Úvod
V posledních letech se AI vyvinula z pouhého odpovídání na otázky na „agentní AI“, která využívá externí služby a data k vykonávání úkolů. Model Context Protocol (dále jen MCP) je mechanismus, který umožňuje této AI spolupracovat s externími systémy. MCP byl již několikrát zmíněn v komunitě vývojářů ArcGIS a jeho využití v oblasti geospatialních dat roste, což umožňuje přístup k veřejným datům, satelitním snímkům a službám ArcGIS Location Services prostřednictvím přirozeného jazyka. Tento článek představuje MCP v geospatialním průmyslu a MCP for ArcGIS Location Services (beta) od americké společnosti Esri.
Co je MCP
MCP je otevřený standard pro propojení AI s externími nástroji a daty. Dříve bylo nutné individuální API propojení pro každou službu, ale díky MCP může AI využívat různé služby přes jednotný mechanismus.
MCP se skládá převážně ze tří prvků.
- MCP hostitel
- AI aplikace, které uživatel používá, jako Claude Desktop, Visual Studio Code (GitHub Copilot), ChatGPT a další.
- MCP klient
- Komponenta běžící uvnitř MCP hostitele, která komunikuje s MCP serverem.
- MCP server
- Server, který zpřístupňuje externí služby a datové zdroje přes MCP. Poskytuje následující funkce, které AI podle potřeby využívá.
- Nástroje (vykonatelné funkce)
- Zdroje (data)
- Šablony promptů
MCP v japonském geospatialním průmyslu
Vývoj a zveřejňování MCP serverů postupuje i v japonském geospatialním sektoru. Níže jsou uvedeny příklady MCP serverů dostupných v Japonsku.
- MLIT DATA PLATFORM MCP Server (Ministerstvo pozemních komunikací)
MCP server umožňující AI využívat data z „Národní datové platformy Ministerstva pozemních komunikací“. Umožňuje vyhledávání a získávání administrativních dat v přirozeném jazyce, což je slibné pro využití v oblasti prevence katastrof, urbanismu a infrastruktury. - Geospatialní MCP Server - MLIT Geospatial MCP Server - (alfa verze) (Ministerstvo pozemních komunikací)
MCP server umožňující AI využívat data z „Knihovny realitních informací“. Umožňuje intuitivní vyhledávání a získávání dat z knihovny realitních informací formou dialogu. - JAXA Earth API integrace s generativní AI (JAXA)
Umožňuje AI získávat satelitní snímky a environmentální data z „JAXA Earth API for Python“, což slibuje využití při monitoringu katastrof a analýze životního prostředí.
Tyto příklady se zaměřují na získávání a vyhledávání dat, přičemž hlavní činností AI je analýza těchto dat. Samotná AI však má obtíže s vyhledáváním či analýzou vztahů v geospatialním prostoru. Například může vyhledat zařízení blízko určitého místa na základě přímé vzdálenosti, ale nedokáže analyzovat trasy podle skutečných cest. K vyřešení tohoto problému je třeba umožnit AI používat nástroje pro analýzu tras.
MCP pro ArcGIS Location Services
MCP pro ArcGIS Location Services je MCP server od americké společnosti Esri, který umožňuje využití části Location Services dostupných na ArcGIS Location Platform. Díky tomu může AI přistupovat k lokalizačním službám ArcGIS pomocí přirozeného jazyka. Ve veřejné beta verzi jsou typické funkce ArcGIS Location Services dostupné jako MCP nástroje.
Nástroje | Přehled |
|---|
find_address_candidates | Vyhledání polohy podle adresy nebo názvu místa *1 *2 |
reverse_geocode | Získání adresy podle souřadnic *1 *2 |
solve_route | Výpočet trasy mezi výchozím bodem a cílem |
elevation_at_locations | Získání nadmořské výšky na určených místech |
map_with_overlay | Generování mapového obrázku |
get_topic_fields | Získání sady polí týkajících se dostupných témat v dané zemi *3 |
describe_location | Získání popisu místa podle polí získaných nástrojem get_topic_fields |
*1 Platí pouze při ukládání dat.
*2 Registrace kreditní karty je povinná.
*3 Seznam dostupných datových témat podle země naleznete v „Data Browseru.
Díky těmto nástrojům může AI například na příkaz
'Zobraz trasu od stanice Tokyo k nejbližšímu evakuačnímu centru s mapou'
provést geokódování, analýzu trasy i generování mapového obrázku. MCP for ArcGIS Location Services je nyní veřejně dostupný jako beta verze a lze k němu přistupovat po připojení do Early Adaptar Community に参加することでアクセスできるようになります。詳しくは、米国Esriの ArcGIS Blogu をご確認ください。
Propojení Národní datové platformy Ministerstva pozemních komunikací s MCP for ArcGIS Location Services
V tomto článku použijeme CSV soubor s více lokalitami a necháme Claude Desktop najít trasu k nejbližšímu evakuačnímu centru pro každou lokalitu. Informace o evakuačních centrech získáme z Národní datové platformy Ministerstva pozemních komunikací (MLIT DATA PLATFORM MCP Server) a nakonec doplníme i informace o nadmořské výšce. Pro použití MCP serveru v Claude Desktop je třeba nastavit claude_desktop_config.json, zde je příklad konfigurace:
{
"mcpServers": {
"mlit-dpf-mcp": {
"command": "<cesta_k_python.exe>\\python.exe",
"args": [
"<cesta_k_server.py>\\server.py"
],
"env": {
"MLIT_API_KEY": "<API klíč účtu Národní datové platformy Ministerstva pozemních komunikací>",
"MLIT_BASE_URL": "https://www.mlit-data.jp/api/v1/",
"PYTHONUNBUFFERED": "1",
"LOG_LEVEL": "WARNING"
}
},
"arcgis-location-services": {
"command": "npx",
"args": [
"mcp-remote",
"https://location-services-mcp.arcgis.com/beta/mcp",
"--header",
"Authorization:${ESRI_AUTH_HEADER}"
],
"env": {
"ESRI_AUTH_HEADER": "Bearer <API klíč účtu ArcGIS Location Platform>"
}
}
}
}
なお、それぞれの MCP サーバーの構築や設定方法については下記を参考にしてください。
MCP for ArcGIS Location Services を利用するには、ArcGIS Location Platform のアカウントが必要です。アカウントをお持ちでない方はコチラを参考に作成することで利用できるようになります。
各拠点に一番近い避難所のルート解析
国土交通データプラットフォームには、国土交通省をはじめとしたさまざまな機関から提供されているデータが配置されています。これらのデータの中から全国の避難所を取得し、複数拠点の CSV ファイルから一番近い避難所を検索してもらいます。
使用するモデルは Sonnet 5 を使い、MCP ツール以外の情報源を利用しないよう、Web 検索を無効化して実施します。プロンプトは下記のように入力します。
添付した CSVファイルは、ESRIジャパンの各事業所の一覧です。それぞれの事業所周辺 1km 圏内にある避難所から最も近い避難所のうち 3 施設を実際の徒歩ルート距離 (m) と時間 (分) から割り出し、最も移動時間が短く、標高が高い位置にある避難所の施設名順に上から並べ、下記の表形式で出力してください。事業所名、避難所の施設名、施設までの徒歩距離 (m)、想定所要時間 (分)、施設のある位置の標高 (m)
今回は、MCP for ArcGIS Location Services を利用する場合と利用しない場合の比較もしてみましょう。
先に事業所ごとに一番近い避難所を割り出すために事前に ArcGIS Online の Map Viewer 上で実行したルート解析の結果を確認します。また、標高については ArcGIS Location Platform で利用可能な ArcGIS Elevation service から避難所のポイントごとに取得した標高値を参照します。実行した例として永田町オフィスの場合を下図に表示しています。
事業所ごとに手作業で実行した結果は下図のように Excel にまとめています。
今回は上図を正として、出力結果を確認していきます。ちなみに筆者がこの表を作るためにかけた時間は、使用するデータの検索やルート解析を実行するための作業など下準備も含めると 1 時間ほどでした。MCP 経由で AI に作業してもらうことで減る時間についても注目してみましょう。
MCP for ArcGIS Location Services を利用しない場合
プロンプトを実行して得られた結果を Excel 形式で見やすくしてもらったものが下図となります。実行時間は 7 分ほどでした。
V prostředí bez přístupu k Webovému vyhledávání nelze použít skutečné informace, proto se zdá, že údaje o nadmořské výšce v tabulce nejsou získány. Odhadovaná doba potřebná je vypočtena AI jako přibližná hodnota založená na přímé vzdálenosti vynásobené 1,2 a převedené na pěší chůzi (předpoklad rychlosti 80 m za minutu). Pojďme porovnat výsledky. Vlevo jsou výsledky ručního zpracování, vpravo výsledky generované AI. Červeně jsou označeny rozdíly.
Z obrázku výše je vidět značný rozdíl. Bez skutečných dat o silnicích nelze získat přesnou vzdálenost ani dobu potřebnou.
Při použití MCP for ArcGIS Location Services
Následující obrázek ukazuje výsledky při použití MCP for ArcGIS Location Services. Protože bylo použito několik nástrojů, trvalo to asi 10 minut. Výsledky jsou také přehledně zobrazeny ve formátu Excel.
Byla získána i nadmořská výška a doba potřebná je obecně rozumná. Nicméně u některých vzdáleností se zdá, že byly vypočítány v mílích. Tento problém lze vyřešit tím, že v promptu nebo ve skillu předem specifikujete výstup v metrech. Níže je uveden výsledek po převodu z mil na metry.
Porovnejme výsledky po opravě na metry. Vlevo jsou ručně zpracované výsledky, vpravo výsledky generované AI. Stejně jako v předchozí části jsou červeně označeny rozdíly, ale odchylka pěší vzdálenosti ± 5 m a doby ± 0,5 minuty je zobrazena černě.
Top 3 evakuační místa se zdají být zhruba shodná, ale lze identifikovat několik rozdílů. Zejména u kanceláře v Sapporu jsou top 3 shodná, ale vzdálenosti a časy se liší. Pro další kontrolu rozdílů ve výsledcích analýzy tras jsme nechali AI vytvořit mapový obrázek pro srovnání. Vlevo je mapa s ručně vykreslenými výsledky, vpravo je obrázek získaný pomocí map_with_overlay MCP for ArcGIS Location Services.
Po porovnání se ukázalo, že souřadnice startovního a cílového bodu byly odlišné. Výstup mapového obrázku zahrnujícího výsledky analýzy tras umožňuje ověřit výsledky přímo na mapě.
Dosud jsme porovnávali dva scénáře, ale v každém případě je velmi atraktivní možnost provést vše během asi 10 minut pouhým zadáním příkazů v přirozeném jazyce bez čekání na data nebo spuštění nástrojů.
Nakonec
MCP se rychle rozšiřuje jako společná platforma pro realizaci agentických AI. V oblasti geoinformačních technologií podporují MCP i Ministerstvo pozemních komunikací a JAXA, takže prostředí pro využití geodat a lokalizačních služeb pomocí přirozeného jazyka se postupně vytváří. MCP for ArcGIS Location Services umožňuje snadno integrovat silné lokalizační funkce ArcGIS do AI agentů a je ideální službou pro první krok k využití GIS × AI. Vyzkoušejte ji i vy.
Reference
