Introdução
Nos últimos anos, a IA evoluiu não apenas para responder perguntas, mas para executar tarefas utilizando serviços e dados externos, conhecida como "Agente AI". Um protocolo que tem ganhado atenção como mecanismo para essa integração entre IA e sistemas externos é o Model Context Protocol (MCP). A comunidade de desenvolvedores ArcGIS já abordou esse tema diversas vezes, e o uso do MCP está se expandindo no campo geoespacial, permitindo que dados abertos governamentais, imagens de satélite e serviços de localização do ArcGIS sejam acessados via linguagem natural. Este artigo apresenta o MCP na indústria geoespacial e o MCP for ArcGIS Location Services (beta) oferecido pela Esri dos EUA.
O que é MCP
MCP é um padrão aberto para conectar IA a ferramentas e dados externos. Antes, era necessário integrar APIs específicas para cada serviço, mas com MCP a IA pode acessar diversos serviços por meio de um mecanismo comum.
O MCP é composto principalmente por três elementos:
- Host MCP
- Aplicações de IA usadas pelo usuário, como Claude Desktop, Visual Studio Code (GitHub Copilot), ChatGPT, entre outras.
- Cliente MCP
- Funciona dentro do Host MCP e se comunica com o servidor MCP.
- Servidor MCP
- Servidor que publica serviços ou fontes de dados externas via MCP. O servidor oferece as seguintes funcionalidades que a IA pode consultar e usar conforme necessário.
- Ferramentas (funcionalidades executáveis)
- Recursos (dados)
- Modelos de prompt
MCP na indústria geoespacial japonesa
No Japão, o desenvolvimento e publicação de servidores MCP também estão avançando. Abaixo listamos exemplos representativos de servidores MCP disponíveis no país.
- MLIT DATA PLATFORM MCP Server (Ministério da Terra, Infraestrutura, Transporte e Turismo)
Servidor MCP que permite à IA usar os dados da "Plataforma de Dados do Ministério da Terra, Infraestrutura, Transporte e Turismo". Permite buscar e obter dados administrativos em linguagem natural, com aplicações esperadas em prevenção de desastres, planejamento urbano e infraestrutura. - Servidor Geoespacial MCP - MLIT Geospatial MCP Server - (versão alfa) (Ministério da Terra, Infraestrutura, Transporte e Turismo)
Servidor MCP que permite à IA usar os dados da "Biblioteca de Informações Imobiliárias". Permite buscar e obter dados da biblioteca imobiliária de forma intuitiva via diálogo. - Integração AI com JAXA Earth API (JAXA)
Permite à IA acessar imagens de satélite e dados ambientais obtidos via "JAXA Earth API for Python", com aplicações esperadas em monitoramento de desastres e análise ambiental.
Nesses exemplos, o foco é obter e buscar dados para análise pela IA. No entanto, a IA isoladamente tem dificuldade em realizar buscas ou análises considerando relações espaciais geográficas. Por exemplo, a IA pode buscar instalações próximas a uma localização específica usando distância linear, mas não consegue realizar análises de rotas reais seguindo estradas. Para resolver isso, é necessário permitir que a IA utilize ferramentas de análise de rotas.
MCP para ArcGIS Location Services
MCP para ArcGIS Location Services é um servidor MCP fornecido pela Esri dos EUA que permite acessar parte dos Location Services disponíveis na ArcGIS Location Platform. Com isso, a IA pode usar os serviços de localização do ArcGIS via linguagem natural. Na versão beta pública atual, as principais funcionalidades do ArcGIS Location Services são oferecidas como ferramentas MCP.
Ferramentas | Descrição geral |
|---|
find_address_candidates | Busca localização por endereço ou nome geográfico *1 *2 |
reverse_geocode | Obtém endereço a partir das coordenadas *1 *2 |
solve_route | Calcula rota entre ponto de partida e destino |
elevation_at_locations | Obtém elevação no local especificado |
map_with_overlay | Gera imagem do mapa |
get_topic_fields | Obtém conjunto de campos relacionados aos tópicos disponíveis no país especificado *3 |
describe_location | Obtém descrição do local especificado usando campos obtidos pela ferramenta get_topic_fields |
*1 Válido somente ao salvar dados.
*2 Registro de cartão de crédito obrigatório.
*3 Para lista dos tópicos disponíveis por país, consulte o "Data Browser.
Com essas ferramentas disponíveis para IA, por exemplo, ao receber a instrução:
'Mostre a rota do Estação Tokyo até o abrigo mais próximo com mapa',
a IA pode executar geocodificação, análise de rota e gerar imagem do mapa. O MCP for ArcGIS Location Services está disponível atualmente em beta público e pode ser acessado participando da Early Adopter Community. Para mais detalhes, consulte o ArcGIS Blog da Esri EUA.
Vamos integrar a Plataforma de Dados do Ministério da Terra com o MCP for ArcGIS Location Services
Neste artigo, usaremos um arquivo CSV com múltiplas localidades para que Claude Desktop encontre a rota até o abrigo mais próximo para cada localidade. As informações dos abrigos serão obtidas da Plataforma de Dados do Ministério da Terra (MLIT DATA PLATFORM MCP Server), incluindo também informações sobre elevação ao final. Para usar o servidor MCP no Claude Desktop é necessário configurar o arquivo claude_desktop_config.json; neste exemplo configuramos conforme abaixo.
{
"mcpServers": {
"mlit-dpf-mcp": {
"command": "<caminho_para_python.exe>\\python.exe",
"args": [
"<caminho_para_server.py>\\server.py"
],
"env": {
"MLIT_API_KEY": "<chave_API_da_conta_da_Plataforma_de_Dados_do_Ministério>",
"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 <chave_API_da_conta_da_Plataforma_de_Localização_do_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。
Em ambientes onde a pesquisa na Web não está disponível, não é possível usar informações reais, por isso parece que a altitude não foi obtida na tabela. Quanto ao tempo estimado necessário, o AI parece estar fornecendo um valor aproximado calculado multiplicando a distância em linha reta por 1,2 e convertendo para caminhada (assumindo uma velocidade de 80 m por minuto). Vamos comparar os resultados. O lado esquerdo mostra os resultados manuais, e o lado direito os resultados gerados pelo AI. Os textos em vermelho indicam as diferenças.
Olhando para a figura acima, há uma diferença considerável. Realmente, sem dados reais das estradas, não é possível obter distâncias ou tempos precisos.
Quando se utiliza MCP for ArcGIS Location Services
A seguir, o resultado ao usar MCP for ArcGIS Location Services está mostrado na figura abaixo. Como vários ferramentas foram usadas, o tempo de execução levou cerca de 10 minutos. Também foi formatado em Excel para facilitar a visualização.
Além da altitude ter sido obtida, o tempo necessário também apresenta resultados razoáveis. No entanto, parece que algumas distâncias foram calculadas em milhas. Isso pode ser evitado instruindo o prompt para fornecer valores em metros ou especificando previamente via skill. Abaixo está o resultado após converter milhas para metros.
Vamos comparar os resultados corrigidos para metros. O lado esquerdo mostra os resultados manuais e o direito os gerados pelo AI. Assim como na seção anterior, as diferenças estão em vermelho; as distâncias a pé com variação de ± 5 m e os tempos com variação de ± 0,5 minutos estão em preto.
Os top 3 abrigos parecem coincidir aproximadamente, mas algumas diferenças podem ser observadas. Especialmente no escritório de Sapporo, embora os top 3 coincidam, as distâncias e tempos são diferentes. Para verificar as diferenças nos resultados da análise de rota mencionada acima, vamos pedir ao AI para gerar imagens do mapa para comparação. O lado esquerdo mostra o resultado manual desenhado no mapa e o direito é a imagem obtida com map_with_overlay do MCP for ArcGIS Location Services.
Ao comparar, parece que as coordenadas dos pontos de partida e chegada eram diferentes em cada caso. Ao gerar imagens do mapa incluindo resultados da análise de rota, é possível verificar os resultados diretamente no mapa real.
Até aqui, comparamos dois padrões diferentes, mas em ambos os casos é bastante atraente poder executar em cerca de 10 minutos apenas dando instruções em linguagem natural, sem precisar esperar pela execução dos dados ou ferramentas.
Por fim
MCP está se difundindo rapidamente como uma base comum para realizar AI agente. No campo geoespacial no Japão, o Ministério da Terra, Infraestrutura, Transporte e Turismo e a JAXA estão promovendo suporte ao MCP, criando um ambiente onde dados geoespaciais e serviços de localização podem ser usados a partir da linguagem natural. MCP for ArcGIS Location Services permite incorporar facilmente as poderosas funções de localização do ArcGIS aos agentes AI, sendo um serviço ideal para dar o primeiro passo na utilização combinada de GIS × AI. Convidamos todos a experimentarem por conta própria.
Referências
