Einführung
In den letzten Jahren hat sich KI von der bloßen Beantwortung von Fragen zu einer "agentischen KI" entwickelt, die externe Dienste und Daten nutzt, um Aufgaben auszuführen. Ein vielbeachteter Mechanismus, der es dieser KI ermöglicht, mit externen Systemen zu interagieren, ist das Model Context Protocol (MCP). Auch in der ArcGIS Entwickler-Community wurde MCP bereits mehrfach thematisiert. Im georäumlichen Bereich verbreitet sich die Nutzung von MCP zunehmend, sodass Verwaltungs-Open-Data, Satellitendaten und sogar ArcGIS Location Services über natürliche Sprache zugänglich sind. In diesem Artikel stellen wir MCP im georäumlichen Sektor sowie MCP for ArcGIS Location Services (Beta) von Esri USA vor.
Was ist MCP?
MCP ist ein offener Standard zur Verbindung von KI mit externen Tools und Daten. Früher war für jeden Dienst eine individuelle API-Anbindung erforderlich, doch mit MCP kann KI über ein gemeinsames System verschiedene Dienste nutzen.
MCP besteht hauptsächlich aus den folgenden drei Komponenten.
- MCP Host
- KI-Anwendungen, die vom Nutzer verwendet werden, wie Claude Desktop, Visual Studio Code (GitHub Copilot) oder ChatGPT.
- MCP Client
- Läuft innerhalb des MCP Hosts und kommuniziert mit dem MCP Server.
- MCP Server
- Server, die externe Dienste oder Datenquellen über MCP bereitstellen. Der MCP Server bietet folgende Funktionen an, auf die die KI bei Bedarf zugreift und diese nutzt.
- Werkzeuge (ausführbare Funktionen)
- Ressourcen (Daten)
- Prompt-Vorlagen
MCP im japanischen georäumlichen Sektor
Auch in Japans georäumlichem Bereich schreitet die Entwicklung und Veröffentlichung von MCP Servern voran. Nachfolgend sind repräsentative Beispiele für in Japan veröffentlichte MCP Server aufgeführt.
- MLIT DATA PLATFORM MCP Server (Ministerium für Land, Infrastruktur, Verkehr und Tourismus)
Ein MCP Server, der es KI ermöglicht, Daten auf der "Landverkehrsdatenplattform" des Ministeriums für Land, Infrastruktur, Verkehr und Tourismus zu nutzen. Da Verwaltungsdaten per natürlicher Sprache durchsucht und abgerufen werden können, wird eine Nutzung in den Bereichen Katastrophenschutz, Stadtplanung und Infrastruktur erwartet. - Geospatial MCP Server - MLIT Geospatial MCP Server - (Alpha-Version) (Ministerium für Land, Infrastruktur, Verkehr und Tourismus)
Ein MCP Server, der es KI ermöglicht, Daten aus der "Immobilieninformationsbibliothek" zu nutzen. Die Daten können intuitiv im Dialogformat durchsucht und abgerufen werden. - JAXA Earth API generierte KI-Integration (JAXA)
KI kann Satellitenbilder und Umweltdaten abrufen, die über die "JAXA Earth API for Python" verfügbar sind. Dies wird für Katastrophenüberwachung und Umweltanalysen erwartet.
Diese Beispiele dienen hauptsächlich dem Abruf und der Suche von Daten; die Analyse erfolgt dann durch die KI. Allerdings ist es für KI allein schwierig, räumliche Beziehungen innerhalb des georäumlichen Kontexts zu berücksichtigen. Zum Beispiel kann KI nahegelegene Einrichtungen anhand gerader Entfernungen finden, aber keine Routenanalysen entlang tatsächlicher Straßen durchführen. Um dies zu lösen, muss die KI Zugriff auf Routenanalysetools erhalten.
MCP für ArcGIS Location Services
MCP für ArcGIS Location Services ist ein von Esri USA bereitgestellter MCP Server, der einen Teil der Location Services der ArcGIS Location Platform über MCP zugänglich macht. Dadurch kann KI ArcGIS Standortdienste per natürlicher Sprache nutzen. In der aktuellen öffentlichen Beta-Version sind typische Funktionen von ArcGIS Location Services als MCP-Werkzeuge verfügbar.
Werkzeuge | Übersicht |
|---|
find_address_candidates | Suche nach Position anhand von Adresse oder Ortsname *1 *2 |
reverse_geocode | Adresse anhand von Koordinaten ermitteln *1 *2 |
solve_route | Berechnung der Route zwischen Start- und Zielort |
elevation_at_locations | Höhenangabe an einem bestimmten Punkt abrufen |
map_with_overlay | Kartendarstellung erzeugen |
get_topic_fields | Feldsatz zu verfügbaren Themen in einem bestimmten Land abrufen *3 |
describe_location | Beschreibung eines Ortes anhand der mit get_topic_fields erhaltenen Felder abrufen |
*1 Nur gültig bei Speicherung der Daten.
*2 Kreditkartenregistrierung ist erforderlich.
*3 Eine Übersicht verfügbarer Datenthemen je Land finden Sie im "Datenbrowser."
Diese Werkzeuge stehen der KI zur Verfügung. So kann beispielsweise auf die Anweisung
'Zeige mir die Route vom Bahnhof Tokio zur nächsten Evakuierungsstelle mit Karte'
, Geokodierung, Routenanalyse und Kartenausgabe ausgeführt werden. MCP for ArcGIS Location Services ist derzeit als öffentliche Beta verfügbar und kann durch Teilnahme an der Early Adopter Community , auf die Sie über den ArcGIS Blog von Esri USA weitere Informationen erhalten können.
Integration von Landverkehrsdatenplattform und MCP for ArcGIS Location Services ausprobieren
In diesem Artikel verwenden wir eine CSV-Datei mit mehreren Standorten und lassen Claude Desktop die Route zum nächstgelegenen Evakuierungsort ermitteln. Die Evakuierungsstelleninformationen stammen von der Landverkehrsdatenplattform (MLIT DATA PLATFORM MCP Server), am Ende wird auch die Höheninformation ausgegeben. Für die Nutzung des MCP Servers in Claude Desktop muss claude_desktop_config.json konfiguriert werden; hier ein Beispiel für die Einstellungen:
{
"mcpServers": {
"mlit-dpf-mcp": {
"command": "<Pfad zu python.exe>\\python.exe",
"args": [
"<Pfad zu server.py>\\server.py"
],
"env": {
"MLIT_API_KEY": "<API-Schlüssel des Landverkehrsdatenplattform-Kontos>",
"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-Schlüssel des ArcGIS Location Platform-Kontos>"
}
}
}
}
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。
In Umgebungen ohne Websuche können keine tatsächlichen Informationen verwendet werden, daher scheint die Höhe in der Tabelle nicht erfasst zu sein. Die geschätzte benötigte Zeit wird offenbar von der KI als grober Wert ausgegeben, indem die Luftlinie mit dem Faktor 1,2 multipliziert und in Fußgängerdistanz umgerechnet wird (angenommene Gehgeschwindigkeit 80 m/Min). Vergleichen wir die Ergebnisse. Links sind die manuell ermittelten Ergebnisse, rechts die von der KI generierten. Die roten Schriftstellen markieren die Unterschiede.
Aus der obigen Abbildung sieht man deutliche Unterschiede. Ohne tatsächliche Straßendaten können offenbar weder genaue Entfernungen noch Zeiten berechnet werden.
Ergebnisse bei Verwendung von MCP for ArcGIS Location Services
Als nächstes sehen Sie das Ergebnis bei Verwendung von MCP for ArcGIS Location Services in der folgenden Abbildung. Da mehrere Tools verwendet wurden, dauerte die Ausführung etwas länger, etwa 10 Minuten. Auch hier wurde das Ergebnis übersichtlich im Excel-Format dargestellt.
Die Höhe wurde ebenfalls erfasst und die benötigte Zeit ist im Großen und Ganzen plausibel. Allerdings scheint es bei den Entfernungen einige Werte zu geben, die in Meilen berechnet wurden. Dies lässt sich vermeiden, indem man im Prompt anweist, die Ausgabe in Metern zu machen oder dies vorab über Skills festlegt. Das Ergebnis einer Umrechnung von Meilen in Meter wurde unten dargestellt.
Vergleichen wir das Ergebnis nach Korrektur auf Meter. Links sind die manuell ermittelten Ergebnisse, rechts die von der KI generierten. Wie im vorherigen Abschnitt markieren rote Schriftstellen Unterschiede; Abweichungen bei Fußgängerentfernung bis ±5 m und bei benötigter Zeit bis ±0,5 Minuten sind schwarz dargestellt.
Die Top 3 der Notunterkünfte stimmen größtenteils überein, aber es gibt einige Unterschiede. Besonders beim Sapporo Office stimmen zwar die Top 3 überein, aber Entfernung und Zeit unterscheiden sich. Um die Unterschiede bei den Routenanalysen weiter zu prüfen, lassen wir die KI Kartenbilder ausgeben und vergleichen diese. Links ist das manuell erstellte Ergebnis auf der Karte dargestellt, rechts das Bild aus map_with_overlay von MCP for ArcGIS Location Services.
Beim Vergleich stellte sich heraus, dass Start- und Zielkoordinaten jeweils unterschiedlich waren. Durch Ausgabe solcher Kartenbilder inklusive Routenanalyseergebnissen kann man die Resultate direkt auf der Karte überprüfen.
Bis hierhin haben wir zwei Muster verglichen; in jedem Fall ist es sehr attraktiv, dass man ohne Warten auf Daten oder Toolausführung durch natürliche Spracheingabe in etwa 10 Minuten Ergebnisse erhält.
Abschließend
MCP verbreitet sich schnell als gemeinsame Basis zur Realisierung von Agentic AI. Auch im georäumlichen Bereich treiben das MLIT und JAXA die MCP-Unterstützung voran, sodass eine Umgebung entsteht, in der georäumliche Daten und Standortdienste per natürlicher Sprache genutzt werden können. MCP for ArcGIS Location Services ermöglicht eine einfache Integration der leistungsstarken Standortfunktionen von ArcGIS in AI-Agenten und ist somit ein idealer erster Schritt zur Nutzung von GIS × AI. Probieren Sie es gerne selbst aus.
Literaturverzeichnis
