Al AI gebruikt voor integratie? De mogelijkheden en kansen op de grootste integratieplatformen

De afgelopen tijd hebben we binnen de business unit Integratie van ilionx Hyperautomation in Den Bosch nader gekeken naar het thema AI en integratie.

We hebben gekeken naar enkele integratieplatformen: Wat bieden zij nu met AI en wat brengt de toekomst? Daarnaast hebben we binnen onze groep geïnventariseerd welke AI-tooling er nog meer wordt ingezet wanneer het om het thema integratie gaat.

AI & integratieplatformen

De meeste integratieplatformen maken onderscheid in twee soorten samengaan van AI en integratie

Je gebruikt integraties om AI te ontsluiten
Je gebruikt AI binnen je integratieplatform, bijvoorbeeld bij het ontwikkelen van integraties

Het eerste aspect, het ontsluiten van AI middels integraties, laten we hier verder buiten beschouwing. Als integratie-experts weten we dat je met integratie informatie, gebeurtenissen en functionaliteit deelt – en onder dat laatste valt dan ook AI. Zet er een API op en je kunt je prompt (invoer) insturen, en een ChatGPT-tekst als reactie ontvangen. Net zoals je ook op een ERP-systeem een API kunt gebruiken om er informatie in of uit te halen. Business as usual.
Het tweede aspect, het gebruik van AI binnen je integratieplatform, is iets dat de laatste jaren in opkomst is. Bij het éne integratieplatform wat meer dan bij het andere – vandaar dat we dit verder hebben onderzocht: Hoe kan AI ons leven als integratiespecialisten makkelijk maken? Kun je sneller ontwikkelen? Beter in de operatie draaien? Of is het (nu nog) een hoop gebakken lucht?

Integratieplatformen

Om daar achter te komen hebben we de volgende integratieplatformen onderworpen aan een nader onderzoek:

Boomi
IBM
Informatica
Microsoft Azure Integration Services
Mulesoft
Red Hat
Tibco BusinessWorks
WebMethods
Workato
WSO2

AI-capabilities voor integratie

Voor ieder platform hebben we onderzocht welke manier ze AI toe kunnen passen. Daarbij zijn we de volgende capabilities tegengekomen, die overigens niet allemaal door elk platform worden ingezet (deze lijst is gebaseerd op een presentatie die IBM bij ons heeft gegeven en dit bleek de grootste set aan capabilities te zijn):

Makkelijker ontwikkelen:
- Ontwikkelen (algemeen): het ondersteunen van ontwikkelaars bij het ontwikkelen van interfaces
- Mapping: het geautomatiseerd voorstellen van een mapping tussen twee berichtstructuren (bijvoorbeeld het veld straat linken aan straatnaam)
- Transformatie en code: op basis van voorbeelden een transformatie-algoritme voorstellen (bijvoorbeeld: naam is 1e letter van de voornaam + achternaam)
- Flows: diverse integratieplatformen bieden de mogelijkheid om (visueel) flows samen te stellen. AI maakt een flow op basis van een verhalend stukje tekst (bijvoorbeeld: stuur een bericht naar een Teams kanaal zodra er een incident is aangemaakt in Service Now)
Sneller testen:
- Tests opzetten: het opzetten van test cases
- Tests uitvoeren: het automatisch uitvoeren van test cases met gegenereerde test data gebaseerd op de API specificatie
Productie veiligstellen:
- Beveiliging: op basis van machine learning patronen (of breuken in patronen) herkennen die kunnen duiden op een beveiligingsprobleem
- Testen: controle tussen daadwerkelijk gebruik van de interfaces en bestaande test cases, om ontbrekende test cases voor te stellen
- Gateway: AI modellen op een gecontroleerde manier ontsluiten, eigenlijk zoals een API Management platform (of API Gateway) dat voor API’s doet

Boomi

Bij Boomi ligt de grote nadruk van het inzetten van AI bij de inzet van GenAI (Generatieve AI), waarbij Boomi GPT de motor is van de meeste andere Boomi AI Agents.

Boomi Scribe en Boomi Answers helpen op het gebied van documentatie maken respectievelijk het toegankelijk maken van de algemene Boomi documentatie.

Boomi DataDetective help bij het identificeren van Persoonlijk Identificeerbare Informatie, gebaseerd op een scan van code – deze Agent maakt dus géén gebruik van daadwerkelijke gegevens van Productie (maar kan er wel voor zorgen dat je in Productie op een correcte wijze met deze data omgaat).

De overige Agents helpen bij het ontwerpen en daadwerkelijk bouwen van integraties.

Hiermee lijkt Boomi vooralsnog in te zetten op de ontwikkelfase van integratie en nog niet zozeer op test en operatie.

IBM

Zoals eerder genoemd, eerst even een disclaimer: de indeling van de capabilities is ontleend aan een model van IBM, vandaar dat IBM op het eerste gezicht hoog lijkt te scoren.

AI staat al lang op de kaart bij IBM – het AI-platform Watson is al lange tijd beschikbaar. Het is dan ook niet verbazingwekkend dat IBM zo breed op AI inzet, ook op het gebied van integratie.

Nog niet alle modules in bovenstaande tabel zijn al (volledig) beschikbaar, maar IBM laat hiermee wel een sterke visie zien over de inzet van AI.

Omdat Watson niet met ‘het hele internet’ is getraind, blijkt het sterker te presteren op generatief gebied (GenAI).

Informatica

Bij Informatica maakt integratie deel uit van de Intelligent Data Management Cloud, wat wordt ondersteund door Informatica’s CLAIRE. CLAIRE lijkt vooral inzetbaar op het gebied van datamanagement, datamodellen en data driven processen en biedt daarmee minder specifieke toepassingen voor integratie.

In de praktijk blijken suggesties van CLAIRE niet altijd zinvol te zijn en wordt er derhalve weinig of geen gebruik van gemaakt binnen onze groep.

Microsoft Azure Integration Services

Azure Integration Services omvat meerdere integratie-componenten. Wil je ondersteuning van AI, dat kan – maar dan ben je wel toegewezen op de standaard Microsoft Copilot of Github Copilot. Er is géén integratiespecifieke AI-ondersteuning, ook niet in de planning.

MuleSoft

MuleSoft bouwt voort op het krachtige Einstein AI van moederbedrijf SalesForce. Qua systeemarchitectuur is deze oplossing een van de meer volwassen oplossingen.

Echter is de oplossing nog weinig bruikbaar op dit moment en komen er flinke hiaten bij kijken. Einstein AI draait binnen SalesForce en is dus enkel te gebruiken als een MuleSoft klant ook SalesForce gebruikt; binnen Nederland is dit globaal een van de laagste percentages en hebben de meeste MuleSoft klanten geen SF.

De inzet van Einstein AI binnen MuleSoft is op dit moment nog erg beperkt. Het werkt enkel in de nieuwe ontwikkelomgeving, welke nog niet in algemeen gebruik is doordat deze nog niet feature compleet is. Daarnaast genereert de AI enkel Flows, en geen mapping logica de flows zijn ook nog vaker niet functioneel dan wel. Het intensieve werk, de mapping, kan dus nog niet middels Einstein AI worden gedaan. Externe AI platformen zoals ChatGPT en GitHub Copilot zijn hier beter in.

Red Hat

Red Hat Fuse is sinds afgelopen zomer ‘end of life’, en is opgevolgd door Red Hat Camel. Red Hat werkt aan het optuigen van AI-applicaties, maar doet op dit moment nog niets specifiek op het gebied van integratie. Op gebruikersfora zijn wel individuele ervaringen te vinden over het gebruik van AI voor integratie, maar dat is op eigen initiatief, en niet beschikbaar gemaakt door Red Hat. Wellicht komt hier verandering in met de recente overname van Neural Magic, al valt het woord ‘integratie’ niet in het persbericht.

TIBCO BusinessWorks

TIBCO heeft een Smart Mapper ontwikkeld, welke ‘powered by AI’ is. Daarnaast heeft het een zelf-schalende en zelf-helende Smart Engine ontwikkeld. Deze modules bestaan al een paar jaar, en er zijn sindsdien geen verdere noemenswaardige ontwikkelingen op AI-gebied geweest bij TIBCO. Wel positief is dat TIBCO als één van de weinigen al actief is in het ‘Productie’-domein van het capability-model.

webMethods

webMethods is (onder de vlag van Software AG) op het gebied van beschikbare AI-producten voor integratie nog in een vroeg stadium. Dit is wat de website over webMethods AI zegt:

Wilt u een integratie? Vraag het gewoon. Dat is het grote, ambitieuze idee achter webMethods AI, het autonome integratieplatform dat de zakelijke verzoeken van uw team vertaalt naar aangepaste verbindingen en workflows. Er is geen integratie-ervaring vereist.

Een mooie visie, maar op dit moment dus nog toekomstmuziek. Mogelijk dat de overname door IBM (en hun ervaring met Watson) daar in de toekomst meer werk van kan maken. Maar nu is het dus nog even afwachten.

Workato

Workato is een low/no code integratie tool die zich voornamelijk richt op het rechtstreeks verbinden van applicaties en heeft ingebouwde workflow scheduling/monitoring capabilities. Het maakt gebruik van een Copilot oplossing om de developers te ondersteunen op diverse gebieden. Het is mogelijk om een integratie door copilot te laten voorstellen op basis van een beschrijving (‘ik wil deze gegevens uit deze applicatie met deze filtering naar de andere applicatie versturen’).

WSO2

Ook van WSO2 hebben we een presentatie gekregen. Tijdens deze sessie werden enkele van de hierboven genoemde AI-capabilities gedemonstreerd. Het resultaat is niet altijd even behulpzaam, en een deel van de capabilities is nog niet beschikbaar. Maar WSO2 heeft dus wél een specifieke AI-visie voor integratieplatformen (en hun ontwikkelaars), dus wellicht werken de modellen in de toekomst beter.

Best bruikbare integratiespecifieke AI-capabilities op integratieplatformen

Hieronder staat een grafisch overzicht van de best bruikbare integratiespecifieke AI-capabilities op integratieplatformen. Hierbij is gekeken naar hoeveel integratiespecifieke AI-capabilities er op een integratieplatform beschikbaar zijn en hoe ze functioneren (verticaal) en hoe integratie-gericht hun AI-visie is (horizontaal). Daarbij geldt dat activiteit of visie op runtime-niveau zwaarder telt dan test-niveau, en die weer zwaarder dan ontwikkel-niveau. Let op: niet-integratiespecifieke (of: algemene) AI-capabilities zijn buiten beschouwing gelaten! En voor iedere as is een ranking gemaakt waarbij ieder platform een unieke score krijgt – deze score is indicatief en relatief.

IBM en WSO2 laten zien dat ze al veel integratiespecifieke AI-ondersteuning beschikbaar hebben én ook op termijn nog gaan releasen. Daarmee lopen ze duidelijk voor op de andere integratieplatformen. Boomi is ook goed onderweg, met name op het gebied van het ondersteunen van de developer. Tibco heeft weliswaar minder tooling beschikbaar, maar laat wel zien dat ze ook in de runtime integratie-omgeving AI kunnen inzetten. Samen met MuleSoft en Workato de middenmoot. De andere platformen lopen achter en lijken ook niet veel haast te maken met inlopen op hun rivalen.

Generieke tooling

Naast het toepassen van integratiespecifieke AI-tooling aangeboden door de leveranciers van de integratieplatformen, wordt er in het werkveld ook gebruik gemaakt van generieke AI-tooling, zoals ChatGPT. Hiervan wordt regelmatig gebruik gemaakt om code te genereren. De ervaring leert echter wel dat het geen kwaad kan om er nog even met een kritisch en ervaren oog naar te kijken, want er sluipen wel eens foutjes in. Maar al met al wordt dit wel als beter ervaren dan de tooling binnen de integratieplatformen.

Wat kunnen we ermee?

De grote nadruk op de inzet van AI voor integratie ligt nu nog op generatieve AI om code te genereren (of een basis flow-structuur), al wordt daar vaak de inzet van bijvoorbeeld ChatGPT als minstens even effectief ervaren. Ook andere ontwikkel-aspecten krijgen nu AI-aandacht, op het gebied van test en operatie loopt het aantal AI-capabilties voor integratie achter.

Binnen het ontwikkelen slagen de diverse AI-capabilities er nu nog niet in om complexe zaken op te pakken zonder fouten. Een menselijke controle is altijd nodig. Daarnaast lijkt veel tooling niet veel tijd te besparen. Zelf een mapping maken kost ongeveer net zoveel tijd als een door AI gegenereerde mapping controleren en fixen. Flows genereren werk alleen op basaal niveau, in de praktijk worden flows ook niet van ‘scratch’ opgebouwd, maar wordt er gebouwd op basis van een template of een reeds bestaande flow. Bij dit soort eenmalige acties wordt niet veel tijd bespaard.

Meer valt in de toekomst te verwachten in de operatie – hier zit meer repeterend werk in, en dus meer tijdsbesparing. Bijvoorbeeld het analyseren van datastromen (volumes), foutmeldingen etc. Hiervoor is echter nog niet veel beschikbaar.
Naast de integratie-gerelateerde AI-tools wordt er meer gebruik gemaakt van generieke tools. Een mooi voorbeeld hiervan is het volgende project:

Bij één van onze klanten heeft een collega een pilot gedaan met de inzet van AI (large language models, LLMs). De situatie is, dat er beperkt documentatie aanwezig is over zo’n 100 interfaces, wat het lastiger maakt om bestaande integraties over te zetten op een nieuw integratieplatform (andere leverancier dan het huidige/oude platform).
Met hulp van scripting en LLMs is er een service-catalogus gemaakt en zijn er op basis van de broncode van iedere interface diagrammen gegenereerd die de flow (inclusief vertakkingen) laat zien. Daarnaast is er ook een link gelegd met operationele informatie uit Azure DevOps en is er middels LLMs informatie uit de bestaande (maar beperkte) documentatie gehaald. Dit is allemaal samengebracht tot een overzicht per interface. Dit zou handmatig vele malen meer werk zijn geweest, én met deze automatisering is het ook makkelijk en snel om wijzigingen te verwerken (lees: hergenereren).
Tot slot is er ook een interface getransformeerd van het huidige/oude platform naar een alternatief platform – dit laat zien dat een integratieplatformmigratie deels geautomatiseerd kan worden uitgevoerd.

In dit laatste voorbeeld wordt duidelijk dat je met kennis van AI / language models én kennis van integratie pas écht profijt hebt van AI. Wij verwachten wat dat betreft dat het zeer behulpzaam kan zijn bij onder meer migratie-trajecten van het ene naar het andere integratieplatform. Aan de ene kant om de as-is goed in kaart te kunnen brengen (bij gebrekkige documentatie), en aan de andere kant om code om te zetten.

Conclusie

De diverse integratieplatformleveranciers zijn in meer of mindere mate bezig met het toepassen van AI op hun platformen. Op dit moment wordt er dan vooral ingezet op tooling om het de ontwikkelaar makkelijker te maken. Helaas is de effectiviteit nog niet hoog genoeg, en moet er veel handmatig worden gecontroleerd en gecorrigeerd. Per saldo win je met dit soort éénmalige acties (je maakt een mapping maar één keer) weinig.

Een enkeling kijkt ook vooruit richting testen en operatie/runtime. Daar valt mogelijk in de toekomst méér te bereiken. Door slim te (regressie)testen kun je de kwaliteit van je integratieplatform verhogen, en door patronen te signaleren in de operatie kun je mogelijk verstoringen voorkomen.

Daarnaast zien juist buiten de standaard AI-integratiecapabilities van de platformen, grote kansen voor de slimme inzet van AI. We doen dan ook diverse niche onderzoeken om zo in de nabije toekomst delen van platformmigraties te kunnen vereenvoudigen en automatiseren met de hulp van AI-tooling.

Bronnen

We hebben, onder meer, deze bronnen geraadpleegd – hier vind je meer informatie: