Esta es una traducción que desde EGA Futura ofrecemos como cortesía a toda la Ohana y comunidad de programadores, consultores, administradores y arquitectos de Salesforce para toda Iberoamérica
El enlace a la publicación original, lo encontrarás al final de este artículo.
…
MuleSoft está mejorando sus capacidades de integración, gestión de API e IA en el mundo en rápida evolución de la IA. Aunque los modelos de generación de código existentes han mejorado la eficiencia en muchos sectores, no son adecuados para generar código en lenguajes específicos del ecosistema de MuleSoft, como DataWeave, RAML y OAS.
En esta entrada de blog, exploraremos la sinergia entre MuleSoft y la IA. También hablaremos de las ventajas y limitaciones de modelos existentes como CodeX y CodeGen, y de cómo un modelo interno de IA centrado en MuleSoft puede abordar estos retos.
La generación de código supone un reto en el ecosistema MuleSoft. Los modelos de generación de código de código abierto basados en IA, como CodeX y CodeGen, han demostrado su eficacia con lenguajes de programación populares como Java y Python. Sin embargo, no son eficaces con lenguajes como Go, Julia o lenguajes específicos de dominio (DSL) utilizados en MuleSoft. Los lenguajes específicos de MuleSoft como DataWeave, RAML y OAS requieren un enfoque diferente que los modelos de IA de propósito general pueden tener dificultades para proporcionar. Además, hay varias áreas en las que los desarrolladores de MuleSoft pueden necesitar ayuda.
Identifiquemos algunos problemas comunes a los que se enfrentan los desarrolladores al empezar con MuleSoft e integrarlo en sus proyectos, y veamos cómo puede ayudar la IA.
1. Primeros pasos: A muchos desarrolladores les resulta difícil empezar a utilizar MuleSoft debido a su naturaleza especializada. Puede que no estén familiarizados con lenguajes de diseño de API como RAML y OAS, y puede resultar difícil construir una API perfecta siguiendo las mejores prácticas y estándares. La paleta de Mule consta de varios conectores y componentes, por lo que resulta abrumador para los nuevos desarrolladores decidir cuáles utilizar.
2. DataWeave: Algunas transformaciones de DataWeave pueden ser complejas, implicando cargas útiles anidadas y mapeos intrincados. Los desarrolladores necesitan conocer varias funciones de DataWeave y adquirir experiencia práctica en el campo de juego de DataWeave para realizar mapeos de forma eficiente.
3. Depuración y pruebas: La depuración de aplicaciones Mule puede llevar mucho tiempo, especialmente cuando se trata de un vasto ecosistema de integración que implica múltiples sistemas finales y API. Aunque existen herramientas como Test recorder para automatizar los casos de prueba, la validación de los casos de prueba unitarios con MUnits y la búsqueda de la máxima cobertura de pruebas pueden resultar complejas.
4. Obtener ayuda: Los desarrolladores y arquitectos suelen necesitar ayuda para elegir el patrón de integración y los conectores adecuados, así como para optimizar sus soluciones.
5. Documentación: Redactar documentación para las especificaciones de las API y los proyectos de Mule puede llevar mucho tiempo. También es esencial mantener y actualizar esta documentación para alinearla con los cambios en las API y las aplicaciones Mule.
Para hacer frente a estos retos, MuleSoft ha desarrollado su propio Modelo de Aprendizaje de Lenguajes (LLM). Los modelos de IA de terceros, como GPT 3.5 y GPT 4, permiten conversaciones similares a las humanas con chatbots, pero no están adaptados al ecosistema de MuleSoft. El LLM de MuleSoft reentrena continuamente los modelos con los datos más recientes de MuleSoft, lo que garantiza un conocimiento actualizado de las versiones en evolución de MuleSoft. El conjunto de datos de formación prioriza la profundidad sobre la amplitud y elimina los datos obsoletos, alineándose con el cumplimiento de confianza y seguridad de Salesforce.
MuleSoft también está trabajando en otras capacidades de IA, como Einstein para Anypoint Code Builder, que convierte el lenguaje natural en flujo y fragmentos de código, reduciendo el tiempo de desarrollo. Intelligent Document Processing (IDP) permite una automatización perfecta para extraer e interpretar datos de PDF y documentación con precisión. API Management for AI permite crear políticas personalizadas para aplicaciones API mediante LLM, así como IA generativa para casos de uso específicos.
En conclusión, combinar el conocimiento del ecosistema de MuleSoft con un modelo interno dedicado de IA es la clave para acelerar el desarrollo de la integración. Esta solución proporciona herramientas excepcionales para la generación de código, depuración, pruebas y soporte, desbloqueando nuevas posibilidades para una integración y desarrollo de aplicaciones sin fisuras.
Para obtener más recursos e información, consulte la entrada del blog. El autor de este artículo es Akshata Sawant, Senior Developer Advocate en Salesforce y miembro activo de la comunidad MuleSoft.
…
Esta es una traducción realizada por EGA Futura, y este es el link a la publicación original: https://developer.salesforce.com/blogs/2024/01/accelerate-your-mulesoft-journey-with-ai.html
