AI ಏಜೆಂಟ್‌ಗಳು ಸರಳ ಚಾಟ್‌ಬಾಟ್‌ಗಳಿಂದ ಸ್ವಾಯತ್ತ ಕೆಲಸಗಾರರಾಗಿ (autonomous workers) ಪರಿವರ್ತನೆಯಾಗುತ್ತಿರುವಂತೆ, ಅವು ಬಾಹ್ಯ ಪರಿಕರಗಳು (tools) ಮತ್ತು ಡೇಟಾದೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಲು Model Context Protocol (MCP) ಅನ್ನು ಹೆಚ್ಚು ಅವಲಂಬಿಸುತ್ತಿವೆ. ಆದಾಗ್ಯೂ, ಈ ಸಾಮರ್ಥ್ಯವು ಒಂದು ಗುಪ್ತ ಹಣಕಾಸಿನ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ವೆಚ್ಚವನ್ನು ತರುತ್ತದೆ, ಇದನ್ನು ಈಗ Okta ಪರಿಹರಿಸಲು ಮುಂದಾಗಿದೆ.

AI Orchestration ನಲ್ಲಿನ "Tool Tax" ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ಒಂದು AI ಏಜೆಂಟ್ MCP ಸರ್ವರ್ ಮೂಲಕ ಪರಿಸರದಲ್ಲಿ ಸಂವಹನ ನಡೆಸಿದಾಗ, ಪ್ರತಿಯೊಂದು ಮಾಡೆಲ್ ಕರೆಯನ್ನು (model call) ಏಜೆಂಟ್ ತನ್ನ ಲಭ್ಯವಿರುವ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ. ಇದನ್ನು ಮಾಡಲು, ಸಿಸ್ಟಮ್ ಎಲ್ಲಾ ಟೂಲ್ ಸ್ಕೀಮಾಗಳು (tool schemas), ಹೆಸರುಗಳು, ವಿವರಣೆಗಳು ಮತ್ತು ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಪಟ್ಟಿಯನ್ನು ಪ್ರಾಂಪ್ಟ್ ಕಾನ್ಟೆಕ್ಸ್ (prompt context) ಗೆ ಕಳುಹಿಸಬೇಕಾಗುತ್ತದೆ.

Okta ಈ ವಿದ್ಯಮಾನವನ್ನು "tool tax" ಎಂದು ಗುರುತಿಸಿದೆ. ಸಂಯೋಜಿತ ಟೂಲ್‌ಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ, ಪ್ರಾಂಪ್ಟ್ ಓವರ್‌ಹೆಡ್ (prompt overhead) ಎಕ್ಸ್‌ಪೋನೆನ್ಶಿಯಲ್ ಆಗಿ ವಿಸ್ತರಿಸುತ್ತದೆ. ಇದು ಟೋಕನ್ ಬಳಕೆಯಲ್ಲಿ ಗಮನಾರ್ಹ ಹೆಚ್ಚಳಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ, ಇದು ನೇರವಾಗಿ ಕಾರ್ಯಾಚರಣೆಯ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಏಜೆಂಟ್ ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರತಿಯೊಂದು ತರ್ಕದ ಹಂತಕ್ಕೆ (reasoning step) ವಿಳಂಬವನ್ನು (latency) ಉಂಟುಮಾಡುತ್ತದೆ. ನೂರಾರು ಟೂಲ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಎಂಟರ್‌ಪ್ರೈಸ್-ಸ್ಕೇಲ್ ನಿಯೋಜನೆಗಳಿಗೆ, ಈ ಓವರ್‌ಹೆಡ್ ಬಜೆಟ್ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆ ಎರಡಕ್ಕೂ ದೊಡ್ಡ ಅಡಚಣೆಯಾಗಬಹುದು.

Identity-Scoped MCP ಮೂಲಕ ಓವರ್‌ಹೆಡ್ ಅನ್ನು ಪರಿಹರಿಸುವುದು

ಈ ಅಸಮರ್ಥತೆಯನ್ನು ತಗ್ಗಿಸಲು, Okta identity-scoped MCP ಟೂಲ್ ಪಟ್ಟಿಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತಿದೆ. ಪ್ರತಿಯೊಂದು ಮಾಡೆಲ್ ವಿನಂತಿಗೆ ಲಭ್ಯವಿರುವ ಎಲ್ಲಾ ಟೂಲ್‌ಗಳನ್ನು ಪ್ರಸಾರ ಮಾಡುವ ಬದಲು, Okta ನ ವಿಧಾನವು ಟೂಲ್ ಸೆಟ್ ಅನ್ನು ಡೈನಾಮಿಕ್ ಆಗಿ ಫಿಲ್ಟರ್ ಮಾಡಲು Identity and Access Management (IAM) ಅನ್ನು ಬಳಸುತ್ತದೆ.

Identity-scoped ವ್ಯಾಪ್ತಿಯನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುವ ಮೂಲಕ, MCP ಸರ್ವರ್ ಅಧಿಕೃತ ಬಳಕೆದಾರ ಅಥವಾ ಏಜೆಂಟ್ ಬಳಸಲು ಅನುಮತಿ ಹೊಂದಿರುವ ನಿರ್ದಿಷ್ಟ ಟೂಲ್ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಮಾತ್ರ ಒದಗಿಸುತ್ತದೆ. ಏಜೆಂಟ್ ಒಬ್ಬ ಕಿರಿಯ ಉದ್ಯೋಗಿಯ ಪರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದ್ದರೆ, ಅದು ಒಟ್ಟು ಟೂಲ್ ಸ್ಕೀಮಾದ ಒಂದು ಭಾಗವನ್ನು ಮಾತ್ರ ಪಡೆಯುತ್ತದೆ; ಅದು ಅಡ್ಮಿನಿಸ್ಟ್ರೇಟರ್ ಪರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ, ಅದು ಸಂಪೂರ್ಣ ಸರಣಿಯನ್ನು ಪಡೆಯುತ್ತದೆ. ಇದು ಮಾಡೆಲ್‌ನ ಕಾನ್ಟೆಕ್ಸ್ ವಿಂಡೋವು ಅಪ್ರಸ್ತುತ ಅಥವಾ ಅನಧಿಕೃತ ಟೂಲ್ ವಿವರಣೆಗಳಿಂದ ತುಂಬದಂತೆ ನೋಡಿಕೊಳ್ಳುತ್ತದೆ, ಇದರಿಂದ ಪ್ರತಿ ಇನ್ಫರೆನ್ಸ್ ಕರಲ್‌ಗೆ (inference call) ಅಗತ್ಯವಿರುವ ಟೋಕನ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

AI ಪರಿಸರ ವ್ಯವಸ್ಥೆಗೆ ಇದು ಏಕೆ ಮುಖ್ಯ

ಈ ಬೆಳವಣಿಗೆಯು "capability-centric" AI ಯಿಂದ "governance-centric" AI ಕಡೆಗೆ ಒಂದು ನಿರ್ಣಾಯಕ ಬದಲಾವಣೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಡೆವಲಪರ್‌ಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಏಜೆಂಟಿಕ್ ವರ್ಕ್‌ಫ್ಲೋಗಳತ್ತ ಸಾಗುತ್ತಿರುವಂತೆ, ಬ್ರೂಟ್-ಫೋರ್ಸ್ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಮೂಲಕ ಪ್ರಮಾಣವನ್ನು (scale) ಸಾಧಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂಬುದು ಉದ್ಯಮಕ್ಕೆ ಅರಿವಾಗುತ್ತಿದೆ.

Okta ನ ಕಾರ್ಯತಂತ್ರವು ಎಂಟರ್‌ಪ್ರೈಸ್ AI ಅಳವಡಿಕೆಯಲ್ಲಿನ ಎರಡು ಪ್ರಮುಖ ಅಡೆತಡೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ: ವೆಚ್ಚದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ಭದ್ರತೆ. ಟೂಲ್ ಎಕ್ಸ್‌ಪೋಸರ್ ಅನ್ನು ಐಡೆಂಟಿಟಿಗೆ (identity) ಜೋಡಿಸುವ ಮೂಲಕ, Okta "tool tax" ಅನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮಾತ್ರವಲ್ಲದೆ ಪ್ರೊಟೊಕಾಲ್ ಮಟ್ಟದಲ್ಲಿ ಕನಿಷ್ಠ ಹಕ್ಕುಗಳ ತತ್ವವನ್ನು (principle of least privilege) ಜಾರಿಗೊಳಿಸುತ್ತದೆ. ಇದು AI ಏಜೆಂಟ್ ಅಚಾನಕ್ಕಾಗಿ ಯಾವುದೇ ಸೂಕ್ಷ್ಮ ಕಾರ್ಯವನ್ನು—ಉದಾಹರಣೆಗೆ, ಡೇಟಾಬೇಸ್ ಡಿಲೀಟ್ ಮಾಡುವ ಟೂಲ್—ಪತ್ತೆಹಚ್ಚುವ ಅಥವಾ ಕರೆಯಲು ಪ್ರಯತ್ನಿಸದಂತೆ ಖಚಿತಪಡಿಸುತ್ತದೆ; ಕೇವಲ ಆ ಟೂಲ್‌ನ ಸ್ಕೀಮಾ ಪ್ರಾಂಪ್ಟ್ ಕಾನ್ಟೆಕ್ಸ್‌ನಲ್ಲಿ ಇರುವುದರಿಂದ ಅಂತಹ ಘಟನೆ ನಡೆಯದಂತೆ ತಡೆಯುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

  • ಟೋಕನ್ ವ್ಯರ್ಥವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು: Identity-scoped MCP, LLMಗಳಿಗೆ ಕಳುಹಿಸುವ ಟೂಲ್ ಸ್ಕೀಮಾಗಳನ್ನು ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ, ಇದು ನೇರವಾಗಿ "tool tax" ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಇನ್ಫರೆನ್ಸ್ ವೆಚ್ಚವನ್ನು ತಗ್ಗಿಸುತ್ತದೆ.
  • ಹೆಚ್ಚಿದ ಭದ್ರತೆ: ಬಳಕೆದಾರರ ಐಡೆಂಟಿಟಿಯ ಆಧಾರದ ಮೇಲೆ ಟೂಲ್‌ಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡುವ ಮೂಲಕ, Okta ಕಟ್ಟುನಿಟ್ಟಾದ ಪ್ರವೇಶ ನಿಯಂತ್ರಣಗಳನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತದೆ, ಏಜೆಂಟ್‌ಗಳು ಅನಧಿಕೃತ ಕಾರ್ಯಗಳನ್ನು ಪ್ರವೇಶಿಸದಂತೆ ತಡೆಯುತ್ತದೆ.
  • ಸ್ಕೇಲೆಬಲ್ ಏಜೆಂಟಿಕ್ ವರ್ಕ್‌ಫ್ಲೋಗಳು: ಸ್ಕೋಪಿಂಗ್ (Scoping) ಮೂಲಕ ಉದ್ಯಮಗಳು ದೊಡ್ಡ ಪ್ರಮಾಣದ MCP ಅನುಷ್ಠಾನಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಕಂಡುಬರುವ ವಿಳಂಬ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಓವರ್‌ಹೆಡ್ ಹೆಚ್ಚಳವಿಲ್ಲದೆ, ಟೂಲ್‌ಗಳ ಬೃಹತ್ ಲೈಬ್ರರಿಗಳನ್ನು ನಿಯೋಜಿಸಬಹುದು.

ಒಟ್ಟಾರೆ ಸಾರಾಂಶ: ಟೂಲ್ ಎಕ್ಸ್‌ಪೋಸರ್ ಅನ್ನು ಐಡೆಂಟಿಟಿಗೆ ಜೋಡಿಸುವ ಮೂಲಕ, Okta ದೊಡ್ಡ ಪ್ರಮಾಣದ AI ಏಜೆಂಟ್ ನಿಯೋಜನೆಗಳಿಗೆ ಅಡ್ಡಿಯಾಗುತ್ತಿದ್ದ ಟೋಕನ್ ಅತಿಯಾದ ಬಳಕೆಯನ್ನು (token bloat) ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಭದ್ರತೆಯನ್ನು ಬಲಪಡಿಸುತ್ತದೆ. ಈ ಕ್ರಮವು ಉದ್ಯಮವನ್ನು governance-centric AI ಕಡೆಗೆ ತಳ್ಳುತ್ತದೆ, ಅಲ್ಲಿ ವೆಚ್ಚ, ವೇಗ ಮತ್ತು ಪ್ರವೇಶ ನಿಯಂತ್ರಣವನ್ನು ಪ್ರೊಟೊಕಾಲ್‌ನಲ್ಲೇ ಅಳವಡಿಸಲಾಗಿರುತ್ತದೆ.