Introducción
En los últimos años, la IA ha evolucionado no solo para responder preguntas, sino también para realizar tareas utilizando servicios y datos externos, conocida como "IA Agéntica". Un mecanismo destacado para que esta IA se conecte con sistemas externos es el Model Context Protocol (MCP). Aunque ya se ha discutido varias veces en la comunidad de desarrolladores de ArcGIS, el uso de MCP se está expandiendo en el campo geoespacial, permitiendo utilizar datos abiertos gubernamentales, datos satelitales y servicios de ubicación de ArcGIS mediante lenguaje natural. En este artículo, presentamos MCP en la industria geoespacial y MCP for ArcGIS Location Services (beta) proporcionado por Esri en EE.UU.
Qué es MCP
MCP es un estándar abierto para conectar IA con herramientas y datos externos. Anteriormente, cada servicio requería una integración API individual, pero con MCP la IA puede usar varios servicios a través de un mecanismo común.
MCP consta principalmente de los siguientes tres elementos.
- Host MCP
- Aplicaciones de IA que usan los usuarios, como Claude Desktop, Visual Studio Code (GitHub Copilot), ChatGPT, etc.
- Cliente MCP
- Funciona dentro del Host MCP y se comunica con el servidor MCP.
- Servidor MCP
- Servidor que publica servicios o fuentes de datos externas a través de MCP. El servidor MCP ofrece las siguientes funciones que la IA puede consultar y usar según sea necesario.
- Herramientas (funciones ejecutables)
- Recursos (datos)
- Plantillas de indicaciones
MCP en la industria geoespacial japonesa
En Japón también se está desarrollando y publicando servidores MCP en el campo geoespacial. A continuación se enumeran ejemplos representativos de servidores MCP publicados en Japón.
- Servidor MCP MLIT DATA PLATFORM (Ministerio de Tierra, Infraestructura, Transporte y Turismo)
Es un servidor MCP para que la IA utilice los datos en la "Plataforma de Datos del Ministerio de Tierra, Infraestructura, Transporte y Turismo" proporcionada por el Ministerio. Permite buscar y obtener datos administrativos mediante lenguaje natural, con aplicaciones esperadas en prevención de desastres, planificación urbana e infraestructura. - Servidor MCP Geoespacial - Servidor MCP Geoespacial MLIT - (versión alfa) (Ministerio de Tierra, Infraestructura, Transporte y Turismo)
Es un servidor MCP para que la IA utilice los datos de la "Biblioteca de Información Inmobiliaria" proporcionada por el Ministerio. Permite buscar y obtener intuitivamente datos inmobiliarios en formato conversacional. - Integración AI generativa JAXA Earth API (JAXA)
Permite a la IA obtener imágenes satelitales y datos ambientales desde la "JAXA Earth API for Python", con aplicaciones esperadas en monitoreo de desastres y análisis ambiental.
Estos ejemplos están orientados a obtener y buscar datos; el análisis principal lo realiza la IA con los datos obtenidos. Sin embargo, la IA sola tiene dificultades para búsquedas o análisis considerando relaciones espaciales geográficas. Por ejemplo, puede buscar instalaciones cercanas desde una ubicación específica usando distancia en línea recta, pero no puede realizar análisis de rutas reales siguiendo caminos. Para resolver esto, es necesario que la IA pueda usar herramientas de análisis de rutas.
MCP para ArcGIS Location Services
MCP para ArcGIS Location Services es un servidor MCP proporcionado por Esri EE.UU. que permite usar parte de los Location Services disponibles en ArcGIS Location Platform. Usando estos servicios, la IA puede acceder a servicios de ubicación ArcGIS mediante lenguaje natural. En esta versión beta pública actual, las funciones representativas de ArcGIS Location Services están disponibles como herramientas MCP.
Herramientas | Descripción general |
|---|
find_address_candidates | Buscar ubicación desde dirección o nombre *1 *2 |
reverse_geocode | Obtener dirección desde coordenadas *1 *2 |
solve_route | Calcular ruta entre origen y destino |
elevation_at_locations | Obtener elevación en ubicaciones especificadas |
map_with_overlay | Generar imagen del mapa |
get_topic_fields | Obtener conjunto de campos sobre temas disponibles
en país especificado *3 |
describe_location | Obtener descripción del lugar especificado usando campos
obtenidos con get_topic_fields *3 |
*1 Solo válido si se guardan datos.
*2 Registro con tarjeta de crédito obligatorio.
*3 Para lista completa de temas disponibles por país consulte "Data Browser."
Con estas herramientas disponibles para IA, por ejemplo, al dar instrucciones como:
'Muestra la ruta desde la estación Tokyo hasta el refugio más cercano con mapa',
, se pueden ejecutar geocodificación, análisis de ruta y generación del mapa. Actualmente MCP for ArcGIS Location Services está disponible como beta pública accesible al unirse a la Early Adopter Community. Para más detalles consulte el ArcGIS Blog.
Intentemos conectar Plataforma de Datos del Ministerio con MCP for ArcGIS Location Services
En este artículo usaremos un archivo CSV con múltiples ubicaciones para que Claude Desktop busque rutas hacia el refugio más cercano a cada punto. La información del refugio se obtiene desde Plataforma de Datos del Ministerio (MLIT DATA PLATFORM MCP Server), incluyendo finalmente información sobre elevación. Para usar servidores MCP en Claude Desktop es necesario configurar claude_desktop_config.json; aquí mostramos una configuración ejemplo.
{
"mcpServers": {
"mlit-dpf-mcp": {
"command": "<ruta_a_python.exe>\\python.exe",
"args": [
"<ruta_a_server.py>\\server.py"
],
"env": {
"MLIT_API_KEY": "<clave_API_cuenta_Plataforma_de_Datos_del_Ministerio>",
"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 <clave_API_cuenta_Plataforma_de_Ubicación_de_ARCGIS>"
}
}
}
}
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。
En entornos donde no se puede usar la búsqueda web, no se puede utilizar información real, por lo que parece que la altitud no se ha obtenido en la tabla. En cuanto al tiempo estimado requerido, parece que la IA ha calculado un valor aproximado multiplicando la distancia en línea recta por 1.2 y convirtiéndola a tiempo a pie (asumiendo una velocidad de 80 m por minuto). Vamos a comparar los resultados. A la izquierda están los resultados manuales y a la derecha los generados por la IA. Las partes en rojo son las que difieren.
Al observar la imagen superior, hay diferencias considerables. Parece que sin datos reales de carreteras no se pueden obtener distancias ni tiempos precisos.
Cuando se utiliza MCP for ArcGIS Location Services
A continuación, el resultado al usar MCP for ArcGIS Location Services es como se muestra en la imagen inferior. Como se utilizan varias herramientas, el tiempo de ejecución fue un poco más largo, alrededor de 10 minutos. También se ha presentado en formato Excel para facilitar su visualización.
Además de obtener la altitud, el tiempo requerido también es un resultado generalmente razonable. Sin embargo, parece que algunas distancias se calcularon en millas. Esto podría evitarse indicando en el prompt que la salida sea en metros o especificándolo previamente con skills u otros métodos. A continuación, mostramos el resultado después de convertir millas a metros.
Comparemos los resultados corregidos a metros. A la izquierda están los resultados manuales y a la derecha los generados por la IA. Al igual que en la sección anterior, las partes en rojo son las que difieren; las diferencias en distancia a pie dentro de ±5 m y en tiempo dentro de ±0.5 minutos están en negro.
Los tres principales refugios parecen coincidir aproximadamente, pero se pueden observar algunas diferencias. Especialmente en la oficina de Sapporo, aunque los tres principales coinciden, las distancias y tiempos difieren. Para verificar estas diferencias en los resultados del análisis de ruta mencionados anteriormente, hagamos que la IA genere imágenes del mapa para comparar. A la izquierda está el resultado dibujado manualmente sobre el mapa y a la derecha está la imagen obtenida con map_with_overlay de MCP for ArcGIS Location Services.
Al comparar, parece que las coordenadas del punto de inicio y destino eran diferentes respectivamente. Al generar imágenes del mapa que incluyen resultados como el análisis de ruta, es posible verificar los resultados sobre el mapa real.
Hasta aquí hemos comparado dos patrones, pero en cualquier caso, es muy atractivo poder ejecutar todo en unos 10 minutos simplemente dando instrucciones en lenguaje natural sin esperar por datos o ejecución de herramientas.
Finalmente
MCP se está difundiendo rápidamente como una plataforma común para realizar AI agente. En el campo geoespacial también, el Ministerio de Tierra, Infraestructura, Transporte y Turismo y JAXA están promoviendo soporte para MCP dentro del país, creando un entorno donde se puede utilizar datos geoespaciales y servicios de ubicación desde lenguaje natural. MCP for ArcGIS Location Services permite integrar fácilmente las potentes funciones de ubicación de ArcGIS en agentes AI, siendo un servicio ideal para dar el primer paso en el uso combinado de GIS × AI. Les invitamos a probarlo ustedes mismos.
Referencias
