ஏஜென்டிக் AI-ஐ அளவிடுதல்: Model Context Protocol-ன் முக்கியமான பரிணாம வளர்ச்சி

Model Context Protocol (MCP) என்பது AI சூழல் மண்டலத்தின் (ecosystem) அத்தியாவசியமான அடிப்படை கட்டமைப்பாகச் செயல்படுகிறது. இது மாதிரிகள் (models) வெளிப்புறத் தரவுத்தளங்கள், காலண்டர்கள் மற்றும் நிறுவனக் கருவிகளுடன் பாதுகாப்பாகத் தொடர்பு கொள்ள வழிவகை செய்கிறது. இந்தத் துறையானது மாதிரியின் நுண்ணறிவில் (model intelligence) ஏற்படும் மிகப்பெரிய முன்னேற்றங்களில் கவனம் செலுத்தி வரும் வேளையில், இந்த நெறிமுறையில் (protocol) மேற்கொள்ளப்படும் ஒரு அமைதியான ஆனால் முக்கியமான புதுப்பிப்பு, AI பயன்பாட்டில் உள்ள மிக முக்கியமான தடைகளில் ஒன்றைத் தீர்க்க உள்ளது.

ஒன்றிணைந்து செயல்படும் திறனில் உள்ள தடையைத் தீர்த்தல்

AI ஏஜெண்டுகள் வெறும் உரையாடல் இடைமுகங்களைத் தாண்டி, நிறுவனங்களுக்குள் செயல்பாட்டுப் பங்குகளைச் செய்ய வேண்டுமானால், அவற்றுக்கு Gmail, Slack மற்றும் Salesforce போன்ற கருவிகளுடன் தடையற்ற அணுகல் தேவைப்படுகிறது. ஒவ்வொரு புதிய ஒருங்கிணைப்பிற்கும் பொறியாளர்கள் தனிப்பயனாக்கப்பட்ட "pipes" (இணைப்புகளை) உருவாக்க வேண்டிய அவசியத்தைத் தவிர்த்து, இந்த இணைப்பிற்கான தரப்படுத்தப்பட்ட கட்டமைப்பை MCP வழங்குகிறது. இருப்பினும், நிறுவனங்கள் முன்னோடித் திட்டங்களிலிருந்து (pilot programs) பெரிய அளவிலான, பல பயனர் பயன்பாடுகளுக்கு மாற முயற்சிக்கும்போது, MCP-ன் தற்போதைய தொழில்நுட்பக் கட்டுப்பாடுகள் அதன் பரவலான பயன்பாட்டைத் தடுத்து வருகின்றன.

இதன் முக்கியப் பிரச்சனை அமர்வு மேலாண்மையை (session management) இந்த நெறிமுறை எவ்வாறு கையாள்கிறது என்பதில் உள்ளது. தற்போது, Claude போன்ற ஒரு MCP கிளையண்ட் ஒரு சர்வருடன் இணையும்போது, அந்த உரையாடலைக் கண்காணிக்க சர்வர் ஒரு session ID-ஐ வழங்குகிறது. இந்த "stateful" அணுகுமுறை, அந்த குறிப்பிட்ட பயனரையும் அவர்களின் சூழலையும் (context) உரையாடல் முழுவதும் சர்வர் நினைவில் வைத்திருக்க வேண்டிய அவசியத்தை உருவாக்குகிறது.

பரவலாக்கப்பட்ட அளவிடுதலில் உள்ள சவால்

ஒரு நிஜ உலக நிறுவனச் சூழலில், போக்குவரத்து (traffic) என்பது அரிதாகவே ஒரு தனி இயந்திரத்தால் கையாளப்படுகிறது. அதற்குப் பதிலாக, நிறுவனங்கள் லோட் பேலன்சர்களைப் (load balancers) பயன்படுத்தி, பல்வேறு பிராந்தியங்களில் பரவியிருக்கும் ஒரு பெரிய சர்வர் தொகுப்பிற்கு (farm of servers) மில்லியன் கணக்கான கோரிக்கைகளை வழிநடத்துகின்றன.

தற்போதைய MCP விதிகளின் கீழ், இது ஒரு மிகப்பெரிய ஒத்திசைவுச் சிக்கலை (synchronization headache) உருவாக்குகிறது. ஒரு கிளையண்ட் session ID-ஐ சர்வர் A-விற்கு அனுப்பினால், ஆனால் லோட் பேலன்சர் அடுத்த கோரிக்கையை சர்வர் B-க்கு வழிநடத்தினால், அந்த session பற்றிய எந்தத் தகவலும் சர்வர் B-க்கு இருக்காது. தொடர்ச்சியைப் பேணுவதற்கு, ஒரு கிளஸ்டரில் உள்ள அனைத்து சர்வர்களும் குறிப்பிட்ட session ID-களைப் பற்றி ஒன்றோடொன்று "பேச" முடிவதை உறுதி செய்ய, டெவலப்பர்கள் சிக்கலான மற்றும் செலவு மிகுந்த மாற்று வழிகளைச் செயல்படுத்த வேண்டிய கட்டாயத்திற்குத் தள்ளப்படுகிறார்கள். ஏஜென்டிக் AI குறித்த அதீத எதிர்பார்ப்புகள் இருந்தபோதிலும், பல நிறுவனங்கள் பெரிய அளவிலான முதன்மைத் தர (first-party) MCP ஒருங்கிணைப்புகளைச் செயல்படுத்தத் தயங்குவதற்கு இந்தத் தடையே முக்கிய காரணமாகும்.

Stateless எதிர்காலத்தை நோக்கி நகர்தல்

MCP விதிகளில் வரவிருக்கும் புதுப்பிப்பு, நவீன இணையக் கட்டமைப்பைப் போலவே அமர்வு ஐடிகளுக்கு (session IDs) ஒரு "stateless" அணுகுமுறையை அறிமுகப்படுத்துகிறது. சர்வர் பக்க அமர்வு நிலைத்தன்மையிற்கான (server-side session persistence) தேவைகளைக் குறைப்பதன் மூலம், ஒரு பரவலாக்கப்பட்ட நெட்வொர்க்கில் உள்ள எந்தவொரு சர்வரும், ஒவ்வொரு தனிப்பட்ட பயனரின் அமர்வையும் பற்றிய தொடர்ச்சியான, பகிரப்பட்ட நினைவகத்தைப் பராமரிக்க வேண்டிய அவசியமின்றி ஒரு கோரிக்கையை கையாள இந்த நெறிமுறை அனுமதிக்கிறது.

இந்த stateless முறைக்கு மாறுவது உள்கட்டமைப்பிற்கு ஒரு மிகப்பெரிய மாற்றத்தை ஏற்படுத்தும் (game-changer). இது எளிதான பராமரிப்பு, தரப்படுத்தப்பட்ட லோட் பேலன்சர்களுடன் சிறந்த இணக்கத்தன்மை மற்றும் பெரிய அளவில் இயங்கும்போது கணிசமாகக் குறைந்த செயல்பாட்டுச் செலவுகளை அனுமதிக்கிறது. சமீபத்தில் AI ஏஜென்ட் உள்கட்டமைப்பை உருவாக்க $60 மில்லியன் நிதி திரட்டிய Arcade போன்ற ஸ்டார்ட்அப் நிறுவனங்களுக்கு, AI-ஐ வெறும் சோதனை ரீதியான பாட்களிலிருந்து (experimental bots) நம்பகமான நிறுவன ஊழியர்களாக மாற்றுவதற்கு இந்த பரிணாம வளர்ச்சி மிகவும் அவசியமானது.

AI நிலப்பரப்பிற்கு இது ஏன் முக்கியமானது

AI துறையில் நடக்கும் "ஆயுதப் போட்டி" பெரும்பாலும் LLM அளவுருக்கள் (parameters) மற்றும் பயிற்சி கணினித் திறன் (training compute) இடையிலான போட்டியாகக் கருதப்படுகிறது. ஆனால், இந்தத் துறை இப்போது உள்கட்டமைப்பு அடுக்கு (infrastructure layer) என்ற புதிய எல்லையை எட்டியுள்ளது. ஒரு புத்திசாலித்தனமான மாதிரிக்குத் தேவையான தரவை நம்பகமாகவும் மலிவாகவும் அணுக முடியாவிட்டால், அது பயனற்றதுதான். இந்தத் துறையின் தரநிலைகளையும் "அடிப்படை கட்டமைப்பையும்" முதிர்ச்சியடையச் செய்வதன் மூலம், அடுத்தக்கட்ட AI மேம்பாடு அடிப்படைத் தொடர்புகளுக்காகப் போராடுவதை விட, ஏஜென்டிக் தன்னாட்சியில் (agentic autonomy) கவனம் செலுத்துவதை MCP புதுப்பிப்பு உறுதி செய்கிறது.

முக்கியக் குறிப்புகள்

• Stateless முறைக்கு மாறுதல்: MCP புதுப்பிப்பு, stateful அமர்வு மாதிரியிலிருந்து stateless முறைக்கு மாறுகிறது. இது சிக்கலான ஒத்திசைவு இன்றி சர்வர்கள் கோரிக்கைகளை மிகவும் திறமையாகக் கையாள அனுமதிக்கிறது.
• மேம்படுத்தப்பட்ட அளவிடுதல் திறன்: இந்த மாற்றம் லோட் பேலன்சர்களுடனான முக்கிய மோதல்களைத் தீர்க்கிறது, இது பரவலாக்கப்பட்ட, பல-சர்வர் நிறுவனச் சூழல்களில் MCP-டன் இணைக்கப்பட்ட கருவிகளைப் பயன்படுத்துவதை எளிதாக்குகிறது.
• ஏஜென்டிக் AI-ஐச் சாத்தியப்படுத்துதல்: கருவி ஒருங்கிணைப்பின் தொழில்நுட்பத் தடைகளைக் குறைப்பதன் மூலம், இந்த நெறிமுறை புதுப்பிப்பு, AI ஏஜெண்டுகள் உலகளாவிய அளவில் நம்பகமான முறையில் செயல்படுவதற்குத் தேவையான உள்கட்டமைப்பை வழங்குகிறது.