এমসিপি বিপ্লব: এআই ল্যান্ডস্কেপ পুনর্গঠন

ChatGPT-এর আবির্ভাবের পর থেকে, বৃহৎ ভাষা মডেলগুলির (LLMs) উন্নতির নিরলস সাধনা এআই ল্যান্ডস্কেপের একটি বৈশিষ্ট্য। প্যারামিটারের আকারের উপর প্রাথমিক মনোযোগ ধীরে ধীরে ব্যবহারিক প্রয়োগের দিকে সরে গেছে, তবুও এআইয়ের ক্ষমতাকে কাজে লাগাতে চাওয়া ব্যবসার জন্য উল্লেখযোগ্য চ্যালেঞ্জ রয়ে গেছে। কম্পিউটিং পাওয়ারের সাথে যুক্ত উচ্চ খরচ এবং এআই অ্যাপ্লিকেশন ইকোসিস্টেমের খণ্ডিত প্রকৃতি এখনও সমালোচনামূলক উদ্বেগের কারণ। কোম্পানিগুলি প্রায়শই দেখে যে এআই-তে তাদের যথেষ্ট বিনিয়োগ প্রত্যাশিত রিটার্নে অনুবাদ করে না, যার ফলে একটি স্থায়ী “আরওআই দ্বিধা” দেখা দেয়।

এমসিপি এবং এ২এ-এর আবির্ভাব: একটি দৃষ্টান্ত পরিবর্তন

২০২৫ সালে মডেল কনটেক্সট প্রোটোকল (MCP) এবং এজেন্ট২এজেন্ট (A2A) প্রোটোকলের আবির্ভাব এআই অ্যাপ্লিকেশন উন্নয়নের বিবর্তনে একটি গুরুত্বপূর্ণ মুহূর্ত। এমসিপি-র লক্ষ্য হল ডেটা সিলো ভেঙে দেওয়ার জন্য ইন্টারফেসগুলিকে স্ট্যান্ডার্ডাইজ করা, এলএলএমগুলিকে দক্ষতার সাথে বাহ্যিক সংস্থানগুলিতে অ্যাক্সেস করতে সক্ষম করা এবং সিস্টেম এবং প্ল্যাটফর্মগুলিতে নির্বিঘ্নে ডেটা প্রবাহকে সহজতর করা। A2A আরও এজেন্টদের মধ্যে নির্বিঘ্ন মিথস্ক্রিয়াকে উৎসাহিত করে, সমন্বিত সিস্টেম গঠনের জন্য সহযোগিতা ও যোগাযোগ বৃদ্ধি করে।

এমসিপি থেকে এ২এ-তে পরিবর্তন এআই অ্যাপ্লিকেশন ইকোসিস্টেমে “উন্মুক্ততা”-র উপর ক্রমবর্ধমান জোর দেয়। এই উন্মুক্ততা প্রযুক্তিগত আন্তঃকার্যকারিতা এবং সহযোগী মনোভাব উভয়কেই অন্তর্ভুক্ত করে। বৃহত্তর দৃষ্টিকোণ থেকে, এই পরিবর্তন প্রযুক্তি উন্নয়নের একটি স্বাভাবিক অগ্রগতিকে প্রতিফলিত করে: প্রাথমিক উত্তেজনা থেকে ব্যবহারিক প্রয়োগে স্থানান্তর এবং বিচ্ছিন্ন উদ্ভাবন থেকে সহযোগী ইকোসিস্টেম বিবর্তন।

ঐতিহাসিকভাবে, এলএলএম-এর মূল্য প্যারামিটারের স্কেল এবং স্বতন্ত্র ক্ষমতার জন্য অসামঞ্জস্যপূর্ণভাবে আরোপিত হয়েছে। আজ, এমসিপি এবং এ২এ এআই অ্যাপ্লিকেশনগুলির মধ্যে আন্তঃসংযোগের গুরুত্বপূর্ণ সমস্যা সমাধান করে এবং এলএলএম ইকোসিস্টেমের প্রতিযোগিতামূলক গতিশীলতাকে নতুন আকার দেয়। এআই অ্যাপ্লিকেশন উন্নয়ন একটি “একা নেকড়ে” পদ্ধতি থেকে আন্তঃসংযুক্ততার মডেলে বিকশিত হচ্ছে। এর জন্য সিটিওদের জন্য এআই মূল্যের পুনর্বিবেচনা প্রয়োজন, শুধুমাত্র মডেলের আকার এবং “অল-ইন” কৌশল অনুসরণ করার পরিবর্তে বিভিন্ন এআই ক্ষমতাকে সংযুক্ত করে এমন প্ল্যাটফর্মগুলিকে কাজে লাগানোর উপর মনোযোগ সরিয়ে দেওয়া উচিত। লক্ষ্য হল জৈবিকভাবে এআইকে বিদ্যমান ব্যবসায়িক প্রক্রিয়া এবং উৎপাদন ব্যবস্থায় অন্তর্ভুক্ত করা, সহযোগিতা ও মানককরণের মাধ্যমে সামগ্রিক দক্ষতা উন্নত করা, ন্যূনতম computational সংস্থান দিয়ে জটিল সমস্যা সমাধান করা এবং “আরওআই দ্বিধা” কাটিয়ে ওঠা।

নষ্ট কম্পিউটিং এবং ভুলভাবে সারিবদ্ধ পরিস্থিতি

উচ্চ-বিনিয়োগ, নিম্ন-আউটপুট বাধা অতিক্রম করতে না পারার অক্ষমতা দীর্ঘদিন ধরে এলএলএম-এর বাস্তবায়নকে জর্জরিত করেছে। এই ঘটনাটি এআই উন্নয়নের গভীরে প্রোথিত বিরোধগুলিকে প্রতিফলিত করে। প্রথমত, কম্পিউটিং পাওয়ারের অপচয় হয়। ডেটা নির্দেশ করে যে এন্টারপ্রাইজ-স্তরের সাধারণ-উদ্দেশ্যের কম্পিউটিং সেন্টারগুলি মাত্র ১০-১৫% ইউটিলাইজেশনে কাজ করে, যা প্রচুর পরিমাণে কম্পিউটিং সংস্থানকে অলস ফেলে রাখে। দ্বিতীয়ত, এমন পরিস্থিতির ভুল সারিবদ্ধতা রয়েছে যেখানে মডেলের কার্যকারিতা ব্যবসার পরিস্থিতিগুলির প্রকৃত চাহিদা পূরণ করে না।

একটি সাধারণ সমস্যা হল হালকা কাজের জন্য বৃহৎ মডেল ব্যবহার করার “অতিরেক”। কিছু ব্যবসা সাধারণ অ্যাপ্লিকেশনগুলির জন্য অত্যধিকভাবে সাধারণ-উদ্দেশ্যের এলএলএম-এর উপর নির্ভর করে। অতিরিক্তভাবে, ব্যবসার পরিস্থিতিগুলির অনন্য প্রকৃতি দ্বিধা তৈরি করে। বৃহৎ মডেল ব্যবহার করলে উচ্চ computational খরচ এবং দীর্ঘ অনুমানের সময় লাগে। ছোট মডেল বেছে নিলে ব্যবসার প্রয়োজনীয়তা পূরণ নাও হতে পারে। এই দ্বন্দ্বটি বিশেষভাবে ব্যবসায়িক পরিস্থিতিতে স্পষ্ট যেখানে বিশেষ ডোমেন জ্ঞানের প্রয়োজন হয়।

নিয়োগ শিল্পে প্রতিভা-চাকরি ম্যাচিং পরিস্থিতির কথা বিবেচনা করুন। কোম্পানিগুলির পুনরায় শুরু এবং চাকরির বিবরণের মধ্যে জটিল সম্পর্কগুলি বোঝার জন্য গভীর যুক্তিবোধের ক্ষমতার মডেলগুলির প্রয়োজন হয়, একই সাথে দ্রুত প্রতিক্রিয়ার সময়ও প্রয়োজন হয়। সাধারণ-উদ্দেশ্যের এলএলএমগুলির দীর্ঘ অনুমানের সময় ব্যবহারকারীর অভিজ্ঞতাকে উল্লেখযোগ্যভাবে হ্রাস করতে পারে, বিশেষ করে উচ্চ-কনকারেন্সি ব্যবহারকারীর চাহিদার অধীনে।

কার্যকারিতা এবং দক্ষতার মধ্যে ভারসাম্য বজায় রাখতে, মডেল ডিস্টিলেশন সাম্প্রতিক বছরগুলিতে আকর্ষণ অর্জন করেছে। এই বছরের শুরুতে DeepSeek-R1-এর প্রকাশ এই কৌশলের মূল্যকে আরও বাড়িয়ে তুলেছে। জটিল যুক্তিবোধের কাজগুলি পরিচালনা করার ক্ষেত্রে, মডেল ডিস্টিলেশন DeepSeek-R1-এর “চেইন অফ থট” প্যাটার্নটি ক্যাপচার করে, যা হালকা ছাত্র মডেলগুলিকে কেবল আউটপুট অনুকরণ করার পরিবর্তে এর যুক্তিবোধের ক্ষমতা উত্তরাধিকার সূত্রে পেতে দেয়।

উদাহরণস্বরূপ, একটি নেতৃস্থানীয় নিয়োগ প্ল্যাটফর্ম Zhaopin, প্রতিভা-চাকরি ম্যাচিংয়ের কাজে ব্যবহৃত চিন্তার চেইন এবং সিদ্ধান্ত গ্রহণের যুক্তিগুলিকে ডিস্টিল করার জন্য শিক্ষক মডেল হিসাবে DeepSeek-R1 (৬০০+ বিলিয়ন প্যারামিটার) ব্যবহার করেছে। তারা শিক্ষক মডেলটিকে ডিস্টিল করতে Baidu AI Cloud Qianfan মডেল ডেভেলপমেন্ট প্ল্যাটফর্ম ব্যবহার করেছে এবং এটিকে ছাত্র মডেল ERNIE Speed মডেলে (১০+ বিলিয়ন প্যারামিটার) স্থানান্তরিত করেছে। এই পদ্ধতিতে শিক্ষক মডেলের সাথে তুলনীয় কার্যকারিতা অর্জিত হয়েছে (DeepSeek-R1 যুক্তিবোধের লিঙ্ক ফলাফলে ৮৫% নির্ভুলতা অর্জন করেছে, যেখানে ছাত্র মডেলটি ৮০%-এর বেশি অর্জন করেছে), অনুমানের গতি একটি গ্রহণযোগ্য স্তরে উন্নত হয়েছে এবং খরচ মূল খরচের ৩০%-এ কমিয়ে আনা হয়েছে, যেখানে সম্পূর্ণ DeepSeek-R1 থেকে ১ গুণ দ্রুত গতি অর্জন করা গেছে।

বর্তমানে, ব্যবসাগুলি সাধারণত মডেল ডিস্টিলেশনের জন্য দুটি পদ্ধতি গ্রহণ করে: অবকাঠামো এবং জিপিইউ থেকে শুরু করে প্রশিক্ষণ কাঠামো পর্যন্ত একটি সম্পূর্ণ প্রযুক্তিগত ব্যবস্থা তৈরি করা, অথবা Qianfan মডেল ডেভেলপমেন্ট প্ল্যাটফর্ম বা অন্যান্য বিক্রেতাদের মতো প্ল্যাটফর্ম-ভিত্তিক সমাধান ব্যবহার করা। Zhaopin-এর একজন এআই অ্যাপ্লিকেশন বিশেষজ্ঞ Yao Sijia বলেছেন যে যদিও Zhaopin-এর নিজস্ব প্রশিক্ষণ কাঠামো রয়েছে, তারা তিনটি প্রধান বিবেচনার কারণে মডেল ডিস্টিলেশনের জন্য Qianfan মডেল ডেভেলপমেন্ট প্ল্যাটফর্ম বেছে নিয়েছে:

• বিস্তৃত সমর্থন: Qianfan মডেল ডেভেলপমেন্ট প্ল্যাটফর্ম মডেল ডিস্টিলেশনের জন্য শিল্প-নেতৃত্বপূর্ণ সমর্থন প্রদান করে, ডিস্টিলেশন পরিস্থিতিগুলির চারপাশে সম্পূর্ণ প্রযুক্তিগত চেইনকে গভীরভাবে অপ্টিমাইজ করে।
• খরচ নিয়ন্ত্রণ: স্বাধীনভাবে হার্ডওয়্যার ক্রয় এবং রক্ষণাবেক্ষণ করার তুলনায়, Qianfan মডেল ডেভেলপমেন্ট প্ল্যাটফর্ম খরচ নিয়ন্ত্রণে উল্লেখযোগ্য সুবিধা এবং আরও নমনীয় সংস্থান বরাদ্দ প্রদান করে।
• ব্যবসায়িক পরিস্থিতির গভীর বোধগম্যতা: Baidu-এর পেশাদার সমাধান দল নিয়োগ ডোমেনে “সঠিক ম্যাচিং” এবং “উচ্চ-কনকারেন্সি প্রতিক্রিয়া”-এর মতো মূল প্রয়োজনীয়তাগুলি গভীরভাবে বোঝে এবং সমাধানগুলি অন্বেষণ করতে কোম্পানিগুলির সাথে সহযোগিতা করে।

Yao Sijia আরও যোগ করেছেন যে Zhaopin AI+ নিয়োগ পরিস্থিতির পথপ্রদর্শক হতে থাকবে, মডেলের কার্যকারিতা আরও উন্নত করতে Qianfan-এর রিইনফোর্সমেন্ট লার্নিং ফাইন-টিউনিং (RFT) প্রযুক্তি ব্যবহার করবে। তারা পরিকল্পনা করছে যে শিক্ষক মডেলটিকে আরও উন্নত করা যায় কিনা এবং আরও ভাল পুরস্কার প্রক্রিয়াগুলি ইতিমধ্যেই ডিস্টিল করা ছাত্র মডেলগুলিকে অপ্টিমাইজ করতে পারে কিনা যাতে নির্ভুলতা উন্নত করা যায়। Qianfan হল RFT এবং GRPO-এর মতো অগ্রণী রিইনফোর্সমেন্ট লার্নিং পদ্ধতিগুলিকে পণ্যরূপে তৈরি করা চীনের প্রথম প্ল্যাটফর্ম। এই অত্যাধুনিক রিইনফোর্সমেন্ট লার্নিং পদ্ধতিগুলিকে বাস্তবায়নযোগ্য সমাধানে রূপান্তরিত করে, Qianfan Zhaopin-এর মতো কোম্পানিগুলিকে মডেলের কার্যকারিতা অপ্টিমাইজ করার জন্য আরও বেশি সম্ভাবনা সরবরাহ করে।

যাইহোক, মডেল ডিস্টিলেশন শুধুমাত্র একটি একক মডেলের কার্যকারিতা অপ্টিমাইজ করে। জটিল ব্যবসায়িক পরিস্থিতিতে, বিভিন্ন এআই ক্ষমতাগুলিকে পরিস্থিতির সাথে সঠিকভাবে মেলানো প্রয়োজন।

একটি স্মার্টফোনের কথা বিবেচনা করুন। কল সহকারীর মতো উদ্দেশ্য শনাক্তকরণের পরিস্থিতিতে, ব্যবহারকারীর সমস্যাগুলি দ্রুত শনাক্ত করতে সাধারণত হালকা মডেল ব্যবহার করা হয়। আবহাওয়ার প্রশ্ন এবং সংবাদ অনুসন্ধানের মতো সাধারণ জ্ঞান প্রশ্নোত্তর পরিস্থিতিতে, সাধারণত দ্রুত সঠিক এবং তথ্যপূর্ণ উত্তর প্রদানের জন্য মাঝারি আকারের মডেল ব্যবহার করা হয়। ডেটা বিশ্লেষণ এবং যুক্তিবোধের পরিস্থিতিতে যার জন্য গভীর চিন্তাভাবনার প্রয়োজন হয়, সেখানে সাধারণত বৃহৎ মডেল ব্যবহার করা হয়।

এর মানে হল যে একটি স্মার্টফোনের বিভিন্ন ব্যবহারকারীর চাহিদার পরিস্থিতিতে নমনীয়ভাবে একাধিক এলএলএম কল করতে হবে। ফোন প্রস্তুতকারকদের জন্য, এটি উচ্চ মডেল নির্বাচন খরচ এবং বিভিন্ন মডেল ইন্টারফেস প্রোটোকলের কারণে জটিল কলিং প্রক্রিয়ার মতো চ্যালেঞ্জ তৈরি করে।

এই শিল্পের সমস্যাগুলি সমাধানের জন্য, Qianfan মডেল ডেভেলপমেন্ট প্ল্যাটফর্ম মডেল রুটিং ইন্টারফেস তৈরি করেছে। আসল কারখানার মডেলগুলি সরাসরি ব্যবহার করার তুলনায়, এটি কাস্টম ডেভেলপমেন্ট এবং আউট-অফ-দ্য-বক্স এপিআই কলিং পণ্যের ক্ষমতা প্রদান করে, যা কোম্পানিগুলিকে প্রকৌশল কাজের চাপ এবং উন্নয়নের সময় বাঁচাতে সাহায্য করে এবং একই সাথে খরচ কমায়। এছাড়াও, Qianfan মডেল ডেভেলপমেন্ট প্ল্যাটফর্ম বৃহৎ আকারের ব্যবহারকারীদের জন্য নমনীয় কলিং সমর্থন করে, উচ্চ-ফ্রিকোয়েন্সি এবং উচ্চ-কনকারেন্সি কলিং চাহিদার অধীনেও গতি এবং স্থিতিশীলতা নিশ্চিত করে।

মডেল স্তরে, মডেল ডিস্টিলেশন এবং মাল্টি-মডেল কলিং-এর মতো প্রযুক্তিগত ক্ষমতাগুলি আরও বেশি সংখ্যক কোম্পানিকে সংস্থান বরাদ্দ অপ্টিমাইজ করতে সাহায্য করছে, যা এআই ক্ষমতাগুলিকে ব্যবসার পরিস্থিতির সাথে সঠিকভাবে মেলাতে এবং একই সাথে খরচ কমাতে সক্ষম করে। অ্যাপ্লিকেশন স্তরে, এমসিপি এবং এ২এ, যা শিল্পের মনোযোগ আকর্ষণ করেছে, এআই ট্রায়াল-এন্ড-এরর খরচ আরও কমায়, কোম্পানিগুলিকে অ্যাপ্লিকেশন সহযোগিতার দৃষ্টান্ত অপ্টিমাইজ করতে এবং ঐতিহ্যবাহী এজেন্ট ডেভেলপমেন্টে অদক্ষ “পুনরায় চাকা আবিষ্কার” মডেল পরিবর্তন করতে সাহায্য করে।

মডেল থেকে অ্যাপ্লিকেশন পর্যন্ত একটি “সংমিশ্রণ ঘুষি” এলএলএমগুলিকে “আরওআই দ্বিধা” কাটিয়ে উঠতে সাহায্য করার জন্য উপযুক্ত উত্তর।

বন্ধ থেকে খোলা: এআই পরীক্ষণের বাধা কমানো

২০২৩ সাল থেকে, এআই অ্যাপ্লিকেশন বাস্তবায়নের মূল শব্দটি ধীরে ধীরে এজেন্টে স্থানান্তরিত হয়েছে। ২০২৪ সাল নাগাদ, প্রায় সব কোম্পানি এজেন্ট অ্যাপ্লিকেশন এবং উন্নয়ন নিয়ে আলোচনা করছে। তবে, সেই সময়ের এজেন্টগুলির প্রকৃত পরিকল্পনার ক্ষমতা ছিল না এবং সেগুলি মূলত ওয়ার্কফ্লো দৃষ্টিকোণের উপর ভিত্তি করে তৈরি করা হয়েছিল, যেখানে বিশেষজ্ঞ-চালিত নিয়মের মাধ্যমে উপাদানগুলিকে সেলাই বা পদ্ধতিগত করার মাধ্যমে এলএলএমগুলিকে মৌলিক অ্যাপ্লিকেশনগুলির সাথে সংযুক্ত করা হয়েছিল।

সাম্প্রতিক সময়ে এমসিপি এবং এ২এ প্রোটোকলের উত্থানের সাথে, ২০২৫ সাল সত্যিকারের “এজেন্ট ইয়ার জিরো” হয়ে উঠেছে। বিশেষ করে, এআই ক্ষেত্রে এমসিপির প্রভাব ইন্টারনেটের উপর TCP/IP প্রোটোকলের প্রভাবের সাথে তুলনীয়।

Biyao Technology-র সিইও Zhou Ze’an InfoQ-এর সাথে একটি সাক্ষাৎকারে বলেছেন যে এআই ক্ষেত্রে MCP-র মূল মূল্য তিনটি ক্ষেত্রে প্রতিফলিত হয়:

• এলএলএম টুল কলিং-এর মানকরণ: অতীতে, প্রতিটি কোম্পানির নিজস্ব ফাংশন কল বাস্তবায়ন ছিল, যার মধ্যে উল্লেখযোগ্য পার্থক্য ছিল। MCP একটি ঐক্যবদ্ধ অ্যাক্সেস স্ট্যান্ডার্ড প্রতিষ্ঠা করে, যা ক্লায়েন্ট এবং সার্ভারের মধ্যে অ্যাপ্লিকেশন সময়সূচী স্কিমের সত্যিকারের মানকরণ সক্ষম করে। এছাড়াও, MCP শুধুমাত্র সেই এলএলএমগুলির মধ্যে মিথস্ক্রিয়া সক্ষম করে যা ফাংশন কল সমর্থন করে, তবে সেই এলএলএমগুলির সাথেও মিথস্ক্রিয়া সক্ষম করে যেগুলিতে এই বৈশিষ্ট্যটি নেই।
• টুল সহযোগিতার চ্যালেঞ্জ সমাধান করা: MCP প্রোটোকলের ঐক্যবদ্ধ স্ট্যান্ডার্ড এজেন্ট পরিষেবাগুলির নির্মাণকে আরও বৈচিত্র্যময় করে তোলে। ডেভেলপারদের শুধুমাত্র তাদের নিজস্ব এজেন্ট এবং MCP পরিষেবাগুলি বিবেচনা করতে হবে না, বরং আরও শক্তিশালী এজেন্ট ফাংশন অর্জনের জন্য কীভাবে বাহ্যিক ক্ষমতাগুলিকে একত্রিত করতে হয় তাও বিবেচনা করতে হবে।
• এলএলএমগুলির মাধ্যমে সমগ্র কন্টেক্সট নিয়ন্ত্রণ করা, যার ফলে আরও ব্যবহারকারী-বান্ধব মিথস্ক্রিয়া তৈরি হয়: প্রক্রিয়া তৈরি করার সময়, এটি পূর্বের অসম্ভব জটিল কাজগুলি সমাধান করতে ডেটা উৎসের বিস্তৃত পরিসর ব্যবহার করতে পারে।

“সাধারণভাবে, MCP প্রোটোকল কোম্পানিগুলির জন্য এআই প্রযুক্তি গ্রহণের বাধা উল্লেখযোগ্যভাবে হ্রাস করে। অতীতে, এজেন্টগুলিতে অ্যাক্সেসের জন্য প্রযুক্তিগত সংহতকরণ প্রক্রিয়া জটিল ছিল। এখন, কোম্পানিগুলিকে জটিল প্রযুক্তিগত বাস্তবায়নের বিবরণ গভীরভাবে বুঝতে হবে না, শুধুমাত্র তাদের ব্যবসার চাহিদাগুলি স্পষ্ট করতে হবে,” Zhou Ze’an বলেছেন। Biyao Technology MCP প্রোটোকলের মাধ্যমে তার স্ব-উন্নত মানব সম্পদ শিল্প উল্লম্ব এলএলএম “বোলে”-এর নথি প্রক্রিয়াকরণের ক্ষমতা সম্পূর্ণরূপে উন্মুক্ত করেছে, যার মধ্যে রয়েছে চুক্তি, জীবনবৃত্তান্ত এবং পিপিটি, এবং Qianfan অ্যাপ্লিকেশন ডেভেলপমেন্ট প্ল্যাটফর্মে MCP উপাদান চালু করা প্রথম উদ্যোগী ডেভেলপারদের মধ্যে একটি হয়ে উঠেছে। বর্তমানে, যে কোনও উদ্যোগ বা স্বতন্ত্র ডেভেলপার Qianfan প্ল্যাটফর্মে সরাসরি এর পেশাদার ক্ষমতা ব্যবহার করতে পারে।

“Baidu ডেভেলপারদের MCP-কে সক্রিয়ভাবে এবং সম্পূর্ণরূপে গ্রহণ করতে সাহায্য করবে।” ২৫ এপ্রিল অনুষ্ঠিত Create2025 Baidu AI ডেভেলপার কনফারেন্সে, Qianfan প্ল্যাটফর্ম আনুষ্ঠানিকভাবে এন্টারপ্রাইজ-স্তরের MCP পরিষেবা চালু করেছে। Baidu-এর প্রতিষ্ঠাতা Li Yanhong Qianfan প্ল্যাটফর্মের MCP গ্রহণের উদাহরণ প্রদর্শন করেছেন, যা ডেভেলপারদের এজেন্ট তৈরি করার সময় Baidu AI অনুসন্ধান, মানচিত্র এবং Wenku সহ ১০০০ MCP সার্ভারে নমনীয়ভাবে অ্যাক্সেস করতে দেয়। এছাড়াও, Qianfan MCP সার্ভার তৈরির জন্য একটি লো-কোড টুল চালু করেছে, যা ডেভেলপারদের Qianfan-এ সহজে তাদের নিজস্ব MCP সার্ভার তৈরি করতে এবং এক ক্লিকে Qianfan MCP স্কয়ারে প্রকাশ করতে দেয়। এই MCP সার্ভারগুলি Baidu অনুসন্ধানের মাধ্যমে দ্রুত সূচীবদ্ধ করা হবে, যা তাদের আরও ডেভেলপারদের দ্বারা আবিষ্কৃত এবং ব্যবহার করার অনুমতি দেবে।

বাস্তবে, Qianfan MCP প্রোটোকলের উত্থানের আগে থেকেই এআই বাস্তবায়নের শেষ মাইল সমস্যা সমাধান করে চলেছে, কোম্পানিগুলিকে দক্ষতার সাথে এবং কম বাধায় এআই প্রযুক্তির সুবিধা উপভোগ করতে সাহায্য করছে এবং একাধিক শিল্পের জন্য পরিপক্ক সমাধান প্রদান করছে।

উদাহরণস্বরূপ, স্মার্ট হোম শিল্পে, কোম্পানিগুলি সাধারণত একটি সাধারণ সমস্যার সম্মুখীন হয়: কীভাবে ব্যাপক পণ্য মডেলগুলির জন্য সঠিক বুদ্ধিমান পরিষেবা প্রদান করা যায়? এলএলএমগুলির দ্রুত বাস্তবায়নের সাথে, আরও বেশি সংখ্যক কোম্পানি ব্যবহারকারীদের দ্রুত সঠিক এবং ব্যক্তিগতকৃত উত্তর প্রদানের জন্য এজেন্ট ব্যবহার করছে। তবে, এটি একটি নতুন চ্যালেঞ্জ নিয়ে আসে: কীভাবে অসংখ্য এজেন্ট তৈরি এবং পরিচালনা করা যায়? স্মার্ট হোম ব্র্যান্ডগুলিতে সাধারণত বিভিন্ন পণ্য বিভাগ এবং মডেল থাকে। প্রতিটি পণ্যের জন্য আলাদাভাবে একটি এজেন্ট তৈরি করলে কেবল উচ্চ উন্নয়ন খরচই হবে না, বরং পরবর্তী পর্যায়ে উল্লেখযোগ্য ব্যবস্থাপনা ও রক্ষণাবেক্ষণ খরচও হবে।

উদাহরণস্বরূপ, একটি নেতৃস্থানীয় স্মার্ট হোম ব্র্যান্ড Baidu AI Cloud Qianfan অ্যাপ্লিকেশন ডেভেলপমেন্ট প্ল্যাটফর্ম ব্যবহার করে ফাইলের নামগুলিকে স্বাধীন স্লাইস হিসাবে বিবেচনা করেছে এবং প্রতিটি সূক্ষ্ম স্লাইসে ফাইলের নামের স্লাইস তথ্য এম্বেড করেছে। প্রতিটি পণ্যের জন্য আলাদাভাবে একটি এজেন্ট তৈরি করার পরিবর্তে, তাদের কেবল সংশ্লিষ্ট জ্ঞানভাণ্ডার সাজাতে এবং পণ্যের মডেলের নামগুলি সংজ্ঞায়িত করতে হয়েছে। তারপরে, তারা পণ্যের মডেল এবং জ্ঞানের বিষয়গুলির সঠিক ম্যাচিং অর্জন করতে Qianfan প্ল্যাটফর্মের RAG কাঠামোর স্বয়ংক্রিয় পার্সিং কৌশল ব্যবহার করতে পারত।

Qianfan অ্যাপ্লিকেশন ডেভেলপমেন্ট প্ল্যাটফর্ম ব্র্যান্ডটিকে ক্রমাগত বিকাশমান বুদ্ধিমান হাব তৈরি করার জন্য সরঞ্জামগুলির একটি সেটও সরবরাহ করে। ডেটা ব্যাকফ্লো ফাংশনের মাধ্যমে, সমস্ত ব্যবহারকারীর মিথস্ক্রিয়া রেকর্ড অপ্টিমাইজেশন উপকরণে রূপান্তরিত হয়। অপারেশন কর্মীরা রিয়েল টাইমে উচ্চ-ফ্রিকোয়েন্সি সমস্যা দেখতে এবং অবিলম্বে অনাবৃত জ্ঞানের বিষয়গুলিতে হস্তক্ষেপ করতে পারে, একটি “অপারেশন - প্রতিক্রিয়া - অপ্টিমাইজেশন” ক্লোজড লুপ তৈরি করে। এছাড়াও, Qianfan অ্যাপ্লিকেশন ডেভেলপমেন্ট প্ল্যাটফর্ম এবং Xiaodu AI Assistant যৌথভাবে একটি ভয়েস ইন্টারঅ্যাকশন কাঠামো তৈরি করেছে। এই কাঠামোর উপর নির্ভর করে, ব্র্যান্ডটি হার্ডওয়্যারকে সরাসরি ব্যবহারকারীদের সাথে “কথা” বলতে সক্ষম করতে পারে, যা আরও স্বাভাবিক, দক্ষ এবং ব্যক্তিগতকৃত ইন্টারেক্টিভ অভিজ্ঞতা অর্জন করে।

এমসিপি থেকে এ২এ পর্যন্ত, উন্মুক্ততা এলএলএম অ্যাপ্লিকেশন ইকোসিস্টেমের একটি নতুন মূল শব্দ হয়ে উঠেছে। উন্মুক্ততা Qianfan প্ল্যাটফর্মের মূল উদ্দেশ্যও। ২০২৩ সালে তার প্রথম দিন থেকেই, Qianfan তৃতীয় পক্ষের এলএলএমগুলির একটি সম্পদ অ্যাক্সেস করার জন্য সবচেয়ে উন্মুক্ত অবস্থান গ্রহণ করেছে। বর্তমানে, Qianfan ৩০ টিরও বেশি মডেল বিক্রেতার কাছ থেকে ১০০ টিরও বেশি মডেল অ্যাক্সেস করেছে, যা টেক্সট, ইমেজ এবং গভীর যুক্তিবোধের মতো ১১ ধরনের ক্ষমতা কভার করে, যার মধ্যে DeepSeek, LLaMA, Tongyi এবং Vidu-এর মতো তৃতীয় পক্ষের মডেল রয়েছে। এটি নতুন প্রকাশিত নেটিভ মাল্টি-মোডাল মডেল Wenxin 4.5 Turbo এবং গভীর চিন্তাভাবনার মডেল Wenxin X1 Turbo, সেইসাথে পূর্বে প্রকাশিত গভীর চিন্তাভাবনার মডেল Wenxin X1 সহ Wenxin LLM-এর একটি সম্পূর্ণ পরিসীমাও সরবরাহ করে।

যে কোম্পানিগুলি দ্রুত এআই প্রযুক্তি বাস্তবায়ন করতে চায়, Baidu AI Cloud ধীরে ধীরে প্রথম পছন্দ হয়ে উঠছে। বাজারের ডেটাই এর সেরা প্রমাণ। বর্তমানে, Qianfan প্ল্যাটফর্ম ৪০০,০০০-এর বেশি গ্রাহককে পরিষেবা দেয়, যেখানে কেন্দ্রীয় উদ্যোগে এর অনুপ্রবেশের হার ৬০%-এরবেশি। চায়না লার্জ মডেল বিডিং প্রোজেক্ট মনিটরিং অ্যান্ড ইনসাইট রিপোর্ট (2025Q1) অনুসারে, Baidu প্রথম ত্রৈমাসিকে বৃহৎ মডেল বিডিং প্রকল্পের সংখ্যা এবং বিজয়ী বিডের পরিমাণে দ্বিগুণ প্রথম স্থান অর্জন করেছে: ১৯টি বৃহৎ মডেল বিডিং প্রকল্পে জয়ী হয়েছে যার প্রকাশিত প্রকল্পের পরিমাণ ৪৫০ মিলিয়ন ইউয়ানের বেশি, এবং বিজয়ী বৃহৎ মডেল প্রকল্পগুলি প্রায় সমস্তই শক্তি এবং অর্থনীতির মতো শিল্পে কেন্দ্রীয় রাষ্ট্রীয় মালিকানাধীন উদ্যোগের গ্রাহকদের কাছ থেকে এসেছে।

Baidu AI Cloud-এর রিপোর্ট কার্ড বাইরের বিশ্বে একটি সংকেত পাঠায়: এআই প্রযুক্তি বাস্তবায়নের এই দীর্ঘমেয়াদী যুদ্ধে, শুধুমাত্র সেই সমাধানগুলিই সবচেয়ে গুরুত্বপূর্ণ যা শিল্পের সমস্যাগুলি সত্যিকার অর্থে বোঝে এবং কোম্পানিগুলিকে পরীক্ষা-নিরীক্ষার খরচ কমাতে সাহায্য করতে পারে।