Hvad er MCP i AI?

Det, du bør vide om Model Context Protocol, er at bygge LLM's “Babylon Tower”.

En LLM i sig selv er dum. Hvordan kan vi forbinde API'erne på en smart måde? Kan vi skalere det?

Model Context Protocol (MCP) er et lag mellem tjenesten og værktøjerne. Det er en standard, der forenkler, hvordan store sprogmodeller (LLM'er) får adgang til forskellige datakilder. MCP er udviklet af Anthropic og løser problemet med komplekse integrationer gennem standardiseret kommunikation, hvilket gør AI-udvikling hurtigere og mere gnidningsløs ved at bruge AI-drevne værktøjer. Derudover er MCP designet til at forbedre funktionaliteten og integrationen af en ny generation af AI-værktøjer, hvilket indikerer et betydeligt fremskridt inden for programmeringssprog og udviklerværktøjer. Denne artikel undersøger, hvad MCP er, hvilke fordele det giver, og hvordan man implementerer det.

Forestil dig, at du har en robot til at male, fundere og bygge historier. Din API bliver opgraderet. Du kan ikke længere male. MCP vil fjerne integrationsindsatsen. Det er her InvestGlass leder sin forskning nu.

InvestGlass tilbyder en schweizisk CRM- og kundeportal, der er skræddersyet til banker, finansielle rådgivere og fintech-firmaer, med automatiseringsværktøjer til onboarding, KYC, porteføljestyring og kommunikation. Det strømliner compliance og kundeengagement, samtidig med at det sikrer databeskyttelse med on-premise- og cloud-hostingmuligheder.

Key Takeaways - MCP er AI en API til LLMS - og InvestGlass fremtid

• Model Context Protocol (MCP) standardiserer levering af kontekst til store sprogmodeller, hvilket letter sømløs integration og reducerer udviklingstiden for AI-applikationer.
• MCP's klient-server-arkitektur forbedrer kommunikationen mellem AI-applikationer og datakilder, hvilket forenkler integrationen betydeligt og øger interoperabiliteten.
• MCP forbedrer arbejdsgangen for udviklere ved at eliminere behov for brugerdefineret integration, tilbyde fleksibilitet i programmeringsmiljøer og give mulighed for at fokusere på innovation.

Forståelse af modelkontekstprotokollen (MCP)

Model Context Protocol (MCP) fungerer som et transformativt benchmark i udviklingen af AI-systemer og tilbyder mere end blot en konventionel teknisk norm. MCP er etableret af Anthropic og skaber ensartethed i leveringen af kontekst til store sproglige modeller, hvilket fremmer ubesværet integration mellem AI-systemer og forskellige datakilder. Ved at muliggøre direkte links til at forbinde AI-modeller på tværs af en række klienter og ressourcer, konsoliderer denne protokol effektivt interaktioner og reducerer udviklingstiden betydeligt. MCP fungerer som en USB-C-port, der tjener som en standardiseret grænseflade til at forbinde AI-modeller med forskellige datakilder og værktøjer, hvilket forbedrer interoperabiliteten og effektiviteten. Udviklere tager ivrigt imod MCP på grund af dens løfte om at frigøre det fulde potentiale i AI og samtidig fjerne traditionelle forhindringer under udviklingen.

Grundlæggende eksisterer MCP som en åben protokol, der orkestrerer problemfri kommunikation på tværs af AI-applikationer og forskellige datakilder gennem en reguleret ramme for udveksling af meddelelser og meddelelsesstrukturering. Dette fremskridt fremmer ikke kun kompatibilitet, men strømliner også integrationsproceduren - og frigør udviklere fra at håndtere stykkevise integrationer, så de i stedet kan bruge deres kræfter på at skabe banebrydende værktøjer.

MCP udstyrer udviklere med robuste, skalerbare platforme, der er designet til fremtidig kompleksitetshåndtering inden for kunstig intelligens systemer - og forankre dem solidt i forventning om den kommende teknologiske udvikling.

LLM bliver dygtigere - Antropic er ved at opbygge en standard, og vi anbefaler, at du er forsigtig, da det stadig ikke er en fast standard.

Kernekoncepter i MCP

Model Context Protocol (MCP) består af to hovedelementer: servere og klienter inden for MCP-rammen. En MCP-servers rolle er at lette anmodninger og give adgang til en række eksterne værktøjer eller datakilder efter behov, mens en MCP-klients funktion ligger i at anmode om ressourcer og håndtere databehandlingsopgaver. Denne opdeling i klient-server-arkitektur spiller en central rolle i at skabe standardiserede kanaler for AI-applikationer til at kommunikere med forskellige dataudbydere, fremme strømlinet integration og minimere afhængigheden af skræddersyede løsninger.

Kernen i MCP er et protokollag, der er ansvarligt for at regulere aktiviteter som f.eks. meddelelsesstrukturering og tilknytning af forespørgsler til deres respektive svar. Ved at anvende JSON-RPC 2.0 til meddelelsesformål garanterer den velordnet kommunikation, der overholder etablerede formater. I den indledende forhandlingsfase skal klienterne kommunikere deres understøttede protokolversion til serveren, som derefter svarer i overensstemmelse hermed, hvilket giver mulighed for en skræddersyet interaktion baseret på de muligheder, der er defineret i den pågældende version.

MCP forbedrer alsidigheden, der passer til forskellige udviklingskrav, ved at levere softwareudviklingssæt (SDK'er), som er kompatible på tværs af forskellige programmeringsmiljøer. Gennem denne ensartede tilgang strømliner den ikke kun, hvordan distribuerede datakilder håndteres, men den styrker også konstruktionsprocessen bag indviklede arbejdsgange, hvilket bidrager væsentligt til at forbedre serviceeffektiviteten blandt AI-indsatser, samtidig med at den etablerer sig som en pålidelig ressourceleverandør.

Er Manis AI den ægte vare eller bare overhypet automatisering?

Manis AI er mange timers arbejde - uden MCP vil det være meget svært at vedligeholde. Fordelene ved MCP er ret enkle. Det vil være et stort fremskridt at samle alle MCP-serverne.

Anvendelsen af MCP har den betydelige fordel, at den fjerner kravet om forskellige integrationer på tværs af forskellige AI-tjenester. MCP's kommunikationsprotokol er standardiseret, hvilket fremmer større interoperabilitet og muliggør en hurtigere og mere strømlinet integrationsproces for forskellige AI-platforme. En sådan forbedring af interoperabiliteten viser sig at være særlig værdifuld i moderne udviklingsmiljøer, hvor maksimering af tidseffektivitet og ressourceudnyttelse er altafgørende.

MCP giver udviklerne stor fleksibilitet. De kan bruge deres foretrukne programmeringssprog og teknologistakke, mens de implementerer denne protokol, hvilket sikrer, at de effektivt kan anvende deres nuværende ekspertise og værktøjer.

Tilsammen fører disse fordele til en markant forbedring af arbejdsgangene i forbindelse med udviklingsprojekter ved at fremme en mere gnidningsfri drift og et højere produktivitetsniveau. Ved at indarbejde MCP i deres processer får udviklerne mulighed for at fokusere på kreativ innovation og løsning af komplekse problemer uden at blive hæmmet af udfordringer i forbindelse med integration.

Hvordan fungerer MCP?

MCP bruger en klient-server-model, der strømliner den måde, hvorpå applikationer leverer kontekst og værktøjer til substantielle sprogmodeller (LLM'er). Inden for disse rammer håndterer MCP-klienter opgaverne med at anmode om ressourcer og behandle data. På den anden side fungerer MCP-servere som facilitatorer, der overvåger disse anmodninger og giver adgang til eksterne værktøjer eller datakilder. Denne struktur letter integrationsarbejdet og mindsker afhængigheden af skræddersyede løsninger, så udviklerne kan koncentrere sig om at udtænke banebrydende AI-applikationer.

For at samle deres data med AI-instrumenter i MCP kan udviklere enten gøre deres data tilgængelige via MCP-servere eller oprette dedikerede MCP-klienter. Denne metode letter i høj grad de vanskeligheder, der er forbundet med at indarbejde en række AI-tjenester, og sikrer flydende interaktioner mellem AI-systemer og databaser. MCP hjælper med at skabe konsekvente og effektive AI-systemer, der er klar til at opfylde nutidens behov inden for AI-udvikling, især for distribuerede teams, der arbejder på forskellige steder.

Meddelelsestyper i MCPww

MCP håndterer forskellige meddelelsestyper for at lette kommunikationen mellem klienter og servere. De primære meddelelsestyper i MCP omfatter anmodninger, resultater, fejl og meddelelser. Anmodninger initieres af MCP-klienter og kræver et svar for at indikere en vellykket behandling. Resultater repræsenterer vellykkede svar på forespørgsler og bekræfter, at den ønskede operation er gennemført.

På den anden side betyder fejl en mislykket anmodning, som indikerer, at operationen ikke kunne gennemføres. Notifikationer er designet som envejskommunikation, der ikke kræver et svar, og som giver statusopdateringer uden at forvente et svar.

En klar definition af meddelelsestyper og implementering af meddelelsesstrukturering sikrer pålidelig og struktureret kommunikation mellem AI-applikationer og datakilder, hvilket forbedrer systemets ydeevne.

Transportmekanismer - det hele handler om protokollen

MCP kan udveksle data via flere transportprotokoller, der er skræddersyet til at opfylde behovene i forskellige udviklingsmiljøer. Ved lokal drift bruger MCP stdio til ukompliceret kommunikation mellem processer. I scenarier, der involverer distribuerede teams, anbefaler MCP derimod at bruge HTTP kombineret med Server Sent Events (SSE) for at lette øjeblikkelig dataoverførsel mellem forskellige eksterne systemer.

I alle former for kommunikation inden for MCP anvendes JSON-RPC 2.0-meddelelsesformatet for at garantere en struktureret og ensartet metode til dataudveksling, der passer godt til mange programmeringssammenhænge. Anvendelsen af disse forskellige transportmekanismer giver MCP den fleksibilitet, der er nødvendig for en effektiv anvendelse på tværs af en række udviklingslandskaber - lige fra individuelle lokale tests til omfattende distribuerede systemintegrationer.

Opsætning af MCP-servere

Etablering af modelkontekstprotokolservere kræver, at man indretter miljøvariabler til at angive konfigurationer og starter serveren ved hjælp af hype-kommandoen. Selvom man kan inkorporere MCP-servere via brugergrænsefladen, frarådes denne tilgang normalt, fordi den kan introducere kompleksitet. Hvis du tilføjer en server via brugergrænsefladen, skal du sørge for at opdatere den for at få adgang til de tilgængelige værktøjer.

For udviklere, der går i gang med at opsætte deres egne mcp-servere, er der adskillige eksempler på servere, der kan bruges som udgangspunkt. Værktøjssæt, der er skræddersyet til udrulning af eksterne MCP-servere på produktionsniveau, forventes at blive tilgængelige med tiden.

Format for konfigurationsfil

MCP's konfigurationsfiler anvender et JSON-format, der understøtter brugen af indlejrede objekter og arrays, hvilket gør det muligt at beskrive komplicerede indstillinger. Denne systematiske metode garanterer, at konfigurationer er tilgængelige for læsning og fortolkning af mennesker, samtidig med at de er kompatible med maskinparsing, hvilket forenkler processen for udviklere, der skal overvåge og justere indstillinger, når det er nødvendigt.

Udrulningssteder

For at opnå den bedste ydelse er det vigtigt, at MCP-konfigurationsfilerne er placeret i mapper, som serveren har let adgang til. Denne placering gør det muligt for serveren at bruge disse konfigurationer effektivt, hvilket resulterer i mere stabile operationer og forbedret præstation.

Det er vigtigt at placere disse filer i mapper, der er skræddersyet til bestemte scenarier, for at sikre, at de udnyttes korrekt, især når man integrerer forskellige AI-værktøjer med hver datakilde.

Integration af MCP med InvestGlass AI

Inkorporering af MCP i InvestGlass AI-systemer giver udviklere mulighed for at etablere beskyttede, tovejsforbindelser mellem datakilder og AI-instrumenter. Ældre systemer skaber barrierer for sofistikerede AI-modeller ved at fange dem bag informationssiloer og forhindre problemfri adgang til vigtige data. På den måde strømliner det arbejdsgangen og fjerner barrierer på tværs af datalagre, hvilket fremmer en samlet indstilling til implementering af AI-løsninger. MCP's standarder for interaktion og informationsudveksling mindsker kompleksiteten i integrationsprocesserne og fremmer flydende interaktioner mellem eksterne datapunkter og AI-drevne applikationer.

MCP er gavnlig, uanset om man er engageret i alsidig InvestGlass AI-hjælpere eller fremstilling af AI-software på tværs af platforme. Det forbedrer integrationskvaliteten og den effektive udnyttelse af forskellige informationssæt. Derfor øger det ikke kun effektiviteten i driften, men baner også vejen for nye metoder til kreativ anvendelse af kunstig intelligens.

Brug af Claude Desktop med MCP

For at begynde at bruge Claude Desktop sammen med MCP skal man først anskaffe skrivebordsprogrammet og foretage justeringer af filen claude_desktop_config.json. Det vigtigste trin efter installationen er at tilpasse denne konfigurationsfil til at opfylde specifikke integrationskrav. Derefter har Claude Desktop mulighed for at danne en grafisk repræsentation med knuder og kanter, der angiver forbindelser, når den får tilladelse til at få adgang.

Opgaven med at skelne mellem serverstatus gøres enkel ved at bruge grænsefladen fra Claude Desktop, som viser både forbundne servere og deres respektive tilgængelige ressourcer. Denne opsætning giver udviklere mulighed for effektivt at anvende Model Context Protocol (MCP) til at etablere forbindelse mellem AI-modeller og dermed fremme udviklingen af AI-applikationer.

Udvikling af brugerdefinerede integrationer

MCP SDK gør det lettere at skabe sømløse brugerdefinerede integrationer i MCP ved at tilbyde understøttelse af Python og TypeScript. Det giver udviklere mulighed for nemt at udnytte MCP's muligheder i deres valgte udviklingsmiljøer og strømline processen med at skabe skræddersyede løsninger.

Sikkerhed og fejlhåndtering i MCP

Opretholdelse af stærk sikkerhed og effektiv fejlhåndtering er nøglen til en velfungerende MCP. For at øge sikkerheden er der indført godkendelsesprotokoller, som bekræfter brugernes identitet, før de får adgang til ressourcer. Det er afgørende at kontrollere kilden til hver forbindelse og rense indgående beskeder for at eliminere potentielle svagheder. Vedtagelsen af strenge sikkerhedspraksisser og omfattende fejlhåndtering sikrer pålidelig drift, samtidig med at fortrolige data beskyttes mod enhver kompromitteret datakilde.

I tilfælde af fejl i MCP er der en specifik proces til at udbrede dem, som hjælper med en korrekt løsning uden at afbryde kommunikationsflowet væsentligt. Der findes et sæt standardfejlkoder, som skaber en ensartet metode til at genkende og løse problemer, når de opstår. Denne standardiserede procedure muliggør hurtig problemløsning, samtidig med at kommunikationsprocessens troværdighed bevares.

Sikring af datasikkerhed

MCP bruger krypteringsmetoder til at beskytte data i transit, hvilket garanterer, at fortrolige oplysninger forbliver beskyttet. Til kommunikation, der involverer fjerndata, tilbyder TLS-kryptering en stærk sikkerhedsbarriere.

Beskyttelsen af detaljerede oplysninger under overførslen er afgørende for at bevare datakildens integritet og modvirke eventuelle sikkerhedsbrud.

Standardiserede fejlkoder

Protokollen MCP anvender et sæt foruddefinerede fejlkoder, der er designet til ensartet fejlfinding og opretholdelse af konsekvent fejlhåndtering. Den giver også mulighed for at oprette brugerdefinerede fejlkoder, der går ud over standardvalget, hvilket giver mulighed for at håndtere fejl, der er specifikke for en applikation. Denne standardiserede tilgang til fejlrapportering sikrer systemets pålidelighed og ydeevne.

Anvendelser af MCP i den virkelige verden

MCP tackler de fremherskende problemer i AI-udvikling, herunder spredte datalinks og isolerede brugerdefinerede integrationslommer. Ved at tage MCP til sig bliver udviklerne i stand til at konstruere mere intelligente og udvidelige AI-applikationer. Virksomheder som Block og Apollo har effektivt integreret MCP i deres systemer, hvilket viser, at det er effektivt til at øge driftsproduktiviteten og samtidig fremhæver de håndgribelige fordele ved at anvende denne protokol.

Praktiske eksempler på MCP-servere, der er taget i brug af Anthropic, eksterne enheder og det bredere samfund, understreger både dets tilpasningsevne og styrke. Disse cases giver et klart billede af, hvordan brugen af MCP kan forenkle AI-udvikling og samtidig forbedre AI-applikationers ydeevne i en lang række sektorer.

AI-første applikationer

Applikationer, der prioriterer AI, herunder AI-assistenter og integrerede udviklingsmiljøer (IDE'er), kan bruge MCP til at forbedre funktionaliteten og strømline processer. Integration af generelle AI-applikationsassistenter i forskellige applikationer øger kontekstgenkendelsen og forbedrer brugeroplevelsen. Vi ser selvfølgelig på, hvordan InvestGlass kan forbindes med disse nye koncepter, men vi ønsker først at få godkendt en standard.

Applikationer på tværs af platforme, der anvender MCP, kan standardisere AI-funktioner, hvilket øger deres samlede kapacitet.

Skalerbare AI-tjenester

MCP muliggør avanceret distribueret behandling, hvilket er afgørende for at kunne overvåge AI-workflows effektivt, når systemerne vokser i omfang. MCP's arkitektur giver den nødvendige fleksibilitet og kompatibilitet til at eskalere AI-tjenester over forskellige platforme. Forestil dig, at du kunne forbinde al fintech med et enkelt klik - og uden ekstra omkostninger opretholde relationerne mellem softwaren!

Den standardiserede metode, som MCP bruger, garanterer strømlinet implementering og administration af komplekse modeller ved håndtering af distribueret AI-behandling.

Fejlfinding og debugging af MCP-servere

Forskellige værktøjer designet til forskellige fejlfindingsniveauer gør det lettere at diagnosticere og løse problemer med MCP-servere. For eksempel giver MCP Inspector øjeblikkelig indsigt i serverens ydeevne, hvilket letter hurtig problemløsning.

Dette værktøjs realtidsanalyse af serverressourcer og prompte skabeloner forbedrer i høj grad evnen til at overvåge MCP-servere effektivt.

Logning og diagnosticering

Modelkontekstprotokollen er bygget på en standardiseret måde at håndtere logfiler, diagnostik og generel systemintegritet på, hvilket sikrer, at servere kan oprette forbindelse til datakilder og værktøjer på en sikker måde. For at MCP-rammen hurtigt kan identificere og afhjælpe problemer, skal hver mcp-server implementere en robust logningspraksis. For eksempel er omdirigering af logfiler til standardfejl en pålidelig metode til at forhindre utilsigtet interferens med protokoloperationer og dermed bevare den overordnede stabilitet af modelkontekstprotokolservere.

Ved at anvende de korrekte logkonfigurationer strømliner du dine fejlfindingsprocedurer og opretholder pålideligheden af hele kontekstprotokollen. Det er med til at garantere, at LLM-applikationer, klienter og andre værktøjer kan opretholde en problemfri integration. Til gengæld hjælper denne praksis med at minimere forstyrrelser i datakilder og værktøjer, så udviklere og virksomheder kan begynde at bygge løsninger med sikkerhed for, at konteksten forbliver intakt og beskyttet.

Hvorfor bruge MCP Inspector?

MCP Inspector er et uundværligt værktøj til at undersøge og validere effektiviteten af modelkontekstprotokolservere. Den fungerer som en åben protokolkomponent og forstærker opfattelsen af, at MCP er et standardiseret og gennemsigtigt system, der er designet til at fremme en bredere udviklingsinddragelse. Med MCP Inspector kan administratorer og udviklere hurtigt overvåge serverforbindelser, validere deres kontekstkonsistens og bekræfte, at enhver fil eller datakilde, der er involveret i processen, fungerer uden fejl.

Denne sømløse integration af diagnostiske funktioner fremmer et samarbejdsmiljø mellem servere, klienter og datakilder og bevarer den underliggende modelkontekst. Ved at tilbyde et forenklet, men kraftfuldt middel til at forbinde med og analysere MCP's interne arbejde, strømliner MCP Inspector alt fra generel inspektion til dybdegående diagnosticering og hjælper brugerne med at opretholde optimal ydeevne på tværs af alle LLM-applikationer og -værktøjer.

Bidrag til MCP

Bidrag til MCP, eller Model Context Protocol, udgør en vigtig del af denne åbne standard og viser protokollens fællesskabsdrevne ånd. Da MCP er designet til at lette problemfri integration med datakilder og værktøjer, er feedback og samarbejde i fællesskabet uvurderligt for dens vækst og vedvarende relevans.

Udviklere, systemarkitekter og entusiaster opfordres til at dele deres indsigt ved at løse eksisterende problemer, tilføje dokumentationsforbedringer eller foreslå nye funktioner, der fremmer MCP's mission som en standardiseret måde at orkestrere interaktioner mellem servere, klienter og kontekst på. Uanset om det drejer sig om at forfine prompts, forbedre loghåndteringsmetoder eller udforske nye tilgange til en tovejsproces med dataudveksling, skubber hvert bidrag modelkontekstprotokollen fremad. På den måde fremmer medlemmerne af fællesskabet ikke kun denne åbne protokol, men hjælper også med at bane vejen for mere robuste og brugervenlige LLM-applikationer.

Bidrag til fællesskabet

Aktiv involvering fra det bredere samfund er hjørnestenen i at sikre, at Model Context Protocol (MCP) opfylder skiftende behov og konsekvent giver et standardiseret middel til at forbinde datakilder og værktøjer. Ved at bidrage med fejlrettelser, yderligere dokumentation eller nye funktioner hjælper medlemmer af fællesskabet med at forfine, hvordan MCP-servere fungerer, udveksler fildata og tilpasser sig kundernes krav.

Feedback fra forskellige baggrunde - hvad enten det er gennem GitHub-problemer, samfundsfora eller diskussioner om, hvordan man bedst udnytter avancerede LLM-applikationer - er uvurderlig for den første opbygning og fortsatte forbedring af kontekstprotokollen. Deling af direkte erfaringer, kodningsekspertise eller nyopdagede teknikker styrker yderligere MCP's holdning som en åben protokolramme, der omfavner fælles fremskridt. Gennem denne inkluderende tilgang drager MCP-projektet fordel af en kollektiv intelligens, der i sidste ende leverer mere effektiv diagnostik, beriget logsporing og raffinerede værktøjer, der kan betjene et bredt spektrum af applikationer.

Support- og feedbackkanaler

Forespørgsler om bidrag til MCP kan rettes til community-forummet. Denne platform gør det muligt for udviklere at få hjælp fra kolleger og specialister på området. Feedback spiller en vigtig rolle i udviklingen af udviklingsprocessen, da det giver deltagerne mulighed for at hjælpe med at forbedre protokollen.

Det anbefales, at brugerne kommer med deres forslag og ideer til nye funktioner ved at deltage i fælles dialoger og bruge anerkendte veje.

Venter du på Godo? Venter du på en åben standard?

Konklusionen er, at Model Context Protocol (MCP) tilbyder en standardiseret måde for LLM-applikationer at forbinde sig med datakilder og værktøjer - fra indholdsrepositorier og databaser til værtsapplikationsservere - gennem et tovejs forbindelsessystem. Brug af MCP-servere og -klienter under en åben standard reducerer fragmenterede integrationer betydeligt. Denne kontekstprotokol gør det muligt for sofistikerede modeller at forespørge, behandle og interagere med enhver ny datakilde i en standardprotokol, hvilket forbedrer, hvordan forretningsværktøjer udnytter ai-drevne værktøjer.

Fordi MCP imødekommer behovet for sikre og problemfri klientforbindelser, kan udviklere stole på open source-projektbidrag og -kode til at forbedre denne universelle standard. MCP fremmer et standardiseret miljø, hvor værktøjer kan bygge avancerede løsninger uden bekymringer gennem logstyring, prompter og filadgang i realtid. Ved at eliminere gentagne, fragmenterede integrationer forenkler modelkontekstprotokolserverne, hvordan dine datakildekrav opfyldes, samtidig med at TLS-kryptering og forretningsværktøjers sikkerhed opretholdes.

Med InvestGlass Når du overvåger din MCP-baserede implementering, har du altid ekspertvejledning til at udvikle og forfine forbindelser på tværs af alle dine datakilder. Vi holder styr på hvert trin og sikrer, at du finder den bedste vej frem under denne åbne protokol. Ved at udnytte MCP hjælper InvestGlass dig med at integrere sofistikerede modeller og klienter i en standardiseret protokol, hvilket baner vejen for mere effektive, strømlinede LLM-applikationer - så du trygt kan fokusere på innovation.w