この記事は、2025/12/4に公開された「Integrate Agentic Workflows Using Cloudera AI Workbench MCP Server」の翻訳です。
タスクを自動化してデータ担当者の効率を向上
データサイエンティストや AI エンジニアが日常のワークフローの一環として行う日常的なタスクは数多くあります。たとえば、データセットのアップロード、さまざまなハイパーパラメータに対する同じスクリプトの実行と反復、実験の観察などです。これらのタスクを AI エージェントに任せることで、リソースを節約し、大きな価値を生み出すことができます。
ここで役に立つのが Cloudera AI Workbench MCP サーバーです。オープンソースの Model Context Protocol（MCP）サーバーで、エージェント型ワークフローとより良く統合できるよう設計されています。
Cloudera MCP Server の概要と活用方法
Cloudera の MCP サーバーは安全な翻訳者として機能します。Cloudera Agent Studio、Claude、または Cursor のようなアシスタントが、Cloudera AI Workbench 環境内で直接タスクを実行できるようにします。
つまり、アシスタントにプロジェクトの一覧表示、ファイルのアップロード、ジョブの実行を依頼することで、サーバーがプラットフォームの標準 API を使用してアクションを実行できるようになるということです。
図1. Cloudera AI Workbench MCP サーバーのアーキテクチャ
既存のガバナンスとの統合
Cloudera MCP サーバーは、既存のエンタープライズガバナンスを回避するのではなく、連携するように設計されています。
データサイエンティストや AI エンジニアの場合：コンテキストの切り替えが減り、プラットフォームタスクを開始しながらチャットや IDE を使用し続けることができます。アシスタントは調整を担当し、プラットフォームは実行を担当します。
プラットフォームおよび MLOps チームの場合：評価スクリプトのトリガー、新しいデータセットのアップロード、同様のテストの実行に役立ちます。この統合により、アプリケーションの更新、削除、再開や実験の追跡も可能になります。
セキュリティ・バイ・デザイン
セキュリティはサーバー設計の中核的な要素であり、エンタープライズ環境に適合するように設計されています。
STDIO トランスポート：デフォルトでは、アシスタントとサーバー間の通信に標準入出力（STDIO）を使用します。これにより、このやり取りのために新しいネットワークエンドポイントを開いて管理する必要がなくなります。
認証情報の管理：サーバーは Docker のシークレットや環境変数から認証情報を読み取るよう設計されており、キーをハードコーディングしたりコマンドライン引数で渡す必要がありません。
アクセスが簡単：既存の Cloudera AI Workbench API キーを使用するため、さまざまなユーザーやユースケースに合わせて権限の範囲を適切に限定できます。
図2. Cloudera Workbench MCP Server: Security by Design
Cloudera MCP サーバーの利用を開始する方法
Cloudera MCP Server は、確立されたガバナンスの範囲内で運用しながら、アシスタントがプラットフォームと直接やり取りできるように設計されています。
以下の手順に従うことで、簡単に使用を開始できます。
- サーバーを構成する：Cloudera AI Workbench のホストと API キーをシークレットとして指定し、オープンソースサーバーを Docker で実行します。
- クライアントを接続する：STDIO コマンドを使用して、お好みの MCP クライアント（Cloudera Agent Studio など）をサーバーに接続します。
- 最初のリクエストを行う：アシスタントに「プロジェクトをリストアップしてください」と依頼することで、接続をテストできます。
ワークフローの例
以下は、Cloudera MCP サーバーに接続されたアシスタントから実行できるタスクの例です。
アクティブなプロジェクトをすべてリストアップして、まだ実行中のジョブを表示してください。
「new-data-august.zip」ファイルを「fraud-detection」プロジェクトにアップロードしてください。
「train-v3.py」スクリプトを使用してジョブを作成し、2つの CPU と 8GB のメモリを割り当てて実行してください。
これらの指標を「resnet-sweep」という名前の実験に記録し、実行に「new-data」タグを付けてください。
最新のモデルビルドを取得し、ステージングエンドポイントに展開してください。
「gradio-demo」アプリケーションを再起動してください。
サーバーには、ファイルの管理、ジョブの実行、実験の追跡、モデルの展開、アプリケーションの管理など、プロジェクトライフサイクル全体にわたってこれらのワークフローをサポートするツールが含まれています。
さらに詳しく
詳細なセットアップ手順や例、機能のリスト一覧については、Cloudera MCP サーバー GitHub リポジトリをご覧ください。注：GitHub プロジェクトは現状有姿で提供されており、Cloudera による正式なサポートはありません。Cloudera MCP サーバープロジェクトは Apache 2.0 ライセンスの下で提供されており、Cloudera はその使用に関する保証、サポート、メンテナンスを提供しておりません。
MCP と Cloudera の連携について詳しくは、ブログ「Cloudera MCP サーバーで生成 AI にコンテキストを提供する」をご覧ください。
