செயற்கை நுண்ணறிவு (AI) துறையில், புதிய சுருக்கங்கள் தொடர்ந்து தோன்றுகின்றன, இது குழப்பத்தை ஏற்படுத்துகிறது. இவற்றில், மாதிரி சூழல் நெறிமுறை (MCP) படிப்படியாக வெளிப்பட்டு வருகிறது, குறிப்பாக கூகிள் கிளவுட் நெக்ஸ்ட் மாநாட்டில், பரவலான கவனத்தை ஈர்த்துள்ளது. அப்படியானால், MCP என்றால் என்ன? செயற்கை நுண்ணறிவின் எதிர்காலத்திற்கு இது ஏன் முக்கியமானது?
MCP இன் தோற்றம் மற்றும் வரையறை
MCP, செயற்கை நுண்ணறிவுத் துறையில் முன்னோடியான Anthropic ஆல் 2024 நவம்பரில் முதன்முதலில் முன்மொழியப்பட்டது, நிறுவனங்கள் மற்றும் உருவாக்குநர்கள் பல்வேறு களஞ்சியங்களில் சிதறிக்கிடக்கும் தரவை அணுகுவதில் எதிர்கொள்ளும் சவால்களைத் தீர்க்கும் நோக்கம் கொண்டது. சுருக்கமாகச் சொன்னால், MCP ஆனது செயற்கை நுண்ணறிவு மாதிரிகளை பல்வேறு தரவு மூலங்கள் மற்றும் கருவிகளுடன் இணைக்க ஒரு தரப்படுத்தப்பட்ட வழியை வழங்குகிறது, இதன் மூலம் பல ஒருங்கிணைப்புத் திட்டங்களை வடிவமைத்து பயன்படுத்துவதில் உள்ள சிக்கலைத் தவிர்க்கலாம்.
கிளவுட்ஃப்ளேர் தயாரிப்பு துணைத் தலைவர் ரீட்டா கோஸ்லோவ், MCP ஐ 1990 களின் முற்பகுதியில் HTTP உடன் ஒப்பிடுகிறார், இது மக்கள் மற்றும் நிறுவனங்கள் மற்றும் சேவைகளுடன் தொடர்பு கொள்ளும் விதத்தில் புரட்சியை ஏற்படுத்தவும், முற்றிலும் புதிய வணிக மாதிரிகளை உருவாக்கவும் சாத்தியம் உள்ளது என்று நம்புகிறார்.
MCP இன் அதிகாரப்பூர்வ வலைத்தளம், செயற்கை நுண்ணறிவு பயன்பாடுகளுக்கான USB-C போர்ட்டாக உருவகப்படுத்துகிறது, இது சாதனங்களை பல்வேறு புற சாதனங்கள் மற்றும் துணைக்கருவிகளுடன் இணைக்க ஒரு தரப்படுத்தப்பட்ட வழியை வழங்குகிறது, இதன் மூலம் தரவு அணுகல் செயல்முறையை எளிதாக்குகிறது.
செயற்கை நுண்ணறிவை மேம்படுத்தும் MCP
MCP இன் முக்கியத்துவம் தரவு அணுகலை எளிதாக்குவதை விட அதிகம். இது செயற்கை நுண்ணறிவு முகவர்களின் எதிர்கால வளர்ச்சியை ஊக்குவிக்கும் ஒரு முக்கிய கருவியாக மாறும். MCP செயற்கை நுண்ணறிவு முகவர்களை திறம்பட செயல்படுத்துகிறது, இதனால் அவை அதிக சுயாட்சியுடன் செயல்படவும், பயனர்களை பிரதிநிதித்துவப்படுத்தும் பணிகளை முடிக்கவும் முடியும் என்று கோஸ்லோவ் சுட்டிக்காட்டுகிறார்.
செயற்கை நுண்ணறிவு முகவர் யுகத்தில், சிக்கலான சிக்கல்களைத் தீர்க்கக்கூடிய சிறப்பு செயற்கை நுண்ணறிவை நாம் பயிற்றுவித்து பயன்படுத்த வேண்டும். இந்த இலக்கை அடைய, செயற்கை நுண்ணறிவு முகவர்கள் சரியான நேரத்தில் பல்வேறு பின்தள அமைப்புகளிலிருந்து சரியான தரவை அணுக வேண்டும். அலாய் டிபி, கிளவுட் எஸ்க்யூஎல் மற்றும் கூகிள் கிளவுட் ஸ்பேனர் போன்ற தரவுத்தளங்கள் மற்றும் தரவு சேமிப்பு அமைப்புகள் இங்கே பின்தள அமைப்புகளில் அடங்கும் என்று கூகிள் கிளவுட் மெஷின் லேர்னிங், சிஸ்டம்ஸ் மற்றும் கிளவுட் துணைத் தலைவர் மற்றும் பொது மேலாளர் அமின் வாஹ்தத் விளக்குகிறார்.
கூடுதலாக, REST API அல்லது நிரலாக்க இடைமுகத்தை வெளிப்படுத்தக்கூடிய எந்தவொரு சேவையிலிருந்தும் MCP தரவைப் பிரித்தெடுக்க முடியும் என்று MongoDB தயாரிப்பு மேலாண்மை இயக்குனர் மற்றும் நிறுவனத்தின் செயற்கை நுண்ணறிவு நிபுணர் பென் ஃபிளாஸ்ட் நம்புகிறார்.
செயற்கை நுண்ணறிவு வளர்ச்சியில் MCP இரண்டு முக்கிய பணிகளைச் செய்யும் என்று ஃபிளாஸ்ட் வலியுறுத்துகிறார். முதலாவதாக, முகவர் மேம்பாடு, MCP ஆனது குறியீடு உருவாக்கம் மற்றும் ஆட்டோமேஷனை மேம்படுத்த தேவையான தரவை அணுகுவதற்கு உதவும். இரண்டாவதாக, MCP ஆனது இயங்கும் முகவர்கள் மற்றும் பெரிய மொழி மாதிரிகளுக்கு (LLM) தேவையான சூழல் தகவல்களை வழங்க முடியும், இதன் மூலம் செயற்கை நுண்ணறிவு பல்வேறு அமைப்புகளுடன் தொடர்பு கொள்ள முடியும்.
முகவர்கள் பயன்பாட்டு தரவுத்தளத்திலிருந்து எதைப் பெற வேண்டும் என்பதைத் தீர்மானிப்பதில் தற்போது முக்கியத்துவம் உள்ளது, எடுத்துக்காட்டாக, செயல்திறன் தேவைகளைப் பூர்த்தி செய்ய அவர்களுக்கு என்ன மாதிரியான சேமிப்பு அல்லது நினைவக திறன்கள் தேவை என்று ஃபிளாஸ்ட் மேலும் கூறினார்.
MCP மூலம் செயற்கை நுண்ணறிவை இணைத்தல்
செயற்கை நுண்ணறிவு முகவர்களுக்கு தொடர்ச்சியான தரவு உள்ளீடு மட்டுமல்ல, ஒன்றுக்கொன்று தொடர்பு கொள்ளவும் தேவை. MCP ஐப் பயன்படுத்தி முகவர்களுக்கு இடையில் ஒன்றோடொன்று இணைப்பை உருவாக்கலாம். MCP ஐப் பயன்படுத்தி மற்ற முகவர்களுடன் “பேச”க்கூடிய முகவர்களை உருவாக்க டெவலப்பர்கள் ஏற்கனவே தொடங்கியுள்ளனர் என்று கோஸ்லோவ் சுட்டிக்காட்டுகிறார்.
இதற்கிடையில், கூகிள் கிளவுட் தனது சொந்த தரத்தை முன்வைத்துள்ளது, அதாவது ஏஜென்ட் 2 ஏஜென்ட் நெறிமுறை. MCP மற்றும் A2A ஆகியவை ஒன்றுக்கொன்று நிரப்புத்தன்மை கொண்டவை என்று வாஹ்தத் விளக்குகிறார். MCP ஆனது தரவை அணுகுவதற்கு திறந்த தரப்படுத்தப்பட்ட வழியை அனுமதிக்கிறது, அதே நேரத்தில் A2A வெவ்வேறு முகவர்களுக்கு இடையில் இயங்கு திறனை செயல்படுத்துகிறது. MCP ஐ மாதிரி முதல் தரவு இணைப்பு என்றும், A2A ஐ முகவர் முதல் முகவர் இணைப்பு என்றும் கருதலாம். இரண்டையும் இணைப்பதன் மூலம், மிகவும் சக்திவாய்ந்த முகவர்களை உருவாக்குவது எளிதாகவும், திறமையாகவும் இருக்கும்.
MCP ஐப் பின்பற்றும் போக்கு
MCP நெறிமுறை இன்னும் புதிதாக இருந்தாலும், செயற்கை நுண்ணறிவுத் துறையில் உள்ள மற்ற தொழில்நுட்பங்களைப் போலவே இதுவும் வேகமாக பிரபலமடைந்து வருகிறது என்று கோஸ்லோவ்வும் ஃபிளாஸ்ட்டும் கூறுகின்றனர்.
Anthropic இன் மிகப்பெரிய போட்டியாளரான OpenAI கூட MCP க்கு ஆதரவைச் சேர்க்க முடிவு செய்துள்ளது என்று ஃபிளாஸ்ட் சுட்டிக்காட்டுகிறார். இந்த நெறிமுறை 2024 நவம்பரில் வெளியிடப்பட்டாலும், ஆயிரக்கணக்கான MCP சேவையகங்கள் ஏற்கனவே கட்டப்பட்டுள்ளன.
கிளவுட்ஃப்ளேர் சமீபத்தில் தனது டெவலப்பர் தளத்தில் ரிமோட் MCP சர்வர் திறன்களைச் சேர்த்து MCP சேவையகங்களின் வரிசையில் இணைந்துள்ளது. மொபைல் இணையத்தைப் போலவே, இது ஒரு முக்கியமான புதிய தொடர்பு முறை என்று அவர்கள் எதிர்பார்த்திருப்பதால், டெவலப்பர்கள் மற்றும் அமைப்புகள் ஒரு படி மேலே சென்று MCP இன் எதிர்கால வளர்ச்சிக்கு தயாராவதற்கு கிளவுட்ஃப்ளேர் இதைச் செய்கிறது என்று கோஸ்லோவ் முடிக்கிறார்.
சுருக்கமாகச் சொன்னால், MCP செயற்கை நுண்ணறிவுத் துறையில் ஒரு புதிய ஆற்றலாக, பெரும் ஆற்றலைக் கொண்டுள்ளது. இது தரவு அணுகலை எளிதாக்குகிறது, செயற்கை நுண்ணறிவு முகவர்களுக்கு அதிகாரம் அளிக்கிறது மற்றும் செயற்கை நுண்ணறிவுக்கு இடையில் தொடர்பை ஊக்குவிக்கிறது. MCP தொடர்ந்து வளர்ந்து வருவதால், செயற்கை நுண்ணறிவின் எதிர்கால வளர்ச்சியில் இது முக்கிய பங்கு வகிக்கும் என்று நம்புவதற்கு நியாயமான காரணங்கள் உள்ளன.
MCP இன் தொழில்நுட்ப விவரங்கள்
MCP ஐப் பற்றி முழுமையாகப் புரிந்து கொள்ள, அதன் தொழில்நுட்ப விவரங்களை ஆழமாக ஆராய வேண்டும். MCP இன் மையமானது அதன் தரப்படுத்தப்பட்ட நெறிமுறையாகும், இது செயற்கை நுண்ணறிவு மாதிரிகள் பல்வேறு தரவு மூலங்களுடன் எவ்வாறு தொடர்பு கொள்கின்றன என்பதை வரையறுக்கிறது. இந்த நெறிமுறையில் பின்வரும் முக்கிய கூறுகள் அடங்கும்:
- தரவு இணைப்பிகள்: தரவு இணைப்பிகள் MCP இன் மையக் கூறுகள், செயற்கை நுண்ணறிவு மாதிரிகளை வெவ்வேறு தரவு மூலங்களுடன் இணைக்க அவை பொறுப்பாகும். தரவு இணைப்பிகள் தரவுத்தளங்கள், API மற்றும் கோப்பு அமைப்புகள் உள்ளிட்ட பல்வேறு தரவு மூலங்களை ஆதரிக்க முடியும்.
- தரவு மாற்றிகள்: தரவு மாற்றிகள் வெவ்வேறு தரவு மூலங்களிலிருந்து வரும் தரவை செயற்கை நுண்ணறிவு மாதிரி புரிந்துகொள்ளக்கூடிய வடிவமாக மாற்றும் பொறுப்பாகும். தரவு வகை மாற்றம், தரவு வடிவ மாற்றம் மற்றும் தரவு சுத்தம் செய்தல் உள்ளிட்ட பல்வேறு தரவு மாற்ற செயல்பாடுகளை தரவு மாற்றிகள் செய்ய முடியும்.
- மெட்டாடேட்டா மேலாண்மை: மெட்டாடேட்டா மேலாண்மை தரவு மூலத்துடன் தொடர்புடைய மெட்டாடேட்டா தகவலை நிர்வகிக்கும் பொறுப்பாகும். மெட்டாடேட்டா தகவல் தரவு மூலத்தின் பெயர், விளக்கம், இருப்பிடம் மற்றும் அணுகல் உரிமைகள் ஆகியவை அடங்கும்.
இந்த கூறுகள் மூலம், MCP செயற்கை நுண்ணறிவு மாதிரிகளுக்கும் பல்வேறு தரவு மூலங்களுக்கும் இடையில் தடையற்ற இணைப்பை செயல்படுத்துகிறது, இதன் மூலம் தரவு அணுகல் செயல்முறையை எளிதாக்குகிறது.
MCP இன் பயன்பாட்டு காட்சிகள்
MCP இன் பயன்பாட்டு காட்சிகள் மிகவும் பரந்தவை, மேலும் இது பல்வேறு செயற்கை நுண்ணறிவு பயன்பாடுகளிலும் பயன்படுத்தப்படலாம். பின்வரும் சில பொதுவான பயன்பாட்டு காட்சிகள் உள்ளன:
- இயற்கை மொழி செயலாக்கம்: இயற்கை மொழி செயலாக்க (NLP) துறையில், MCP ஐப் பயன்படுத்தி பெரிய மொழி மாதிரிகளை (LLM) பல்வேறு உரை தரவு மூலங்களுடன் இணைக்க முடியும், இதனால் LLM இன் செயல்திறனை மேம்படுத்தலாம். எடுத்துக்காட்டாக, LLM ஐ செய்தி கட்டுரை தரவுத்தளம், சமூக ஊடக தரவு மூலங்கள் மற்றும் வாடிக்கையாளர் கருத்து தரவு மூலங்களுடன் இணைக்க முடியும், இதன் மூலம் LLM உரையைப் புரிந்து கொள்ளவும் உருவாக்கவும் முடியும்.
- கணினி பார்வை: கணினி பார்வை துறையில், MCP ஐப் பயன்படுத்தி பட அங்கீகார மாதிரிகளை பல்வேறு பட தரவு மூலங்களுடன் இணைக்க முடியும், இதன் மூலம் பட அங்கீகார மாதிரியின் துல்லியத்தை மேம்படுத்தலாம். எடுத்துக்காட்டாக, பட அங்கீகார மாதிரியை பட தரவுத்தளம், கேமராக்கள் மற்றும் வீடியோ ஸ்ட்ரீம்களுடன் இணைக்க முடியும், இதன் மூலம் பட அங்கீகார மாதிரி படங்களை சிறப்பாக அடையாளம் காண முடியும்.
- பரிந்துரை அமைப்பு: பரிந்துரை அமைப்பு துறையில், MCP ஐப் பயன்படுத்தி பரிந்துரை மாதிரிகளை பல்வேறு பயனர் நடத்தை தரவு மூலங்கள் மற்றும் தயாரிப்பு தரவு மூலங்களுடன் இணைக்க முடியும், இதன் மூலம் பரிந்துரை அமைப்பின் தனிப்பயனாக்க அளவை மேம்படுத்தலாம். எடுத்துக்காட்டாக, பரிந்துரை மாதிரியை பயனர் உலாவல் வரலாறு, கொள்முதல் வரலாறு மற்றும் தயாரிப்பு பண்புக்கூறு தரவுகளுடன் இணைக்க முடியும், இதன் மூலம் பரிந்துரை அமைப்பு பயனர்கள் விரும்பும் தயாரிப்புகளை மிகவும் துல்லியமாகப் பரிந்துரைக்க முடியும்.
- நிதி பகுப்பாய்வு: நிதி பகுப்பாய்வு துறையில், MCP ஐப் பயன்படுத்தி நிதி பகுப்பாய்வு மாதிரிகளை பல்வேறு நிதி தரவு மூலங்களுடன் இணைக்க முடியும், இதன் மூலம் நிதி பகுப்பாய்வின் துல்லியத்தை மேம்படுத்தலாம். எடுத்துக்காட்டாக, நிதி பகுப்பாய்வு மாதிரியை பங்குச் சந்தை தரவு, பொருளாதார குறிகாட்டிகள் மற்றும் நிறுவன நிதிநிலை அறிக்கைகளுடன் இணைக்க முடியும், இதன் மூலம் நிதி பகுப்பாய்வு மாதிரி சந்தைப் போக்குகளை மிகவும் துல்லியமாக கணிக்க முடியும்.
MCP இன் சவால்கள் மற்றும் எதிர்கால வளர்ச்சி
MCP க்கு பெரும் ஆற்றல் இருந்தாலும், சில சவால்களையும் எதிர்கொள்கிறது. பின்வரும் முக்கிய சவால்கள் உள்ளன:
- தரப்படுத்துதல்: MCP இன்னும் ஒரு புதிய நெறிமுறை, மேலும் பல்வேறு உற்பத்தியாளர்களின் தயாரிப்புகளுக்கு இடையில் இயங்கு திறனை உறுதி செய்ய மேலும் தரப்படுத்தப்பட வேண்டும்.
- பாதுகாப்பு: தரவு மூலத்தின் பாதுகாப்பைப் பாதுகாக்க மற்றும் அங்கீகரிக்கப்படாத அணுகலைத் தடுக்க MCP சக்திவாய்ந்த பாதுகாப்பு வழிமுறைகளை வழங்க வேண்டும்.
- செயல்திறன்: MCP செயற்கை நுண்ணறிவு பயன்பாடுகளின் தேவைகளைப் பூர்த்தி செய்ய உயர் செயல்திறன் தரவு அணுகலை வழங்க வேண்டும்.
இந்த சவால்களை சமாளிக்க, MCP இன் எதிர்கால வளர்ச்சி திசையில் பின்வருவன அடங்கும்:
- மேலும் தரப்படுத்துதல்: பல்வேறு உற்பத்தியாளர்களின் தயாரிப்புகளுக்கு இடையில் இயங்கு திறனை உறுதி செய்ய MCP இன் தரப்படுத்துதல் செயல்முறையை ஊக்குவித்தல்.
- பாதுகாப்பை வலுப்படுத்துதல்: தரவு மூலத்தின் பாதுகாப்பைப் பாதுகாக்க MCP இன் பாதுகாப்பை வலுப்படுத்துதல் மற்றும் சக்திவாய்ந்த பாதுகாப்பு வழிமுறைகளை வழங்குதல்.
- செயல்திறனை மேம்படுத்துதல்: செயற்கை நுண்ணறிவு பயன்பாடுகளின் தேவைகளைப் பூர்த்தி செய்ய MCP இன் செயல்திறனை மேம்படுத்துதல் மற்றும் உயர் செயல்திறன் தரவு அணுகலை வழங்குதல்.
- பயன்பாட்டு காட்சிகளை விரிவாக்குதல்: MCP இன் பயன்பாட்டு காட்சிகளை விரிவாக்குதல் மற்றும் அதை அதிகமான செயற்கை நுண்ணறிவு பயன்பாடுகளில் பயன்படுத்துதல்.
மொத்தத்தில், MCP செயற்கை நுண்ணறிவுத் துறையில் ஒரு புதிய ஆற்றலாக பெரும் ஆற்றலைக் கொண்டுள்ளது. MCP தொடர்ந்து வளர்ந்து வருவதால், செயற்கை நுண்ணறிவின் எதிர்கால வளர்ச்சியில் இது முக்கிய பங்கு வகிக்கும் என்று நம்புவதற்கு நியாயமான காரணங்கள் உள்ளன.