જેમ જેમ AI એજન્ટો સાદા ચેટબોટ્સમાંથી સ્વાયત્ત કામદારોમાં પરિવર્તિત થઈ રહ્યા છે, તેમ તેઓ બાહ્ય સાધનો (tools) અને ડેટા સાથે વાતચીત કરવા માટે Model Context Protocol (MCP) પર વધુ ને વધુ નિર્ભર બની રહ્યા છે. જોકે, આ ક્ષમતા સાથે એક છુપો નાણાકીય અને પ્રદર્શન ખર્ચ (performance cost) જોડાયેલ છે, જેને ઉકેલવા માટે Okta હવે આગળ વધી રહ્યું છે.

AI Orchestration માં "Tool Tax" ને સમજવું

જ્યારે કોઈ AI એજન્ટ MCP સર્વર દ્વારા વાતાવરણ સાથે વાતચીત કરે છે, ત્યારે દરેક મોડેલ કોલ માટે એજન્ટને તેની ઉપલબ્ધ ક્ષમતાઓ સમજવી જરૂરી હોય છે. આ કરવા માટે, સિસ્ટમે tool schemas, નામો, વર્ણનો અને પેરામીટર્સની સંપૂર્ણ યાદી પ્રોમ્પ્ટ કોન્ટેક્સ્ટમાં મોકલવી પડે છે.

Okta એ આ ઘટનાને "tool tax" તરીકે ઓળખાવી છે. જેમ જેમ સંકલિત (integrated) સાધનોની સંખ્યા વધે છે, તેમ તેમ પ્રોમ્પ્ટ ઓવરહેડ (prompt overhead) ઝડપથી વધતું જાય છે. આના કારણે ટોકન વપરાશમાં નોંધપાત્ર વધારો થાય છે, જે સીધી રીતે ઓપરેશનલ ખર્ચ વધારે છે અને એજન્ટ દ્વારા લેવામાં આવતા દરેક reasoning step માટે લેટન્સી (latency) વધારે છે. સેંકડો સાધનોનું સંચાલન કરતા એન્ટરપ્રાઇઝ-સ્કેલ ડિપ્લોયમેન્ટ્સ માટે, આ ઓવરહેડ બજેટ અને પ્રદર્શન બંને માટે મોટો અવરોધ બની શકે છે.

Identity-Scoped MCP દ્વારા ઓવરહેડનું નિવારણ

આ બિનકાર્યક્ષમતા ઘટાડવા માટે, Okta identity-scoped MCP ટૂલ લિસ્ટ રજૂ કરી રહ્યું છે. દરેક મોડેલ રિક્વેસ્ટ માટે ઉપલબ્ધ તમામ સાધનો બ્રોડકાસ્ટ કરવાને બદલે, Okta નો અભિગમ ડાયનેમિકલી ટૂલસેટને ફિલ્ટર કરવા માટે identity and access management (IAM) નો ઉપયોગ કરે છે.

identity-scoped સ્કોપિંગ લાગુ કરવાથી, MCP સર્વર ફક્ત તે જ ચોક્કસ ટૂલ વ્યાખ્યાઓ (tool definitions) પૂરી પાડે છે જેના ઉપયોગ માટે પ્રમાણિત (authenticated) વપરાશકર્તા અથવા એજન્ટ અધિકૃત છે. જો કોઈ એજન્ટ જુનિયર કર્મચારી વતી કામ કરી રહ્યો હોય, તો તેને કુલ ટૂલ સ્કીમાનો માત્ર એક ભાગ જ મળે છે; જો તે એડમિનિસ્ટ્રેટર વતી કામ કરે છે, તો તેને સંપૂર્ણ સેટ મળે છે. આ સુનિશ્ચિત કરે છે કે મોડેલનું કોન્ટેક્સ્ટ વિન્ડો બિનજરૂરી અથવા અનધિકૃત ટૂલ વર્ણનોથી ભરાઈ ન જાય, જેનાથી દરેક inference call માટે જરૂરી ટોકનની સંખ્યા અસરકારક રીતે ઘટી જાય છે.

AI ઇકોસિસ્ટમ માટે આ શા માટે મહત્વનું છે

આ વિકાસ "capability-centric" AI થી "governance-centric" AI તરફના નિર્ણાયક પરિવર્તનને દર્શાવે છે. જેમ જેમ ડેવલપર્સ વધુ જટિલ એજન્ટિક વર્કફ્લો તરફ આગળ વધી રહ્યા છે, તેમ ઉદ્યોગ એ વાત સમજી રહ્યો છે કે માત્ર બ્રુટ-ફોર્સ પ્રોમ્પ્ટિંગ દ્વારા સ્કેલ પ્રાપ્ત કરી શકાશે નહીં.

Okta ની વ્યૂહરચના એન્ટરપ્રાઇઝ AI અપનાવવામાં આવતા બે સૌથી મોટા અવરોધોને સંબોધિત કરે છે: cost optimization અને સુરક્ષા. ટૂલ એક્સપોઝરને ઓળખ (identity) સાથે જોડીને, Okta માત્ર "tool tax" ઘટાડતું નથી પરંતુ પ્રોટોકોલ સ્તરે principle of least privilege ને પણ લાગુ કરે છે. આ સુનિશ્ચિત કરે છે કે કોઈ AI એજન્ટ અજાણતામાં કોઈ સંવેદનશીલ ફંક્શન—જેમ કે ડેટાબેઝ ડિલીટ કરવા માટેનું ટૂલ—શોધી ન શકે અથવા તેને કોલ કરવાનો પ્રયાસ ન કરી શકે, માત્ર એટલા માટે કે તે ટૂલનું સ્કીમા પ્રોમ્પ્ટ કોન્ટેક્સ્ટમાં હાજર હતું.

મુખ્ય મુદ્દાઓ

  • ટોકનનો બગાડ ઘટાડવો: Identity-scoped MCP એ LLMs ને મોકલવામાં આવતા ટૂલ સ્કીમાને મર્યાદિત કરે છે, જેનાથી સીધી રીતે "tool tax" ઘટે છે અને inference ખર્ચમાં ઘટાડો થાય છે.
  • વધારે સુરક્ષા: વપરાશકર્તાની ઓળખના આધારે ટૂલ્સને ફિલ્ટર કરીને, Okta કડક એક્સેસ કંટ્રોલ લાગુ કરે છે, જે એજન્ટોને અનધિકૃત ફંક્શન્સનો ઉપયોગ કરતા અટકાવે છે.
  • સ્કેલેબલ એજન્ટિક વર્કફ્લો: સ્કોપિંગ એન્ટરપ્રાઇઝને મોટા પાયે MCP અમલીકરણમાં સામાન્ય રીતે જોવા મળતા લેટન્સી અને પ્રોમ્પ્ટ ઓવરહેડના રેખીય વધારા વિના ટૂલ્સની વિશાળ લાઇબ્રેરીઓ તૈનાત કરવાની મંજૂરી આપે છે.

નિષ્કર્ષ: ટૂલ એક્સપોઝરને ઓળખ સાથે જોડીને, Okta સુરક્ષાને મજબૂત બનાવવાની સાથે સાથે ટોકનનો વધારાનો બોજ (token bloat) ઘટાડે છે જે મોટા પાયે AI એજન્ટ ડિપ્લોયમેન્ટ્સમાં અવરોધરૂપ બન્યો હતો. આ પગલું ઉદ્યોગને governance-centric AI તરફ ધકેલે છે, જ્યાં ખર્ચ, ઝડપ અને એક્સેસ કંટ્રોલ પ્રોટોકોલમાં જ સામેલ હોય છે, નહીં કે પછીથી અલગથી ઉમેરવામાં આવે.