MCP: Kuasa Baharu dalam AI

Dalam bidang kecerdasan buatan (AI), akronim baharu muncul dengan kerap, kadangkala membingungkan. Antaranya, Model Context Protocol (MCP) semakin menonjol, terutamanya semasa Google Cloud Next, dan telah menarik perhatian yang meluas. Jadi, apakah sebenarnya MCP? Mengapa ia penting untuk masa depan kecerdasan buatan?

Asal Usul dan Definisi MCP

MCP, yang pertama kali dicadangkan oleh Anthropic, pelopor dalam bidang kecerdasan buatan, pada November 2024, bertujuan untuk menyelesaikan cabaran yang dihadapi oleh perusahaan dan pembangun dalam mengakses data yang tersebar di repositori yang berbeza. Ringkasnya, MCP menyediakan cara yang standard untuk menyambungkan model kecerdasan buatan kepada pelbagai sumber data dan alatan, sekali gus mengelakkan masalah mereka bentuk dan menggunakan pelbagai skim integrasi.

Naib Presiden Produk Cloudflare, Rita Kozlov, membandingkan MCP dengan HTTP pada awal tahun 1990-an, dan percaya ia berpotensi untuk merevolusikan cara orang berinteraksi dengan perniagaan dan perkhidmatan, serta mencetuskan model perniagaan baharu.

Laman web rasmi MCP membandingkannya dengan port USB-C untuk aplikasi kecerdasan buatan, menyediakan cara yang standard untuk menyambungkan peranti kepada pelbagai peranti persisian dan aksesori, dengan itu memudahkan proses akses data.

MCP sebagai Pemudah Cara Kecerdasan Buatan

Kepentingan MCP jauh melangkaui pemudahcaraan akses data. Ia akan menjadi alat utama untuk memacu pembangunan ejen kecerdasan buatan pada masa hadapan. Kozlov menegaskan bahawa MCP akan berkesan memperkasakan ejen kecerdasan buatan, membolehkan mereka beroperasi dengan lebih autonomi dan melaksanakan tugas bagi pihak pengguna.

Dalam era ejen kecerdasan buatan, kita perlu melatih dan menggunakan kecerdasan buatan khusus yang boleh menyelesaikan masalah yang kompleks. Untuk mencapai matlamat ini, ejen kecerdasan buatan perlu dapat mengakses data yang betul daripada pelbagai sistem backend pada masa yang sesuai. Naib Presiden dan Pengurus Besar Pembelajaran Mesin, Sistem dan Awan Google Cloud, Amin Vahdat, menjelaskan bahawa sistem backend di sini termasuk pangkalan data dan sistem storan data seperti AlloyDB, Cloud SQL dan Google Cloud Spanner.

Selain itu, Pengarah Pengurusan Produk MongoDB dan Pakar AI syarikat, Ben Flast, percaya bahawa MCP juga boleh mengekstrak data daripada REST API atau mana-mana perkhidmatan yang boleh mendedahkan antara muka pengaturcaraan.

Flast menegaskan bahawa MCP akan memainkan dua peranan utama dalam pembangunan kecerdasan buatan. Yang pertama ialah pembangunan ejen, MCP akan digunakan untuk membantu mengakses data yang diperlukan untuk memudahkan penjanaan kod dan automasi. Kedua, MCP juga boleh menyediakan maklumat konteks yang diperlukan untuk ejen yang sedang berjalan dan model bahasa yang besar (LLM), membolehkan kecerdasan buatan berinteraksi dengan pelbagai sistem.

Flast menambah bahawa kunci pada masa ini ialah menentukan dengan tepat apa yang ejen perlu perolehi daripada pangkalan data aplikasi, sebagai contoh, jenis storan atau keupayaan memori yang mereka perlukan untuk memenuhi keperluan prestasi.

Menyambung Kecerdasan Buatan melalui MCP

Ejen kecerdasan buatan bukan sahaja memerlukan input data berterusan, tetapi juga perlu berkomunikasi antara satu sama lain. MCP boleh digunakan untuk merealisasikan interkonektiviti antara ejen. Kozlov menyatakan bahawa sesetengah pembangun telah mula membina ejen yang boleh menggunakan MCP untuk ‘bercakap’ dengan ejen lain.

Pada masa yang sama, Google Cloud juga telah mengemukakan piawaiannya sendiri, iaitu protokol Agent2Agent. Vahdat menjelaskan bahawa MCP dan A2A saling melengkapi. MCP membenarkan akses kepada data dengan cara yang standard dan terbuka, manakala A2A merealisasikan interoperabiliti antara ejen yang berbeza. MCP boleh dilihat sebagai sambungan model ke data, manakala A2A boleh dilihat sebagai sambungan ejen ke ejen. Menggabungkan kedua-duanya akan menjadikannya lebih mudah dan lebih cekap untuk membina ejen yang lebih berkuasa.

Lengkung Penerimaan MCP

Walaupun protokol MCP masih baharu, Kozlov dan Flast kedua-duanya berkata ia sedang mendapat tarikan dengan pantas, sama seperti teknologi lain dalam bidang kecerdasan buatan.

Flast menegaskan bahawa walaupun pesaing terbesar Anthropic, OpenAI, telah memutuskan untuk menambah sokongan untuk MCP. Walaupun protokol itu hanya dikeluarkan pada November 2024, beribu-ribu pelayan MCP telah dibina.

Cloudflare baru-baru ini menyertai barisan pelayan MCP, menambah fungsi pelayan MCP jauh pada platform pembangunnya. Kozlov merumuskan bahawa Cloudflare berbuat demikian untuk membolehkan pembangun dan organisasi untuk mendahului dan bersedia untuk pembangunan masa depan MCP, kerana mereka menjangkakan ini akan menjadi mod interaksi baharu yang penting, seperti internet mudah alih.

Ringkasnya, MCP, sebagai kuasa baharu dalam bidang kecerdasan buatan, mempunyai potensi yang besar. Ia memudahkan akses data, memperkasakan ejen kecerdasan buatan, dan memudahkan interkonektiviti antara kecerdasan buatan. Dengan pembangunan dan penambahbaikan berterusan MCP, kita mempunyai sebab untuk percaya bahawa ia akan memainkan peranan yang semakin penting dalam pembangunan masa depan kecerdasan buatan.

Perbincangan Mendalam tentang Butiran Teknikal MCP

Untuk memahami MCP dengan lebih komprehensif, kita perlu menyelidiki butiran teknikalnya. Inti MCP terletak pada protokolnya yang standard, yang mentakrifkan cara model kecerdasan buatan berinteraksi dengan pelbagai sumber data. Protokol ini termasuk komponen utama berikut:

• Penyambung Data: Penyambung data ialah komponen teras MCP, yang bertanggungjawab untuk menyambungkan model kecerdasan buatan kepada sumber data yang berbeza. Penyambung data boleh menyokong pelbagai sumber data, termasuk pangkalan data, API dan sistem fail.
• Penukar Data: Penukar data bertanggungjawab untuk menukar data daripada sumber data yang berbeza kepada format yang boleh difahami oleh model kecerdasan buatan. Penukar data boleh melaksanakan pelbagai operasi penukaran data, termasuk penukaran jenis data, penukaran format data dan pembersihan data.
• Pengurusan Metadata: Pengurusan metadata bertanggungjawab untuk mengurus maklumat metadata yang berkaitan dengan sumber data. Maklumat metadata termasuk nama, perihalan, lokasi dan kebenaran akses sumber data.

Melalui komponen ini, MCP merealisasikan sambungan lancar antara model kecerdasan buatan dan pelbagai sumber data, sekali gus memudahkan proses akses data.

Senario Aplikasi MCP

Senario aplikasi MCP sangat luas dan boleh digunakan dalam pelbagai aplikasi kecerdasan buatan. Berikut ialah beberapa senario aplikasi biasa:

• Pemprosesan Bahasa Semulajadi: Dalam bidang pemprosesan bahasa semula jadi (NLP), MCP boleh digunakan untuk menyambungkan model bahasa besar (LLM) kepada pelbagai sumber data teks, sekali gus meningkatkan prestasi LLM. Sebagai contoh, LLM boleh disambungkan kepada pangkalan data artikel berita, sumber data media sosial dan sumber data ulasan pelanggan, membolehkan LLM untuk lebih memahami dan menjana teks.
• Penglihatan Komputer: Dalam bidang penglihatan komputer, MCP boleh digunakan untuk menyambungkan model pengecaman imej kepada pelbagai sumber data imej, sekali gus meningkatkan ketepatan model pengecaman imej. Sebagai contoh, model pengecaman imej boleh disambungkan kepada pangkalan data imej, kamera dan strim video, membolehkan model pengecaman imej untuk lebih mengenali imej.
• Sistem Syor: Dalam bidang sistem syor, MCP boleh digunakan untuk menyambungkan model syor kepada pelbagai sumber data tingkah laku pengguna dan sumber data produk, sekali gus meningkatkan tahap pemperibadian sistem syor. Sebagai contoh, model syor boleh disambungkan kepada sejarah pelayaran pengguna, sejarah pembelian dan data atribut produk, membolehkan sistem syor untuk mengesyorkan produk yang diminati pengguna dengan lebih tepat.
• Analisis Kewangan: Dalam bidang analisis kewangan, MCP boleh digunakan untuk menyambungkan model analisis kewangan kepada pelbagai sumber data kewangan, sekali gus meningkatkan ketepatan analisis kewangan. Sebagai contoh, model analisis kewangan boleh disambungkan kepada data pasaran saham, data penunjuk ekonomi dan data penyata kewangan syarikat, membolehkan model analisis kewangan untuk meramalkan arah aliran pasaran dengan lebih tepat.

Cabaran dan Pembangunan Masa Depan MCP

Walaupun MCP mempunyai potensi yang besar, ia juga menghadapi beberapa cabaran. Berikut ialah beberapa cabaran utama:

• Piawaian: MCP masih merupakan protokol yang baru muncul dan perlu distandardkan lagi untuk memastikan interoperabiliti antara produk daripada vendor yang berbeza.
• Keselamatan: MCP perlu menyediakan mekanisme keselamatan yang kukuh untuk melindungi keselamatan sumber data dan mengelakkan akses tanpa kebenaran.
• Prestasi: MCP perlu menyediakan akses data berprestasi tinggi untuk memenuhi keperluan aplikasi kecerdasan buatan.

Untuk menangani cabaran ini, arah pembangunan masa depan MCP termasuk:

• Piawaian Selanjutnya: Mempromosikan proses penyeragaman MCP untuk memastikan interoperabiliti antara produk daripada vendor yang berbeza.
• Memperkukuh Keselamatan: Memperkukuh keselamatan MCP dan menyediakan mekanisme keselamatan yang kukuh untuk melindungi keselamatan sumber data.
• Meningkatkan Prestasi: Meningkatkan prestasi MCP dan menyediakan akses data berprestasi tinggi untuk memenuhi keperluan aplikasi kecerdasan buatan.
• Meluaskan Senario Aplikasi: Meluaskan senario aplikasi MCP dan menggunakannya dalam lebih banyak aplikasi kecerdasan buatan.

Secara keseluruhannya, MCP, sebagai kuasa baharu dalam bidang kecerdasan buatan, mempunyai potensi yang besar. Dengan pembangunan dan penambahbaikan berterusan MCP, kita mempunyai sebab untuk percaya bahawa ia akan memainkan peranan yang semakin penting dalam pembangunan masa depan kecerdasan buatan.