclinica.bean.core.Status; import org.akaza.openclinica.bean.core.SubjectEventStatus; Code-Zusammenfassungen … als Podcast-Episode mit Googles NotebookLM
20. 20 The Bad Legacy Systeme != Heile Welt
21. Was Foundation Models sahen und lernten 21 Zeichnung von Daniel Storii {turnoff.us}, Thanks to Michael Tharrington
22. Was LLMs jetzt sehen (müssen?) 22 Zeichnung von Daniel Storii {turnoff.us}, Thanks to Michael Tharrington
23. 23 Die Grenzen meiner Sprache bedeuten die Grenzen meiner Welt. – Ludwig Wittgenstein
24. 24 Lösungsansatz 1 Ausbau der Wissenswelt
25. Modellen die Hausregeln beibringen 25 Visualisierung von OpenAI, ziemlich sicher generiert mit ChatGPT https://platform.openai.com/docs/guides/model-optimization RAG Externes Wissen in Anfragen integrieren Instruction Tuning Befolgen der Anweisungen verbessern RLHF Durch menschliche Rückmeldung verbessern Fine-Tuning Auf bestimmte Aufgaben feinabstimmen Alignment Auf ethische Werte abstimmen Aufwand Retrieval Augmented Generation Reinforcement Learning from Human Feedback
26. 26 Lösungsansatz 2 Einschränkung der Wissenswelt
27. Ganz „spezielle“ Korrekturen 27 „Atemlos durch die Nacht“
28. Ganz „spezielle“ Korrekturen 28 Teil I: Einschränken des Problembereichs z. B. Tree-sitter Parsergenerator und Parserbibliothek Analyze oder auch: Semgrep, Acorn, OpenRewrite LST, jQAssistant Knowledge Graphs, Rector, … Entwickly Finde alle Klassen- Kommentare Klassen- kommentare
29. Ganz „spezielle“ Korrekturen 29 Teil II: Ermitteln der Probleme Hier sind Kommentare, Finde die Fakes! OK, hier sind sie LLM Evaluate Entwickly Klassen- kommentare Fake- Kommentare
30. Ganz „spezielle“ Korrekturen 30 Teil III: Kochen lassen nach Rezept Hier sind Fake- Kommentare, korrigiere diese! Erledigt! Improve LLM Entwickly Korrigierte Kommentare Fake- Kommentare Rezept
31. Ganz „spezielle“ Korrekturen 31
32. Ganz „spezielle“ Korrekturen 32 Das Beispiel als Jupyter Notebook https://bit.ly/gh-fake-comments
33. 33 The Unexpected Mehr Code-Pflege
34. Maker Innovation und Ideen Schnell zum Markt Feature-fokussiert Rapid Prototyping Idee zum MVP 80% Lösung Kick bei Go Live Endlich mehr Care-Arbeit https://unsplash.com/photos/1lGeOg6IULc 34
35. Mender Probleme lösen Technische Schulden angehen Produkt stabilisieren Bugfixing und Integration Stetige Verbesserung Beharrlich und kontinuierlich https://unsplash.com/photos/D6cgenSS5NY 35 Endlich mehr Care-Arbeit
36. Mender Probleme lösen Technische Schulden angehen Produkt stabilisieren Bugfixing und Integration Stetige Verbesserung Beharrlich und kontinuierlich https://unsplash.com/photos/D6cgenSS5NY 36 Endlich mehr Care-Arbeit
37. Das große Revival der Dev-Doku! 37 LLMs benötigen Vorgaben wie Code-Konventionen, Architekturstandards, Programmierstile, unsere „Spezalitäten“ etc. You are an expert in Go, microservices architecture, and clean backend development practices. Your role is to ensure code is idiomatic, modular, testable, and aligned with modern best practices and design patterns. ### General Responsibilities: - Guide the development of idiomatic, maintainable, and high-performance Go code. - Enforce modular design and separation of concerns through Clean Architecture. - Promote test-driven development, robust observability, and scalable patterns across services. ### Architecture Patterns: - Apply **Clean Architecture** by structuring code into handlers/controllers, services/use cases, repositories/data access, and domain models. - Use **domain-driven design** principles where applicable. - Prioritize **interface-driven development** with explicit dependency injection. - Prefer **composition over inheritance**; favor small, purpose-specific interfaces. - Ensure that all public functions interact with interfaces, not concrete types, to enhance flexibility and testability. ### Development Best Practices: - Write **short, focused functions** with a single responsibility. - Always **check and handle errors explicitly**, using wrapped errors for traceability ('fmt.Errorf("context: %w", err)'). - Avoid **global state**; use constructor functions to inject dependencies. - Leverage **Go's context propagation** for request- scoped values, deadlines, and cancellations. ... Auszug aus Cursor Rules von https://cursor.directory/go-microservices →
38. 38 Fazit Softwaremodernisierung mit GenAI
39. Modernisierung mit GenAI gibt Hoffnung 39 Legacy Systeme werden uns nämlich noch länger beschäftigen… Intelligenz Zeit Wir alle müssen uns nicht mehr mit Legacy Systemen herumärgern
40. Meine persönliche Hoffnung 40 Die größte Chance von GenAI ist nicht, dass sie Legacy-Systeme verändern, sondern unsere Einstellung zu ihnen.
41. Fragen, Diskussionen, Anregungen 41 Networking gerne im Anschluss Vielen Dank!