Aufgaben automatisieren und die Effizienz von Datenexperten verbessern
Es gibt eine ganze Reihe von alltäglichen Aufgaben, die ein Data Scientist oder AI Engineer im Rahmen des täglichen Workflows erledigt – beispielsweise das Hochladen von Datensätzen, das Ausführen und Iterieren derselben Skripte für verschiedene Hyperparameter, das Beobachten von Experimenten und so weiter. Die Übertragung dieser Aufgaben an einen KI-Agenten könnte Ressourcen sparen und einen deutlichen Mehrwert schaffen.
Hier kommt der Cloudera AI Workbench MCP Server ins Spiel: Es handelt sich um einen Open-Source-MCP-Server (Model Context Protocol), der für eine bessere Integration in Ihren agentischen Workflow entwickelt wurde.
Was ist der Cloudera MCP Server und wie hilft er?
Der MCP Server von Cloudera fungiert als sicherer Übersetzer. Er ermöglicht Assistenten (wie Cloudera Agent Studio, Claude oder Cursor), Aufgaben direkt in Ihrer Cloudera-AI-Workbench-Umgebung auszuführen.
Das bedeutet, dass Sie Ihren Assistenten bitten können, Projekte aufzulisten, Dateien hochzuladen und Aufträge auszuführen, und der Server führt die Aktion mithilfe der Standard-APIs der Plattform aus.
Abbildung 1. Cloudera AI Workbench MCP Server: Architektur
Integration mit bestehender Governance
Cloudera MCP Server ist so konzipiert, dass es mit Ihrer bestehenden Governance-Struktur zusammenarbeitet und diese nicht umgeht.
Für Data Scientists und KI-Ingenieure: Auf diese Weise können Sie Kontextwechsel reduzieren und während der Ausführung von Plattformaufgaben in Ihrem Chat oder Ihrer IDE bleiben. Der Assistent kann die Koordination übernehmen, während die Plattform die Ausführung übernimmt.
Für Plattform- und MLOps-Teams: Er unterstützt Sie beim Auslösen eines Evaluierungsskripts, beim Hochladen neuer Datensätze und beim Ausführen ähnlicher Testläufe. Die Integration ermöglicht außerdem Anwendungsaktualisierungen, Löschungen sowie den Neustart und die Nachverfolgung von Experimenten.
Sicherheit durch Design
Sicherheit ist ein zentraler Bestandteil des Serverdesigns und soll sich nahtlos in eine Unternehmensumgebung einfügen.
STDIO-Transport: Standardmäßig wird für die Kommunikation zwischen dem Assistenten und dem Server die Standard-Ein-/Ausgabe (STDIO) verwendet. Dadurch entfällt die Notwendigkeit, für diese Interaktion einen neuen Netzwerk-Endpunkt zu öffnen und zu verwalten.
Verwaltung von Zugangsdaten: Der Server ist so konzipiert, dass er Zugangsdaten aus Docker-Geheimnissen oder Umgebungsvariablen liest, wodurch die Notwendigkeit entfällt, Schlüssel fest zu codieren oder sie in Befehlszeilenargumenten zu übergeben.
Einfacher Zugriff: Dabei werden Ihre vorhandenen Cloudera AI Workbench-API-Schlüssel verwendet, sodass Sie die Berechtigungen für verschiedene Benutzer und Anwendungsfälle entsprechend festlegen können.
Abbildung 2. Cloudera Workbench MCP Server: Sicherheit durch Design
Erste Schritte mit Cloudera MCP Server
Cloudera MCP Server wurde entwickelt, um Ihren Assistenten die direkte Interaktion mit Ihrer Plattform zu ermöglichen und gleichzeitig Ihre etablierten Governance-Richtlinien einzuhalten.
Der Einstieg ist denkbar einfach:
- Den Server konfigurieren: Führen Sie den Open-Source-Server in Docker aus und geben Sie Ihren Cloudera AI Workbench-Host und API-Schlüssel als Geheimnisse an
- Ihren Client verbinden: Richten Sie Ihren bevorzugten MCP-Client (z. B. Cloudera Agent Studio) mit dem Befehl STDIO auf den Server aus
- Ihre erste Anfrage erstellen: Sie können die Verbindung testen, indem Sie Ihren Assistenten bitten, „meine Projekte aufzulisten”
Beispiel-Workflows
Hier sind einige Beispiele für Aufgaben, die Sie über einen mit dem Cloudera MCP-Server verbundenen Assistenten ausführen können:
Alle meine aktiven Projekte auflisten und mir alle noch laufenden Aufträge anzeigen
Die Datei „new-data-august.zip“ in das Projekt „fraud-detection“ hochladen
Einen Job mit dem Skript train-v3.py erstellen, ihm 2 CPUs und 8 GB Arbeitsspeicher zuweisen und ausführen
Diese Metriken im Experiment mit dem Namen „resnet-sweep“ protokollieren und die Ausführung mit „new-data“ kennzeichnen
Die neueste Modellversion erstellen und auf dem Staging-Endpunkt bereitstellen
Die Anwendung „gradio-demo” neu starten
Der Server beinhaltet Tools zur Unterstützung dieser Workflows über den gesamten Projektlebenszyklus hinweg, einschließlich Dateiverwaltung, Jobausführung, Experimentverfolgung, Modellbereitstellung und Anwendungsverwaltung.
Weitere Informationen
Ausführliche Schritte zur Einrichtung, Beispiele und eine vollständige Liste der Funktionen finden Sie im Cloudera MCP Server GitHub-Repository. Hinweis: GitHub-Projekte werden im Ist-Zustand bereitgestellt und werden von Cloudera nicht offiziell unterstützt. Das Cloudera MCP Server-Projekt wird unter der Apache 2.0-Lizenz zur Verfügung gestellt, und Cloudera übernimmt keine Gewährleistung, keinen Support und keine Wartung für dessen Nutzung.
Weitere Informationen zur Zusammenarbeit zwischen MCP und Cloudera finden Sie in unserem Blog Mit Cloudera MCP Servers Kontext in GenAI bringen.
