wehub-resource-sync
32 KiB
MCP ಡೇಟಾಬೇಸ್ ಇಂಟಿಗ್ರೇಶನ್ಗೆ ಪರಿಚಯ
🎯 ಈ ಲ್ಯಾಬ್ ಏನನ್ನು ಒಳಗೊಂಡಿದೆ
ಈ ಪರಿಚಯ ಲ್ಯಾಬ್ ಮಾದರಿ ಸಾಂದರ್ಭಿಕ ಪ್ರೋಟೋಕಾಲ್ (Model Context Protocol - MCP) ಸರ್ವರ್ಗಳನ್ನು ಡೇಟಾಬೇಸ್ ಎಂಟಿಗ್ರೇಶನ್ ಜೊತೆ ನಿರ್ಮಿಸುವ ಸಮಗ್ರ ಅವಲೋಕನವನ್ನು ನೀಡುತ್ತದೆ. ನೀವು ವ್ಯವಹಾರ ಪ್ರಕರಣ, ತಾಂತ್ರಿಕ ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು ವಾಸ್ತವ ಅನ್ವಯಿಕೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಿರುತ್ತೀರಿ, https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail ನಲ್ಲಿ ಇರುವ Zava ರಿಟೇಲ್ ವಿಶ್ಲೇಷಣೆ ಬಳಕೆ ಪ್ರಕರಣದ ಮೂಲಕ.
ಅವಲೋಕನ
ಮಾದರಿ ಸಾಂದರ್ಭಿಕ ಪ್ರೋಟೋಕಾಲ್ (MCP) AI ಸಹಾಯಕರನ್ನು ಹೊರಗಿನ ಡೇಟಾ ಮೂಲಗಳಿಗೆ ರಿಯಲ್-ಟೈಮ್ನಲ್ಲಿ ಸುರಕ್ಷಿತವಾಗಿ ಪ್ರವೇಶಿಸಲು ಮತ್ತು ಸಂವಹನ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. ಡೇಟಾಬೇಸ್ ಎಂಟಿಗ್ರೇಶನ್ ಜೊತುಗೊಂಡಾಗ, MCP ಡೇಟಾ ಚಾಲಿತ AI ಅನ್ವಯಿಕೆಗಳಿಗೆ ಶಕ್ತિશಾಲಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅನ್ಲಾಕ್ ಮಾಡುತ್ತದೆ.
ಈ ಅಧ್ಯಯನ ಹಾದಿ ನೀವು ಉತ್ಪಾದನಾ-ತಯಾರ MCP ಸರ್ವರ್ಗಳನ್ನು ನಿರ್ಮಿಸುವುದನ್ನು ಕಲಿಸುತ್ತದೆ, ಅದು AI ನೆರವುದಾರರನ್ನು PostgreSQL ಮೂಲಕ ರಿಟೇಲ್ ಮಾರಾಟ ಡೇಟಾದೊಂದಿಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ, ರೋ ಲೆವೆಲ್ ಸೆಕ್ಯುರಿಟಿ, ಸಾಮಾಂತ್ಯ ಅನ್ವೇಷಣೆ ಮತ್ತು ಬಹು-ಕ್ಲೈಂಟ್ ಡೇಟಾ ಪ್ರವೇಶದಂತಹ ಎಂಟರ್ಪ್ರೈಸ್ ಕುರಿತು ರೂಪರೇಷೆಗಳನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುತ್ತದೆ.
ಕಲಿಕೆಯ ಗುರಿಗಳು
ಈ ಲ್ಯಾಬ್ನ ಅಂತ್ಯಕ್ಕೆ, ನೀವು ಶಕ್ತರಾಗಿರುತ್ತೀರಿ:
- ಮಾದರಿ ಸಾಂದರ್ಭಿಕ ಪ್ರೋಟೋಕಾಲ್ ಮತ್ತು ಅದರ ಡೇಟಾಬೇಸ್ ಎಂಟಿಗ್ರೇಶನ್ ನ ಮುಖ್ಯ ಲಾಭಗಳನ್ನು ವಿವರಣೆ ಮಾಡುವುದು
- ಡೇಟಾಬೇಸ್ಗಳೊಂದಿಗೆ MCP ಸರ್ವರ್ ವಾಸ್ತುಶಿಲ್ಪದ ಪ್ರಮುಖ ಭಾಗಗಳನ್ನು ಗುರುತಿಸುವುದು
- Zava ರಿಟೇಲ್ ಬಳಕೆ ಪ್ರಕರಣ ಮತ್ತು ಅದರ ವ್ಯವಹಾರ ಅವಶ್ಯಕತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
- ಸುರಕ್ಷಿತ, ಮೌಲ್ಯಮಾಪನ ಅರ್ಹತೆಯ ಎಂಟರ್ಪ್ರೈಸ್ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವುದು
- ಈ ಅಧ್ಯಯನ ಹಾದಿಯಲ್ಲಿರುವ ಉಪಕರಣಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳ ಪಟ್ಟಿ ಮಾಡುವುದು
🧭 ಸವಾಲ್: AI ವಾಸ್ತವಿಕ ಡೇಟಾವನ್ನು ಎದುರಿಸುವುದು
ಪರಂಪರೆಯ AI ಸೀಮಿತತೆಗಳು
ಆಧುನಿಕ AI ಸಹಾಯಕರಲ್ಲಿ ಅಪಾರ ಶಕ್ತಿ ಇದರೂ ಅಪಾಯಕಾರಿ ಸೀಮಿತತೆಗಳು ಇವೆ, ಅದು ವಾಸ್ತವದಲ್ಲಿ ಪರಿಣಿತರಾದ ವ್ಯಾಪಾರ ಡೇಟಾ ಕೆಲಸ ಮಾಡುವಾಗ:
| ಸವಾಲ್ | ವಿವರಣೆ | ವ್ಯವಹಾರ ಪರಿಣಾಮ |
|---|---|---|
| ಸ್ಥಿರ ಜ್ಞಾನ | ನಿಗದಿತ ಡೇಟಾಸೆಟ್ಗಳ ಮೇಲೆ ತರಬೇತಿನಿಂದ AI ಮಾದರಿಗಳು ಇತ್ತೀಚಿನ ವ್ಯಾಪಾರ ಡೇಟಾಗೆ ಪ್ರವೇಶಿಸಲಾರವು | ಹಳೆಯ ಮಾಹಿತಿಗಳು, ಅಪಾಯಗಳನ್ನು ತಪ್ಪಿಸುವುದಿಲ್ಲ |
| ಡೇಟಾ ಸೈಲೋಗಳು | ಡೇಟಾಬೇಸ್ಗಳು, APIಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಜಡಿತಗೊಂಡ ಮಾಹಿತಿ AI ತಲುಪಲಾರದು | ಅಪೂರ್ಣ ವಿಶ್ಲೇಷಣೆ, ವಿಭಜಿತ ಕೆಲಸಗಾರಿಕೆಗಳು |
| ಸುರಕ್ಷತಾ ನಿರ್ಬಂಧಗಳು | ನೇರ ಡೇಟಾಬೇಸ್ ಪ್ರವೇಶವು ಸುರಕ್ಷತಾ ಮತ್ತು ಅನುಸರಣೆ ಸಮಸ್ಯೆಗಳನ್ನು ಉಂಟು ಮಾಡುತ್ತದೆ | ನಿಯಂತ್ರಿತ ನಿಯೋಜನೆ, ಕೈಯಿಂದ ಡೇಟಾ ಸಿದ್ಧತೆ |
| ಸಂಕೀರ್ಣ ಕ್ವೆರಿಗಳು | ವ್ಯವಹಾರ ಬಳಕೆದಾರರಿಗೆ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗೆ ತಾಂತ್ರಿಕ ಜ್ಞಾನ ಅಗತ್ಯ | ಕಡಿಮೆ ಸ್ವೀಕಾರ, ಅಸಮರ್ಥ ಪ್ರಕ್ರಿಯೆಗಳು |
MCP ಪರಿಹಾರ
ಮಾದರಿ ಸಾಂದರ್ಭಿಕ ಪ್ರೋಟೋಕಾಲ್ ಈ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ಈ ಕೆಳಗಿನಂತೆ:
- ರಿಯಲ್-ಟೈಮ್ ಡೇಟಾ ಪ್ರವೇಶ: AI ಸಹಾಯಕರಿಗೆ ಲೈವ್ ಡೇಟಾಬೇಸ್ ಮತ್ತು APIಗಳ ಕೊರತೆ ಕ್ವೆರಿಗಳು
- ಸುರಕ್ಷಿತ ಎಂಟಿಗ್ರೇಶನ್: ಪ್ರಾಮಾಣೀಕರಣ ಮತ್ತು ಅನುಮತಿಗಳೊಂದಿಗೆ ನಿಯಂತ್ರಣ ಪ್ರವೇಶ
- ಸ್ವಾಭಾವಿಕ ಭಾಷೆ ಇಂಟರ್ಫೇಸ್: ವ್ಯವಹಾರ ಬಳಕೆದಾರರು ಸರಳ ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುತ್ತಾರೆ
- ಸ್ಟ್ಯಾಂಡರ್ಡೈಜ್ಡ್ ಪ್ರೋಟೋಕಾಲ್: ವಿಭಿನ್ನ AI ವೇದಿಕೆಗಳು ಮತ್ತು ಉಪಕರಣಗಳಿಗೆ ಕಾರ್ಯನಿರ್ವಹಣೆ
🏪 Zava ರಿಟೇಲ್ ಭೇಟಿಯ ಹೊಳೆ: ನಮ್ಮ ಅಧ್ಯಯನ ಪ್ರಕರಣ https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail
ಈ ಅಧ್ಯಯನ ಹಾದಿಯಲ್ಲಿ, ನಾವು Zava ರಿಟೇಲ್ಗಾಗಿ ಒಂದು MCP ಸರ್ವರ್ ನಿರ್ಮಿಸುವೆವು, ಇದು ಕಲ್ಪಿತ DIY ರಿಟೇಲ್ ಸರಪಳಿ ಮತ್ತು ಅನೇಕ ಅಂಗಡಿಗಳೊಂದಿಗೆ. ಈ ನೈಜಾವಸ್ಥೆ ಎಂಟರ್ಪ್ರೈಸ್ ಗುಣಮಟ್ಟದ MCP ಅನುಷ್ಠಾನವನ್ನು ತೋರಿಸುತ್ತದೆ.
ವ್ಯವಹಾರ ಸಾಂದರ್ಭಿಕತೆ
Zava ರಿಟೇಲ್ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ:
- 8 ಭೌತಿಕ ಅಂಗಡಿಗಳು ವಾಷಿಂಗ್ಟನ್ ರಾಜ್ಯದಲ್ಲಿ (ಸಿಯಾಟಲ್, ಬೆಲ್ಲಿವ್ಯೂ, ಟಾಕೋಮಾ, ಸ್ಪೊಕೇನ್, ಎರವೆಟ್, ರೆಡ್ಮಂಡ್, ಕಿರಕ್ಲ್ಯಾಂಡ್)
- 1 ಆನ್ಲೈನ್ ಅಂಗಡಿ ಇ-ಕಾಮರ್ಸ್ ಮಾರಾಟಗಳಿಗೆ
- ವಿವಿಧ ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ ಸಲಕರಣೆಗಳು, ಹಾರ್ಡ್ವೇರ್, ತೋಟ ಸರಬರಾಜುಗಳು, ಮತ್ತು ಬಿಲ್ಡಿಂಗ್ ಮ್ಯಾಟೀರಿಯಲ್ಸ್ ಸೇರಿ
- ಬಹು-ಮಟ್ಟದ ನಿರ್ವಹಣೆ ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕರು, ಪ್ರಾದೇಶಿಕ ವ್ಯವಸ್ಥಾಪಕರು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಣಾಧಿಕಾರಿಗಳು
ವ್ಯವಹಾರ ಅವಶ್ಯಕತೆಗಳು
ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕರು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಣಾಧಿಕಾರಿಗಳು AI ಚಾಲಿತ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬೇಕಾಗಿರುತ್ತವೆ, ಇವುಗಳನ್ನು ಮಾಡಲು:
- ಅಂಗಡಿಗಳ ಮತ್ತು ಸಮಯಾವಧಿಯ ಮಾರಾಟ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿಶ್ಲೇಷಣೆ
- ಇನ್ವೆಂಟರಿ ಮಟ್ಟಗಳ ಗಣನೆ ಮತ್ತು ಮರುಸಂಗ್ರಹ ಅಗತ್ಯಗಳ ಗುರುತು
- ಗ್ರಾಹಕರ ವರ್ತನೆ ಮತ್ತು ಖರೀದಿ ಮಾದರಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
- ಉತ್ಪನ್ನ ಮಾಹಿತಿ-semantic ಹುಡುಕಾಟದಿಂದ ಪತ್ತೆಮಾಡುವುದು
- ಸ್ವಾಭಾವಿಕ ಭಾಷೆ ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ ವರದಿಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು
- ಪಾತ್ರ ಆಧಾರಿತ ಪ್ರವೇಶ ನಿಯಂತ್ರಣದೊಂದಿಗೆ ಡೇಟಾ ಸುರಕ್ಷತೆ ಕಾಯ್ದುಕೊಳ್ಳುವುದು
ತಾಂತ್ರಿಕ ಅವಶ್ಯಕತೆಗಳು
MCP ಸರ್ವರ್ ಬಾಗಲಿದೆ:
- ಬಹು-ಕ್ಲೈಂಟ್ ಡೇಟಾ ಪ್ರವೇಶ ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕರು ತಮ್ಮದೇ ಅಂಗಡಿಯ ಡೇಟಾ ಮಾತ್ರ ನೋಡಬಲ್ಲರು
- ತತನಿಷ್ಠ ಕ್ವೆರಿಯಿಂಗ್ ಸಂಕೀರ್ಣ SQL ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬೆಂಬಲಿಸುವುದು
- ಸಾಮರ್ಥ್ಯ ಅನ್ವೇಷಣೆ ಉತ್ಪನ್ನ ಪತ್ತೆಮಾಡುವುದು ಮತ್ತು ಶಿಫಾರಸು ಮಾಡಲು
- ರಿಯಲ್-ಟೈಮ್ ಡೇಟಾ ಇತ್ತೀಚಿನ ವ್ಯಾಪಾರ ಸ್ಥಿತಿಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವುದು
- ಸುರಕ್ಷಿತ ಪ್ರಾಮಾಣೀಕರಣ ರೋ ಲೆವೆಲ್ ಸೆಕ್ಯುರಿಟಿ ಸಹಿತ
- ಪ್ರವಾಹಕಾರಿ ವಾಸ್ತುಶಿಲ್ಪ ಬಹುಕಾಲಿಕ ಬಳಕೆದಾರರನ್ನು ಬೆಂಬಲಿಸುವುದು
🏗️ MCP ಸರ್ವರ್ ವಾಸ್ತುಶಿಲ್ಪ ಅವಲೋಕನ
ನಮ್ಮ MCP ಸರ್ವರ್ ಡೇಟಾಬೇಸ್ ಎಂಟಿಗ್ರೇಶನ್ಗೆ ಒಳ್ಳೆಯ ರೀತಿಯಲ್ಲಿ ರೂಪುಗೊಳ್ಳದಿರುವ ಪದರವಾದ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುತ್ತದೆ:
┌─────────────────────────────────────────────────────────────┐
│ VS Code AI Client │
│ (Natural Language Queries) │
└─────────────────────┬───────────────────────────────────────┘
│ HTTP/SSE
▼
┌─────────────────────────────────────────────────────────────┐
│ MCP Server │
│ ┌─────────────────┐ ┌─────────────────┐ ┌───────────────┐ │
│ │ Tool Layer │ │ Security Layer │ │ Config Layer │ │
│ │ │ │ │ │ │ │
│ │ • Query Tools │ │ • RLS Context │ │ • Environment │ │
│ │ • Schema Tools │ │ • User Identity │ │ • Connections │ │
│ │ • Search Tools │ │ • Access Control│ │ • Validation │ │
│ └─────────────────┘ └─────────────────┘ └───────────────┘ │
└─────────────────────┬───────────────────────────────────────┘
│ asyncpg
▼
┌─────────────────────────────────────────────────────────────┐
│ PostgreSQL Database │
│ ┌─────────────────┐ ┌─────────────────┐ ┌───────────────┐ │
│ │ Retail Schema │ │ RLS Policies │ │ pgvector │ │
│ │ │ │ │ │ │ │
│ │ • Stores │ │ • Store-based │ │ • Embeddings │ │
│ │ • Customers │ │ Isolation │ │ • Similarity │ │
│ │ • Products │ │ • Role Control │ │ Search │ │
│ │ • Orders │ │ • Audit Logs │ │ │ │
│ └─────────────────┘ └─────────────────┘ └───────────────┘ │
└─────────────────────┬───────────────────────────────────────┘
│ REST API
▼
┌─────────────────────────────────────────────────────────────┐
│ Azure OpenAI │
│ (Text Embeddings) │
└─────────────────────────────────────────────────────────────┘
ಪ್ರಮುಖ ಘಟಕಗಳು
1. MCP ಸರ್ವರ್ ಪದರ
- FastMCP ಫ್ರೇಮ್ವರ್ಕ್: ಆಧುನಿಕ Python MCP ಸರ್ವರ್ ಅನುಷ್ಠಾನ
- ಉಪಕರಣ ನೊಂದಣಿ: ವಿಧ ಸುರಕ್ಷತೆ ಒದಗಿಸುವ ಘೋಷಿತ ಉಪಕರಣ ವ್ಯಾಖ್ಯಾನಗಳು
- ಕೋರಿಕೆ ಸಾಂದರ್ಭಿಕತೆ: ಬಳಕೆದಾರ ಗುರುತು ಮತ್ತು ಸೆಷನ್ ನಿರ್ವಹಣೆ
- ದೋಷ ನಿರ್ವಹಣೆ: ಬಲವಾದ ದೋಷ ನಿರ್ವಹಣೆ ಮತ್ತು ಲಾಗಿಂಗ್
2. ಡೇಟಾಬೇಸ್ ಎಂಟಿಗ್ರೇಶನ್ ಪದರ
- ಕನೆಕ್ಷನ್ ಪೂಲಿಂಗ್: ಪರಿಣಾಮಕಾರಿಯಾದ asyncpg ಸಂಪರ್ಕ ನಿರ್ವಹಣೆ
- ಸ್ಕೀಮಾ ಪ್ರದಾತಾ: ಡೈನಾಮಿಕ್ ಟೇಬಲ್ ಸ್ಕೀಮಾ ಅನ್ವೇಷಣೆ
- ಕ್ವೇರಿ ಕಾರ್ಯಗತಗೊಳ್ಳು: RLS ಸಾಂದರ್ಭಿಕತೆಯೊಂದಿಗೆ ಸುರಕ್ಷಿತ SQL ಕಾರ್ಯಗತಿಯಿಂದ
- ಲೆನ-दೇಯ ನಿರ್ವಹಣೆ: ACID ಅನುಗುಣತೆ ಮತ್ತು ರೋಲ್ಬ್ಯಾಕ್ ನಿರ್ವಹಣೆ
3. ಸುರಕ್ಷತಾ ಪದರ
- ರೋ ಲೆವೆಲ್ ಸೆಕ್ಯುರಿಟಿ: PostgreSQL RLS ಮೂಲಕ ಬಹು-ಕ್ಲೈಂಟ್ ಡೇಟಾ ಬೇಧನೆ
- ಬಳಕೆದಾರ ಗುರುತು: ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕರ ಪ್ರಾಮಾಣೀಕರಣ ಮತ್ತು ಅನುಮೋದನೆ
- ಪ್ರವೇಶ ನಿಯಂತ್ರಣ: ಸೂಕ್ಷ್ಮ ಅನುಮತಿ ಮತ್ತು ಆಡಿಟ್ ಟ್ರೇಲ್ಸ್
- ಇನ್ಪುಟ್ ಮಾನ್ಯತೆ: SQL ಇಂಜೆಕ್ಷನ್ ತಡೆ ಮತ್ತು ಕ್ವೇರಿ ಮಾನ್ಯತೆ
4. AI ವೃದ್ಧಿಪಡಿಸುವ ಪದರ
- ಸಾಮರ್ಥ್ಯ ಹುಡುಕಾಟ: ಉತ್ಪನ್ನ ಪತ್ತೆಗಾಗಿ ವೆಕ್ಟರ್ ಎಂಬರ್ಡಿಂಗ್ಸ್
- Azure OpenAI ಎಂಟಿಗ್ರೇಶನ್: ಪಠ್ಯ ಎಂಬರ್ಡಿಂಗ್ ರಚನೆ
- ಸಮಾನತೆ ಅಲ್ಗೊರಿದಮ್ಸ್: pgvector ಕೋಸೈನ್ ಸಮಾನತೆ ಹುಡುಕಾಟ
- ಹುಡುಕಾಟ ಆಪ್ಟಿಮೈಜೆಷನ್: ಸೂಚ್ಯಂಕ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಟ್ಯೂನಿಂಗ್
🔧 ತಂತ್ರಜ್ಞಾನ ಸುತ್ತು
ಮುಖ್ಯ ತಂತ್ರಜ್ಞಾನಗಳು
| ಘಟಕ | ತಂತ್ರಜ್ಞಾನ | ಉದ್ದೇಶ |
|---|---|---|
| MCP ಫ್ರೇಮ್ವರ್ಕ್ | FastMCP (Python) | ಆಧುನಿಕ MCP ಸರ್ವರ್ ಅನುಷ್ಠಾನ |
| ಡೇಟಾಬೇಸ್ | PostgreSQL 17 + pgvector | ಸಂಬಂಧಿತ ಡೇಟಾ ಹಾಗೂ ವೆಕ್ಟರ್ ಹುಡುಕಾಟ |
| AI ಸೇವೆಗಳು | Azure OpenAI | ಪಠ್ಯ ಎಂಬರ್ಡಿಂಗ್ಸ್ ಮತ್ತು ಭಾಷಾ ಮಾದರಿಗಳು |
| ಕಂಟೇನರೀಕರಣ | Docker + Docker Compose | ಅಭಿವೃದ್ಧಿ ವಾತಾವರಣ |
| ಮೇಘ ವೇದಿಕೆ | Microsoft Azure | ಉತ್ಪಾದನಾ ನಿಯೋಜನೆ |
| IDE ಎಂಟಿಗ್ರೇಶನ್ | VS Code | AI ಚಾಟ್ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯವಾಹಿಕೆ |
ಅಭಿವೃದ್ಧಿ ಉಪಕರಣಗಳು
| ಉಪಕರಣ | ಉದ್ದೇಶ |
|---|---|
| asyncpg | ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ PostgreSQL ಚಾಲಕ |
| Pydantic | ಡೇಟా ಮಾನ್ಯತೆ ಮತ್ತು ಸರೀಕರಣ |
| Azure SDK | ಮೇಘ ಸೇವೆಗಳ ಎಂಟಿಗ್ರೇಶನ್ |
| pytest | ಪರೀಕ್ಷಣಾ ಫ್ರೇಮ್ವರ್ಕ್ |
| Docker | ಕಂಟೇನರೀಕರಣ ಮತ್ತು ನಿಯೋಜನೆ |
ಉತ್ಪಾದನಾ ಸುತ್ತು
| ಸೇವೆ | Azure ಸಂಪನ್ಮೂಲ | ಉದ್ದೇಶ |
|---|---|---|
| ಡೇಟಾಬೇಸ್ | Azure Database for PostgreSQL | ನಿರ್ವಹಿಸಲ್ಪಟ್ಟ ಡೇಟಾಬೇಸ್ ಸೇವೆ |
| ಕಂಟೇನರ್ | Azure Container Apps | ಸರ್ವರ್ರಹಿತ ಕಂಟೇನರ್ ಹೋಸ್ಟಿಂಗ್ |
| AI ಸೇವೆಗಳು | Microsoft Foundry | OpenAI ಮಾದರಿಗಳು ಮತ್ತು ಎಂಡ್ಪಾಯಿಂಟ್ಗಳು |
| ಮೋನಿಟರಿಂಗ್ | Application Insights | ವೀಕ್ಷಣಾ ಮತ್ತು ಡಯಾಗ್ನೋಸ್ಟಿಕ್ಸ್ |
| ಸುರಕ್ಷತೆ | Azure Key Vault | ರಹಸ್ಯಗಳು ಮತ್ತು ಸಂರಚನೆಯ ನಿರ್ವಹಣೆ |
🎬 ವಾಸ್ತವ ಉಪಯೋಗದ ದೃಶ್ಯಗಳು
ನಾವು ನಮ್ಮ MCP ಸರ್ವರ್ ಅನ್ನು ವಿಭಿನ್ನ ಬಳಕೆದಾರರು ಹೇಗೆ ಸಂಪರ್ಕಿಸುತ್ತಾರೆ ನೋಡೋಣ:
ದೃಶ್ಯ 1: ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕರ ಕಾರ್ಯಕ್ಷಮತೆ ವಿಮರ್ಶೆ
ಬಳಕೆದಾರ: ಸಾರೆ, ಸಿಯಾಟಲ್ ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕಿ
ಗುರಿ: ಕಳೆದ ತ್ರೈಮಾಸಿಕದ ಮಾರಾಟ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿಶ್ಲೇಷಣೆ
ಸ್ವಾಭಾವಿಕ ಭಾಷೆ ಕ್ವೇರಿ:
"ನನ್ನ ಅಂಗಡಿಯ 2024 ರ ತ್ರೈಮಾಸಿಕ 4ಕ್ಕೆ ಆದಾಯದ ಮೇಲೆ ಟಾಪ್ 10 ಉತ್ಪನ್ನಗಳನ್ನು ತೋರಿಸಿ"
ಯಾವುದು ನಡೆದೀತು:
- VS ಕೋಡ್ AI ಚಾಟ್ MCP ಸರ್ವರ್ಗೆ ಕ್ವೇರಿ ಕಳುಹಿಸುತ್ತದೆ
- MCP ಸರ್ವರ್ ಸಾರೆ ಅವರ ಅಂಗಡಿ ಸಾಂದರ್ಭಿಕತೆಯನ್ನು (ಸಿಯಾಟಲ್) ಗುರುತಿಸುತ್ತದೆ
- RLS ನೀತಿಗಳು ಡೇಟಾವನ್ನು ಕೇವಲ ಸಿಯಾಟಲ್ ಅಂಗಡಿಗೆ ಪರಿಗಣಿಸುವಂತೆ ಗಾಳಿಸುವುದು
- SQL ಕ್ವೇರಿ ರಚಿಸಿ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ
- ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಕಲ್ಪಿಸಿ AI ಚಾಟ್ಗೆ ಹಿಂತಿರುಗಿಸಲಾಗುತ್ತದೆ
- AI ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಅರ್ಥಗಳನ್ನು ನೀಡುತ್ತದೆ
ದೃಶ್ಯ 2: ಸಾಮರ್ಥ್ಯ ಹುಡುಕಾಟದೊಂದಿಗೆ ಉತ್ಪನ್ನ ಪತ್ತೆ
ಬಳಕೆದಾರ: ಮೈಕ್, ಇನ್ವೆಂಟರಿ ವ್ಯವಸ್ಥಾಪಕ
ಗುರಿ: ಗ್ರಾಹಕ ವಿನಂತಿಗೆ ಸಮಾನ ಉತ್ಪನ್ನಗಳನ್ನು ಹುಡುಕುವುದು
ಸ್ವಾಭಾವಿಕ ಭಾಷೆ ಕ್ವೇರಿ:
"ನಮ್ಮ ಬಳಿ 'ಬಾಹ್ಯ ಉಪಯೋಗದ ನೀರಿನ ನಿರೋಧಕ ವಿದ್ಯುತ್ ಸಂಪರ್ಕಗಳು'ಗೆ ಸಮಾನವಾದ ಯಾವ ಉತ್ಪನ್ನಗಳು ಇವೆ?"
ಯಾವುದು ನಡೆದೀತು:
- semantic search ಉಪಕರಣದಿಂದ ಕ್ವೇರಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತದೆ
- Azure OpenAI ತಂತ್ರಜ್ಞಾನ ಎಂಬರ್ಡಿಂಗ್ ವೆಕ್ಟರ್ ರಚಿಸುತ್ತದೆ
- pgvector ಸಮಾನತೆ ಹುಡುಕಾಟ ನಡೆಸುತ್ತದೆ
- ಸಂಬಂಧಿತ ಉತ್ಪನ್ನಗಳನ್ನು ಪ್ರাসಂಗಿಕತೆಯ ಪ್ರಕಾರ ಶ್ರೇಣಿಬದ್ಧಗೊಳಿಸುತ್ತದೆ
- ಫಲಿತಾಂಶ ಪಾಲು ಉತ್ಪನ್ನ ವಿವರಗಳು ಮತ್ತು ಲಭ್ಯತೆ ಸಂಗ್ರಹಿಸುತ್ತದೆ
- AI ಪರ್ಯಾಯಗಳು ಮತ್ತು ಬಂಡಲ್ ಅವಕಾಶಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ
ದೃಶ್ಯ 3: ಅಂಗಡಿ ನಡುವಣ ವಿಶ್ಲೇಷಣೆ
ಬಳಕೆದಾರ: ಜೆನ್ನಿಫರ್, ಪ್ರಾದೇಶಿಕ ವ್ಯವಸ್ಥಾಪಕಿ
ಗುರಿ: ಎಲ್ಲಾ ಅಂಗಡಿಗಳ ಹೆಚ್ಚುವರಿ ಮಾರಾಟವನ್ನು ಹೋಲಿಕೆ ಮಾಡುವುದು
ಸ್ವಾಭಾವಿಕ ಭಾಷೆ ಕ್ವೇರಿ:
"ಕಳೆದ 6 ತಿಂಗಳಲ್ಲಿ ಎಲ್ಲಾ ಅಂಗಡಿಗಳ ಮಾರಾಟವನ್ನು ವರ್ಗದಲ್ಲಿ ಹೋಲಿಸಿ"
ಯಾವುದು ನಡೆದೀತು:
- RLS ಸಾಂದರ್ಭಿಕತೆಯನ್ನು ಪ್ರಾದೇಶಿಕ ವ್ಯವಸ್ಥಾಪಕರ ಪ್ರವೇಶಕ್ಕೆ ಹೊಂದಿಸಲಾಗುತ್ತದೆ
- ಸಂಕೀರ್ಣ ಬಹು-ಅಂಗಡಿ ಕ್ವೇರಿ ರಚಿಸಲಾಗುತ್ತದೆ
- ಅಂಗಡಿ ಸ್ಥಳಗಳಾದ್ಯಂತ ಡೇಟಾ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ
- ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಧೋರಣೆಗಳು ಮತ್ತು ಹೋಲಿಕೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ
- AI ಅರ್ಥಗಳು ಮತ್ತು ಶಿಫಾರಸುಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ
🔒 ಸುರಕ್ಷತೆ ಮತ್ತು ಬಹು-ತೆನೆನ್ಸಿ ಗಾಢ ವಿಶ್ಲೇಷಣೆ
ನಮ್ಮ ಅನುಷ್ಠಾನ ಎಂಟರ್ಪ್ರೈಸ್ ಗುಣಮಟ್ಟದ ಸುರಕ್ಷತೆಯನ್ನು ಪ್ರಾಥಮ್ಯ ಕೊಡುತ್ತದೆ:
ರೋ ಲೆವೆಲ್ ಸೆಕ್ಯುರಿಟಿ (RLS)
PostgreSQL RLS ಡೇಟಾ ವಿಯೋಜನೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ:
-- Store managers see only their store's data
CREATE POLICY store_manager_policy ON retail.orders
FOR ALL TO store_managers
USING (store_id = get_current_user_store());
-- Regional managers see multiple stores
CREATE POLICY regional_manager_policy ON retail.orders
FOR ALL TO regional_managers
USING (store_id = ANY(get_user_store_list()));
ಬಳಕೆದಾರ ಗುರುತು ನಿರ್ವಹಣೆ
ಪ್ರತಿ MCP ಸಂಪರ್ಕಕ್ಕೆ ಸೇರಿವೆ:
- ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕ ಐಡಿ: RLS ಸಾಂದರ್ಭಿಕತೆಗೆ ವಿಶಿಷ್ಟ ಗುರುತು
- ಪಾತ್ರ ನಿರ್ಧಾರ: ಅನುಮತಿ ಮತ್ತು ಪ್ರವೇಶ ಮಟ್ಟಗಳು
- ಸೆಷನ್ ನಿರ್ವಹಣೆ: ಸುರಕ್ಷಿತ ಪ್ರಾಮಾಣೀಕರಣ ಟೋಕನ್ನಗಳು
- ಆಡಿಟ್ ಲಾಗಿಂಗ್: ಪೂರ್ಣ ಪ್ರವೇಶ ಇತಿಹಾಸ
ಡೇಟಾ ರಕ್ಷಣೆ
ಬಹು-ಪದರ ಸುರಕ್ಷತೆಗಳು:
- ಕನೆಕ್ಷನ್ ಎಂಕ್ರಿಪ್ಷನ್: ಎಲ್ಲಾ ಡೇಟಾಬೇಸ್ ಸಂಪರ್ಕಗಳಿಗೆ TLS
- SQL ಇಂಜೆಕ್ಷನ್ ತಡೆ: ಪರಿಮಿತ ಕ್ವೆರಿಗಳೇ ಮಾತ್ರ
- ಇನ್ಪುಟ್ ಮಾನ್ಯತೆ: ಸಕಾಲೀನ ಕೋರಿಕೆ ಮಾನ್ಯತೆ
- ದೋಷ ನಿರ್ವಹಣೆ: ದೋಷ ಸಂದೇಶಗಳಲ್ಲಿ ಗೌಪ್ಯ ಮಾಹಿತಿ ಇಲ್ಲ
🎯 ಮುಖ್ಯ ಪಾಠಗಳು
ಈ ಪರಿಚಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ ನೀವು ಅರ್ಥಮಾಡಿಕೊಂಡಿರುತ್ತೀರಿ:
✅ MCP ಮೌಲ್ಯ ಪ್ರಸ್ತಾಪ: MCP AI ಸಹಾಯಕರ ಮತ್ತು ವಾಸ್ತವಿಕ ಡೇಟಾವನ್ನು ಸೇರ್ಪಡೆ ಮಾಡುವ ವಿಧಾನ
✅ ವ್ಯವಹಾರ ಸಾಂದರ್ಭಿಕತೆ: Zava ರಿಟೇಲ್ ಅಗತ್ಯಗಳು ಮತ್ತು ಸವಾಲುಗಳು
✅ ವಾಸ್ತುಶಿಲ್ಪ ಅವಲೋಕನ: ಪ್ರಮುಖ ಘಟಕಗಳು ಮತ್ತು ಅವುಗಳ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳು
✅ ತಂತ್ರಜ್ಞಾನ ಸುತ್ತು: ಪೂರ್ಣ ಅಧ್ಯಯನದಲ್ಲಿ ಉಪಯೋಗಿಸಿರುವ ಉಪಕರಣಗಳು ಮತ್ತು ಫ್ರೇಮ್ವರ್ಕ್ಗಳು
✅ ಸುರಕ್ಷತಾ ಮಾದರಿ: ಬಹು-ತೆನೆನ್ಸಿ ಡೇಟಾ ಪ್ರವೇಶ ಮತ್ತು ರಕ್ಷಣಾ ವಿಧಾನಗಳು
✅ ಬಳಕೆ ಮಾದರಿಗಳು: ವಾಸ್ತವಿಕ ಕ್ವೇರಿ ದೃಶ್ಯಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನಗಳು
🚀 ಮುಂದೇನು
ಮೊರೆಯುಲು ಸಿದ್ಧರಾ? ಮುಂದುವರೆಯಿರಿ:
ಲ್ಯಾಬ್ 01: ಮೂಲ ವಾಸ್ತುಶಿಲ್ಪ ಕಲ್ಪನೆಗಳು
MCP ಸರ್ವರ್ ವಾಸ್ತುಶಿಲ್ಪ ಮಾದರಿಗಳು, ಡೇಟಾಬೇಸ್ ವಿನ್ಯಾಸ ಸಿದ್ಧಾಂತಗಳು ಮತ್ತು ನಮ್ಮ ರಿಟೇಲ್ ವಿಶ್ಲೇಷಣೆ ಪರಿಹಾರದ ತಾಂತ್ರಿಕ ಅನುಷ್ಠಾನದ ವಿವರಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ.
📚 ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು
MCP ಡಾಕ್ಯುಮೆಂಟೇಶನ್
- MCP ವಿಶಿಷ್ಟತೆ - ಅಧಿಕೃತ ಪ್ರೋಟೋಕಾಲ್ ಡಾಕ್ಯುಮೆಂಟೇಷನ್
- ತೊಡಗಿದವರಿಗೆ MCP - ಸಮಗ್ರ MCP ಅಧ್ಯಯನ ಮಾರ್ಗದರ್ಶಿ
- FastMCP ಡಾಕ್ಯುಮೆಂಟೇಶನ್ - Python SDK ಡಾಕ್ಯುಮೆಂಟೇಷನ್
ಡೇಟಾಬೇಸ್ ಎಂಟಿಗ್ರೇಶನ್
- PostgreSQL ಡಾಕ್ಯುಮೆಂಟೇಶನ್ - ಸಂಪೂರ್ಣ PostgreSQL ರೆಫರೆನ್ಸ್
- pgvector ಮಾರ್ಗದರ್ಶನ - ವೆಕ್ಟರ್ ವಿಸ್ತರಣೆ ಮಾಹಿತಿ
- ರೋ ಲೆವೆಲ್ ಸೆಕ್ಯುರಿಟಿ - PostgreSQL RLS ಮಾರ್ಗದರ್ಶಿ
ಅಜೂರ್ ಸೇವೆಗಳು
- Azure OpenAI ಡಾಕ್ಯುಮೆಂಟೇಶನ್ - AI ಸೇವೆಗಳ ಎಂಟಿಗ್ರೇಶನ್
- Azure Database for PostgreSQL - ನಿರ್ವಹಿಸಲ್ಪಟ್ಟ ಡೇಟಾಬೇಸ್ ಸೇವೆ
- Azure Container Apps - ಸರ್ವರ್ರಹಿತ ಕಂಟೇನರ್ ಸೇವೆಗಳು
ವಿವರಣೆ: ಇದು ಕಲಿಕೆಯ ಅಭ್ಯಾಸಕ್ಕಾಗಿ ಕಲ್ಪಿತ ರಿಟೇಲ್ ಡೇಟಾ ಬಳಸಿ ಮಾಡಲಾಗಿದೆ. ಉತ್ಪಾದನಾ ಪರಿಸರದಲ್ಲಿ ಹಾವಿಯಂತಹ ಪರಿಹಾರಗಳನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುವಾಗ ನಿಮ್ಮ ಸಂಸ್ಥೆಯ ಡೇಟಾ ಆಡಳಿತ ಮತ್ತು ಸುರಕ್ಷತಾ ನೀತಿಗಳನ್ನು ಸದಾ ಪಾಲಿಸಿ.
ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.