در دنیای فناوری که با سرعتی سرسام‌آور در حال پیشرفت است، هنوز هم بخش‌های حیاتی از زیرساخت‌های اقتصادی و دولتی جهان بر پایه‌ی سیستم‌های نرم‌افزاری قدیمی یا “موروثی” (Legacy Systems) کار می‌کنند. زبان برنامه‌نویسی COBOL (کوتاه‌شده‌ی Common Business-Oriented Language) یکی از نمادهای اصلی این سیستم‌هاست. این زبان که در دهه‌ی ۱۹۵۰ میلادی طراحی شد، همچنان قلب تپنده‌ی بسیاری از سامانه‌های بانکی، بیمه، حمل‌ونقل و دولتی است. با وجود اهمیت استراتژیک این سیستم‌ها، نگهداری، توسعه و مدرن‌سازی آن‌ها با چالش‌های بزرگی روبرو است؛ از جمله کمبود متخصصان، پیچیدگی کدهای چند ده ساله و دشواری درک منطق تجاری نهفته در میلیون‌ها خط کد.

مقاله “Cobol2Vec: Learning Representations of Cobol code” به قلم آنکیت کولشرشتا و ویشواس لهله، یک گام جسورانه و نوآورانه برای حل این معضل برمی‌دارد. این مقاله با الهام از پیشرفت‌های خیره‌کننده در حوزه پردازش زبان طبیعی (NLP)، روشی را برای “ترجمه” کدهای COBOL به یک زبان قابل فهم برای ماشین، یعنی نمایش‌های برداری (Vector Representations)، ارائه می‌دهد. اهمیت این پژوهش در ایجاد پلی میان دو دنیای به ظاهر بی‌ارتباط است: فناوری‌های مدرن هوش مصنوعی و زبان‌های برنامه‌نویسی موروثی. با تبدیل کد به بردار، درهایی به روی کاربردهای جدیدی مانند جستجوی هوشمند کد، تحلیل خودکار، شناسایی خطا و کمک به فرآیند مهاجرت به سیستم‌های جدید گشوده می‌شود. در واقع، این مقاله نشان می‌دهد که چگونه می‌توان با استفاده از یادگیری ماشین، به کدهای قدیمی حیاتی دوباره بخشید و مدیریت آن‌ها را متحول کرد.

این مقاله توسط آنکیت کولشرشتا (Ankit Kulshrestha) و ویشواس لهله (Vishwas Lele) ارائه شده است. این دو پژوهشگر در زمان نگارش مقاله در شرکت فناوری Persistent Systems فعالیت داشتند که نشان‌دهنده‌ی خاستگاه صنعتی و کاربردی این تحقیق است. این پژوهش از یک نیاز واقعی در صنعت نرم‌افزار سرچشمه می‌گیرد: چگونه می‌توان بهره‌وری توسعه‌دهندگانی را که با سیستم‌های قدیمی و عظیم COBOL سروکار دارند، افزایش داد؟

زمینه‌ی این تحقیق در حوزه‌ای گسترده‌تر به نام “Source Code as Data” یا “Code as a Natural Language” قرار دارد. این دیدگاه بر این فرض استوار است که کدهای برنامه‌نویسی، همانند زبان‌های انسانی، دارای ساختار، الگوها و معنای قابل یادگیری هستند. در سال‌های اخیر، تکنیک‌های NLP مانند Word2Vec، GloVe و مدل‌های پیشرفته‌تر نظیر BERT با موفقیت برای زبان‌های مدرنی مانند پایتون، جاوا و C++ به کار گرفته شده‌اند (مانند پروژه‌های Code2Vec و CodeBERT). این مدل‌ها قادرند روابط معنایی بین توکن‌های کد را یاد بگیرند و کاربردهای فراوانی در تکمیل خودکار کد، یافتن خطا و ترجمه کد داشته‌اند. با این حال، زبان‌های قدیمی مانند COBOL به دلیل ساختار متفاوت و کمبود مجموعه داده‌های عمومی، تا پیش از این کمتر مورد توجه قرار گرفته بودند. مقاله Cobol2Vec این خلأ را پر کرده و نشان می‌دهد که این تکنیک‌ها برای احیای دانش نهفته در کدهای موروثی نیز کاملاً کارآمد هستند.

چکیده‌ی مقاله به وضوح هدف اصلی را بیان می‌کند: توسعه‌ی یک رویکرد یادگیری بدون ناظر (Unsupervised Learning) برای تبدیل کدهای نوشته‌شده به زبان‌های مین‌فریم قدیمی به بردارهای عددی با ابعاد ثابت. نویسندگان به طور خاص بر روی زبان COBOL تمرکز کرده و برای اثبات کارایی روش خود، دو اقدام کلیدی انجام داده‌اند:

• ایجاد یک پیکره (Corpus) از کدهای COBOL: از آنجایی که مجموعه داده‌های بزرگ و در دسترس از کدهای COBOL وجود ندارد، محققان خود اقدام به جمع‌آوری و ساخت یک پیکره‌ی کد برای آموزش مدل کرده‌اند. این خود یک دستاورد مهم محسوب می‌شود.
• ارزیابی مدل در یک وظیفه بازیابی کد (Code Retrieval): برای نشان دادن اینکه بردارهای تولید شده واقعاً معنای کد را در خود جای داده‌اند، یک سیستم بازیابی کد پیاده‌سازی شده است. در این سیستم، کاربر یک قطعه کد را به عنوان پرس‌وجو وارد می‌کند و مدل، قطعه کدهای مشابه از نظر عملکردی را از درون پیکره پیدا کرده و بازمی‌گرداند.

به طور خلاصه، این مقاله روشی را معرفی می‌کند که می‌تواند ساختار و معنای کدهای COBOL را در یک فضای برداری ریاضیاتی مدل‌سازی کند. در این فضا، قطعه‌ کدهایی که کار مشابهی انجام می‌دهند، حتی اگر با متغیرها و ساختارهای متفاوتی نوشته شده باشند، به یکدیگر نزدیک خواهند بود. این قابلیت، پایه‌ای برای توسعه‌ی ابزارهای هوشمند جهت تحلیل و مدیریت سیستم‌های COBOL است.

روش‌شناسی ارائه‌شده در این مقاله از چند مرحله‌ی کلیدی تشکیل شده است که با الهام از مدل‌های یادگیری عمیق در NLP طراحی شده‌اند:

1. جمع‌آوری و پیش‌پردازش داده‌ها: اولین و شاید پرچالش‌ترین گام، ساخت یک مجموعه داده‌ی مناسب بود. نویسندگان پیکره‌ای از کدهای COBOL را از منابع مختلف جمع‌آوری کردند. سپس، این کدها تحت فرآیند پیش‌پردازش قرار گرفتند. این فرآیند شامل توکنیزه کردن (Tokenization) یا شکستن کد به واحدهای معنادار (مانند کلمات کلیدی `MOVE`، `PERFORM`، `ADD`، نام متغیرها و عملگرها) و حذف بخش‌های غیرضروری مانند کامنت‌ها و فضاهای خالی اضافی بود.
2. مدل یادگیری Cobol2Vec: هسته‌ی اصلی این پژوهش، مدل یادگیری نمایش برداری است که بر اساس معماری مشابه Word2Vec (به احتمال زیاد مدل Skip-gram) ساخته شده است. در این مدل، یک شبکه‌ی عصبی ساده آموزش داده می‌شود تا با دیدن یک توکن (کلمه) از کد، توکن‌های همسایه آن را پیش‌بینی کند. این فرآیند به صورت بدون ناظر انجام می‌شود، یعنی نیازی به داده‌های برچسب‌دار نیست و مدل صرفاً با تحلیل هم‌رخدادی (Co-occurrence) توکن‌ها در میلیون‌ها خط کد، الگوها را یاد می‌گیرد.
3. تولید نمایش‌های برداری: پس از اتمام فرآیند آموزش، وزن‌های لایه‌ی پنهان شبکه عصبی به عنوان بردارهای نمایش (Embeddings) برای هر توکن منحصربه‌فرد در واژگان COBOL استخراج می‌شود. هر توکن (مثلاً `CUSTOMER-ID` یا `COMPUTE`) به یک بردار عددی با ابعاد مشخص (مثلاً ۳۰۰ بعدی) نگاشت می‌شود. برای به دست آوردن بردار یک قطعه کد کامل (مانند یک پاراگراف)، می‌توان بردارهای توکن‌های تشکیل‌دهنده‌ی آن را با هم (مثلاً با میانگین‌گیری) ترکیب کرد.
4. ارزیابی از طریق بازیابی کد: برای سنجش کیفیت بردارهای تولیدی، یک وظیفه‌ی عملی تعریف شد. در این وظیفه، یک قطعه کد به عنوان ورودی دریافت و بردار آن محاسبه می‌شود. سپس با استفاده از معیاری مانند شباهت کسینوسی (Cosine Similarity)، نزدیک‌ترین بردارها (و در نتیجه مشابه ترین قطعه کدها) از پایگاه داده بازیابی می‌شوند. موفقیت در یافتن کدهای مرتبط از نظر عملکردی، نشان‌دهنده‌ی قدرت مدل در درک معنایی کد است.

این پژوهش به نتایج و یافته‌های مهمی دست یافت که پتانسیل بالای این رویکرد را نشان می‌دهد:

• اثبات امکان‌پذیری: مهم‌ترین یافته این است که می‌توان با موفقیت تکنیک‌های یادگیری نمایش را بر روی زبان ساختاریافته و قدیمی مانند COBOL اعمال کرد. این نشان می‌دهد که کدهای COBOL نیز دارای الگوهای معنایی قابل کشف توسط الگوریتم‌های یادگیری ماشین هستند.
• ضبط روابط معنایی: بردارهای تولید شده توسط Cobol2Vec قادر به ثبت روابط معنایی بین توکن‌های کد هستند. برای مثال، انتظار می‌رود بردار کلمه‌ی کلیدی `ADD` به بردار `SUBTRACT` نزدیک‌تر باشد تا به بردار `OPEN-FILE`. همچنین، متغیرهایی که در زمینه‌های مشابهی استفاده می‌شوند (مثلاً `ACCOUNT-BALANCE` و `CUSTOMER-DEBIT`) در فضای برداری به یکدیگر نزدیک خواهند بود.
• کارایی در بازیابی کد: نتایج ارزیابی نشان داد که مدل در وظیفه‌ی بازیابی کد عملکرد مطلوبی دارد. این سیستم قادر است قطعه کدهایی را پیدا کند که از نظر منطق تجاری مشابه هستند، حتی اگر پیاده‌سازی آن‌ها از نظر نوشتاری متفاوت باشد. این یک مزیت بزرگ نسبت به روش‌های جستجوی مبتنی بر کلمات کلیدی ساده است.

دستاوردهای Cobol2Vec فراتر از یک پژوهش آکادمیک بوده و کاربردهای عملی متعددی در صنعت نرم‌افزار دارد:

• مدرن‌سازی سیستم‌های موروثی: ابزارهای مبتنی بر Cobol2Vec می‌توانند به مهندسان کمک کنند تا منطق‌های پیچیده‌ی تجاری نهفته در کدهای قدیمی را سریع‌تر درک کنند، کدهای تکراری (Code Clones) را شناسایی کرده و فرآیند انتقال (Migration) به پلتفرم‌های جدید را تسهیل نمایند.
• افزایش بهره‌وری توسعه‌دهندگان: یک موتور جستجوی هوشمند کد، به توسعه‌دهندگان جدید و حتی باتجربه اجازه می‌دهد تا به سرعت نمونه کدهای مرتبط برای یک وظیفه‌ی خاص را پیدا کنند. این امر زمان یادگیری و توسعه را به شدت کاهش می‌دهد.
• پایه‌ای برای وظایف پایین‌دستی (Downstream Tasks): این نمایش‌های برداری می‌توانند به عنوان ورودی برای مدل‌های یادگیری ماشین پیشرفته‌تر جهت انجام وظایفی مانند موارد زیر استفاده شوند:
  • خلاصه‌سازی کد (Code Summarization): تولید خودکار توضیحات متنی برای قطعه کدهای COBOL.
  • شناسایی خطا (Bug Detection): یافتن الگوهای کد غیرمعمول که احتمالاً منجر به خطا می‌شوند.
  • ترجمه کد (Code Translation): کمک به ترجمه‌ی خودکار کد از COBOL به زبان‌های مدرن‌تر مانند جاوا یا پایتون.

مقاله “Cobol2Vec: Learning Representations of Cobol code” یک پژوهش پیشگام و ارزشمند است که با موفقیت، شکاف میان دنیای هوش مصنوعی مدرن و مهندسی نرم‌افزار سیستم‌های موروثی را پر می‌کند. نویسندگان نشان دادند که حتی یک زبان برنامه‌نویسی با قدمت بیش از نیم قرن مانند COBOL نیز می‌تواند توسط الگوریتم‌های یادگیری عمیق “درک” شود. این رویکرد، با تبدیل کد به نمایش‌های برداری معنادار، پتانسیل عظیمی برای حل چالش‌های دیرینه‌ی نگهداری و نوسازی سیستم‌های حیاتی مبتنی بر COBOL فراهم می‌آورد.

این پژوهش راه را برای تحقیقات آینده هموار می‌کند. گام‌های بعدی می‌تواند شامل ساخت پیکره‌های بزرگ‌تر و متنوع‌تر، استفاده از معماری‌های پیشرفته‌تر مانند ترنسفورمرها (ایجاد مدلی مانند CobolBERT) و توسعه‌ی ابزارهای کاربردی end-to-end برای مهندسان نرم‌افزار باشد. در نهایت، Cobol2Vec یادآوری می‌کند که نوآوری تنها در خلق فناوری‌های جدید نیست، بلکه در یافتن راه‌های هوشمندانه برای استفاده از این فناوری‌ها برای حل مشکلات قدیمی و پایدار نیز هست.