ما هو بروتوكول سياق النموذج (MCP) ولماذا هو أمر بالغ الأهمية لتطوير الذكاء الاصطناعي؟
مع تسارع تطوير أدوات الذكاء الاصطناعي ، تخضع المنظمات لضغوط متزايدة لنقل النماذج من النموذج الأولي إلى الإنتاج بشكل آمن ومع قابلية التوسع.
وراء الكواليس ، فإن إدارة نماذج الذكاء الاصطناعى محفوفة بالعمليات غير المعتادة ، والبيانات الوصفية المفقودة ، والتبعيات المتضاربة ، والتحف التي لا يمكن تعقبها.
هذا هو السبب في أن 73 ٪ من المنظمات ذكرت تفتقر إلى الثقة الكاملة في قدرتها على تتبع وتأمين مكونات الذكاء الاصطناعى ضمن خط أنابيب البرمجيات الخاصة بهم ، وفقا لحالة سلسلة التوريد لعام 2025 لدينا.
هذه مشكلة أساسية تحتاج إلى حل ، ليس فقط للامتثال والأمن ، ولكن أيضًا للموثوقية والسرعة.
لمعالجة هذه التحديات ، ظهر معيار مفتوح جديد: بروتوكول سياق النموذج (MCP). تهدف MCPs إلى جلب الوضوح والسيطرة والثقة إلى العالم الذي يتخلى عن نموذج الذكاء الاصطناعى في كثير من الأحيان.
ما هو MCP ولماذا يهم؟
لا تعمل نماذج الذكاء الاصطناعى بمعزل عن غيرها ، فهي نتاج خطوط أنابيب معقدة تتضمن البيانات والرمز والتبعيات واتخاذ القرارات البشرية.
ومع ذلك ، فإن معظم المؤسسات تعامل معظم المؤسسات على النموذج النهائي كمربع أسود ، مع القليل من الرؤية في كيفية بنائه أو ما إذا كان يمكن الوثوق به.
هذا هو المكان الذي يأتي فيه MCP. إنه معيار مفتوح ومحايد من البائعين مصمم لالتقاط الصورة الكاملة خلف نموذج الذكاء الاصطناعي ، وليس فقط النموذج نفسه.
من البيانات والرمز الذي يشكله إلى البيئة التي يتم تشغيلها ، تقوم MCP بحزم كل شيء في ملف رقمي موقّع يمكن لأجهزة الكمبيوتر الهضم بسهولة ، وضمان التتبع والنزاهة والاستنساخ عبر دورة حياة النموذج.
بمعنى آخر ، يجلب MCP نفس الصرامة والشفافية التي نتوقعها من سلاسل إمداد البرمجيات الحديثة إلى عالم الذكاء الاصطناعي. نظرًا لأن الضغط يتجول حول الذكاء الاصطناعي المسؤول ، من المنظمين والعملاء والجمهور ، فإن هذا التحول ليس مفيدًا فحسب ، بل إنه ضروري.
لماذا يهم MCP الآن؟
يعتمد اعتماد الذكاء الاصطناعي في بيئات الإنتاج ، وفشلت الأدوات الحالية في مواكبة الاحتياجات المحددة للتعلم الآلي (ML) وسير عمل نموذج اللغة الكبير (LLM).
لم يتم تصميم خطوط أنابيب DevOps التقليدية لتتبع تجارب سريعة الزوال ، أو مجموعات بيانات مبعثرة ، أو العشرات من الحزم وبرامج تشغيل GPU التي تعتمد عليها أعباء عمل ML. هذا يخلق بقع عمياء كبيرة.
في الواقع ، وفقًا لتقريرنا ، فإن 94 ٪ من المؤسسات تستخدم برامج مفتوحة المصدر في بيئات الإنتاج الخاصة بها ، بما في ذلك في أعباء عمل الذكاء الاصطناعى ، ولكن ما يقرب من 60 ٪ يعترفون بأنهم يفتقرون إلى قدرتها على تتبع أصل وأمن الحزم والموديلات المتعلقة بـ AI.
هذا هو المكان الذي يخطو فيه MCP. من خلال تقديم بروتوكول ثابت وآمن ومستعد لإدارة النماذج ، يتيح MCP إعادة إنتاج النتائج عن طريق التقاط سياق وقت التشغيل الكامل ، أو عمليات النشر عبر السحابة أو البيئات المحلية أو الحافة ، وتنفيذ الامتثال من خلال فحوصات ترخيص متكاملة ومسح الضعف.
كما أنه يبسط التعاون عبر الفرق من خلال العمل كمصدر واحد للثقة لجميع الأصول ذات الصلة بالنماذج.
من خلال تضمين سير عمل الذكاء الاصطناعي في ممارسات سلسلة التوريد البرمجيات الحالية ، تمكن MCP الفرق من تقليل المخاطر وتسريع التسليم وبناء تطبيقات الذكاء الاصطناعى الجديرة بالثقة بقدر ما هي قوية.
باختصار ، إنها خطوة تأسيسية نحو جعل نماذج الذكاء الاصطناعى مواطنين من الدرجة الأولى في تطوير برامج المؤسسات.
ما هو دور MCP في سلسلة توريد البرمجيات؟
هناك إدراك متزايد بأن النماذج أكثر من مجرد رمز ، إنها الثنائيات الجديدة.
مثل حزم البرمجيات ، يتم تجميع النماذج من المخرجات من العمل المنبع: مجموعات البيانات والتكوينات والتبعيات ومنطق التدريب. ومع ذلك ، في العديد من المنظمات ، لا تزال تدار بشكل فضفاض وفصلها عن خطوط أنابيب DevOps و MLOPS المعيارية.
لتغيير ذلك ، بدأت فرق التفكير الأمامي في التعامل مع نماذج الذكاء الاصطناعى بنفس الانضباط مثل أي قطعة أثرية أخرى للبرمجيات.
هذا يعني التقاط السياق الكامل لدورة الحياة النموذجية ؛ من أين أتت ، وكيف تم بناؤه ، وما يعتمد عليه ، وكيف ينبغي نشره أو تحكمه.
هذا هو الهدف من MCP. من خلال تحديد بنية متسقة لتتبع مكونات النموذج ومشاركتها ، يساعد MCP في سد الفجوة بين عمل الذكاء الاصطناعي التجريبي والنشر القابل للتطوير الآمن.
وهو يدعم التكامل مع أطر عمل شهيرة مفتوحة المصدر مثل MLFLOW ، ووجه المعانقة ، و Langchain ، مما يسمح للمطورين بالعمل في بيئات مألوفة أثناء الطبقات في الحوكمة اللازمة لاستخدام الإنتاج.
المنظمات التي تتبنى MCP قادرة الآن على:
- استيعاب النماذج وإدارتها من أدوات متنوعة ومنصات تدريب
- تطبيق الحوكمة القائمة على السياسة ، بما في ذلك الامتثال للترخيص ومسح الضعف
- تتبع الأصل ، وسجل النسخة ، والتبعيات بثقة
- توزيع النماذج بشكل آمن عبر بيئات السحابة أو المحمية أو الحافة من خلال خطوط أنابيب موحدة
كيف يساعد MCP في نقل الذكاء الاصطناعي من التجارب إلى المؤسسة؟
تفتقر معظم مشاريع الذكاء الاصطناعي اليوم إلى النظافة الأساسية التي تعتبرها فرق البرمجيات أمرا مفروغا منه: مصدر واضح ، تتبع التبعية ، التحكم في الإصدار ، وفحص الأمان. هذه الفجوة تجعل من المستحيل تقريبًا إعادة إنتاج النتائج أو إدارة المخاطر أو الاستجابة للضغط التنظيمي.
يوفر MCP الطريق إلى الأمام من خلال جلب التتبع المهيكلة والآلي إلى نماذج الذكاء الاصطناعى ، من النموذج الأساسي وبيانات التدريب إلى بيئة وقت التشغيل وحالة الأمان ، والاقتراض من عقود من أفضل الممارسات في سلسلة التوريد البرمجيات.
هذا يعني عددًا أقل من المجهولين عند إعادة استخدام النماذج أو تحديثها أو تدقيقها ، ومزيد من الثقة عند نشر الذكاء الاصطناعي في بيئات تواجه العميل أو منظمة.
من خلال دمجها بسلاسة مع سير عمل CI/CD الحالي ، لا يعد MCP بالمسؤولية عن الذكاء الاصطناعي ، بل يجعلها عملية.
ما هو التالي لـ MCP؟
لا يزال MCP تحت التطوير النشط ، مع تحسينات مستمرة على مواصفاتها وأدواتها. يتم دعم البروتوكول من قبل مجتمعات منظمة العفو الدولية مفتوحة المصدر ، ويُنظر إليها بشكل متزايد على أنها الأساس لمنظمة العفو الدولية الآمنة والقابلة للتكرار والاستعداد للمؤسسات.
نظرًا لأن المؤسسات تعمل على نشر أنظمة الذكاء الاصطناعي بشكل مسؤول ، فإن MCP يوفر طريقة منظمة لتتبع النماذج وإدارتها ، والاعتماد على أفضل الممارسات المعمول بها من سلسلة إمداد البرمجيات ، مثل التحكم في الإصدار ، وتتبع الأصل ، والتحقق من الأمان.
لأنه تمامًا كما هو الحال مع البرامج التقليدية ، فإن نماذج الذكاء الاصطناعى بدون سياق هي مسؤولية. مع MCP ، يمكن أن تصبح أصول آمنة يمكن التحكم فيها ، جاهزة للإنتاج.
لقد عرضنا أفضل برنامج تطوير تطبيقات الهاتف المحمول.
تم إنتاج هذه المقالة كجزء من قناة TechRadarpro Expert Insights حيث نعرض أفضل وألمع عقول في صناعة التكنولوجيا اليوم. الآراء المعبر عنها هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarpro أو Future PLC. إذا كنت مهتمًا بالمساهمة ، اكتشف المزيد هنا: https://www.techradar.com/news/submit-your-story-techradar-pro