La société de gestion de Big Data Komprise Inc. tente de faciliter la vie des agents d'intelligence artificielle et des grands modèles de langage qui exploitent le protocole open source Model Context Protocol pour accéder aux données tierces. Avec le lancement aujourd'hui de son nouvel outil Universal File MCP, il offre une interface unique qu'ils peuvent utiliser pour interroger tout type de source de données, quel que soit son emplacement.
MCP est devenu un élément essentiel de l’écosystème d’infrastructure pour les agents d’IA. Développé pour la première fois par Anthropic PBC, il fournit une norme commune permettant aux agents de se connecter à des sources de données et à des logiciels tiers, afin qu'ils puissent améliorer leurs connaissances et utiliser des outils pour prendre des mesures au nom des humains.
Mais selon le co-fondateur et président de Komprise, Krishna Subramanian, le succès est presque trop grand. De nos jours, presque toutes les entreprises technologiques ont lancé un serveur MCP dédié pour aider les agents à se connecter à leurs propres plates-formes et outils, ce qui entraîne ce qu'il appelle « l'encombrement du MCP », avec de graves implications.
« L'IA est surchargée de définitions d'outils multiples, ce qui entraîne une précision moindre et des performances plus lentes plutôt qu'une augmentation de la productivité », a déclaré Subramanian. « Connecter des données non structurées à l’IA complique les choses, car il peut s’agir de millions, voire de milliards de fichiers répartis sur un stockage hybride disparate. »
Les entreprises ne doivent pas seulement s'inquiéter de performances lentes et d'une précision moindre. Le gonflement du MCP est également l’un des principaux facteurs qui font augmenter les coûts de fonctionnement des agents d’IA. Subramanian a déclaré que la consommation de jetons peut augmenter considérablement. Il a souligné une étude récente de McKinsey Co. qui a révélé que près de 60 % de la consommation de jetons agents est motivée par le « raffinement de la réponse », qui fait référence aux boucles de jetons en coulisses, où les sous-agents traitent constamment les données encore et encore dans le cadre de leurs calculs.
Subramanian a déclaré que la plupart des organisations ont du mal à découvrir et à comprendre des pétaoctets de données non structurées qui s'étendent sur plusieurs silos de stockage, ce qui rend pratiquement impossible leur utilisation pour l'IA sans entraîner des coûts exorbitants. « Bien que les connexions MCP soient utiles pour faire apparaître rapidement des données pour la requête d'un utilisateur, elles n'ont pas résolu le problème de préparation des données ni les coûts élevés des jetons », a-t-il déclaré.
Universal File MCP de Komprise vise à contourner ce problème en redimensionnant les réponses de l'IA afin de garantir que seules les données non structurées les plus importantes sont réellement transmises aux agents d'IA. Subramanian a expliqué qu'il identifie les bonnes sources de données nécessaires pour aider un agent à répondre à une demande, et lui enverra ensuite les bonnes informations, enrichies de contexte et régies par des autorisations d'accès spécifiques à l'utilisateur. Il s'appuie sur un certain nombre de fonctionnalités que Komprise a précédemment développées pour permettre l'accès aux données de l'IA.
Par exemple, Universal File MCP applique un accès sécurisé et gouverné aux données en garantissant que les utilisateurs ne peuvent recevoir que des réponses basées sur les données auxquelles ils sont autorisés à accéder. Il exploite la base de données Komprise Global pour garantir un schéma cohérent sur toutes les ressources de stockage.
Pendant ce temps, l'outil Komprise AI Preparation & Process Automation permet d'extraire les métadonnées contextuelles de chaque fichier qu'il renvoie. Le système fonctionne en chargeant d'abord les métadonnées, permettant aux agents IA de savoir à quels fichiers ils doivent accéder. La société a également construit des filtres de bruit pour éliminer les données non pertinentes et éviter qu'elles soient traitées par des agents et n'augmentent les coûts des jetons.
Subramanian a déclaré que ces capacités prennent en charge un certain nombre de cas d'utilisation agentique. Dans le cas d'un clinicien, par exemple, il pourrait demander à un grand modèle de langage de trouver un ensemble spécifique d'images pathologiques et la requête filtrerait automatiquement ces données en fonction du contexte enrichi par KAPPA et des autorisations de l'utilisateur, de sorte qu'elle renvoie les bonnes images demandées. Alternativement, un professionnel de la sécurité de l'information peut l'utiliser pour découvrir rapidement des fichiers non conformes ou rechercher des données de recherche archivées filtrées par mots-clés de projet.
La meilleure chose est qu'il fonctionne avec n'importe quelle source de données, qu'elle soit gérée par Komprise ou non. « Alors que différents fournisseurs peuvent ajouter des interfaces MCP à leur stockage ou à leurs cloud, Komprise fournit une interface unique et unifiée pour toutes les données non structurées d'une entreprise à travers des silos de stockage en réseau multifournisseurs, d'objets, de cloud et d'applications avec des métadonnées enrichies », a expliqué Subramanian.
Todd Dorsey, analyste chez Data Center Intelligence Group, a déclaré que Komprise simplifie non seulement la façon dont l'IA peut accéder aux données non structurées à grande échelle, mais la rend également beaucoup plus efficace. Il pense qu'il s'agit d'une évolution naturelle de la norme MCP.
« La première vague de serveurs MCP a résolu le problème de la connexion de l'IA aux données de l'entreprise », a-t-il expliqué. « Mais il est essentiel d'envoyer à l'IA uniquement les fichiers dont elle a besoin pour répondre aux questions sur une combinaison de NAS, de stockage objet et cloud que les entreprises utilisent généralement, plutôt que sur l'empreinte d'un seul fournisseur. Komprise franchit une étape notable vers la simplification de la conservation des données non structurées pour l'IA. »
