Flexible KI-Integration mit FME
In Zeiten, in denen Künstliche Intelligenz eine immer größere Rolle in Daten- und Geschäftsprozessen spielt, besteht eine zentrale Aufgabe darin, unterschiedlichste Daten so zu integrieren und aufzubereiten, dass sie effizient in KI-Workflows genutzt werden können.
FME kombiniert nach dem Prinzip „All Data, Any AI“ die gewohnte Flexibilität bei Datenformaten und Transformern mit der Möglichkeit, unterschiedlichste KI-Modelle anzubinden. So lassen sich Daten aus verschiedensten Quellen und Formaten flexibel an die gewünschten KI-Modelle oder -Services übergeben und die erzeugten Ergebnisse anschließend nahtlos in FME-Workflows weiterverarbeiten.
Flexible Integration externer KI-Modelle mit dem GeoAI Connector
Für eine besonders einfache Integration von KI-Modellen in FME Prozesse hat con terra den GeoAI Connector for FME entwickelt, einen Transformer, der als Schnittstelle zwischen FME und einer separaten Python- bzw. GeoAI-Umgebung dient.
KI-Modelle können somit außerhalb von FME entwickelt und betrieben werden, während FME weiterhin die Datenintegration und Prozesssteuerung übernimmt.
Durch die klare Trennung von FME-Logik und KI-Modell können Anpassungen am KI-Modell unabhängig vom Workspace erfolgen. Da ein externer Python-Interpreter angebunden wird, besteht keine Abhängigkeit zur Python-Umgebung von FME. So lassen sich Konflikte durch Abhängigkeiten oder unterschiedliche Versionierungen vermeiden.
Installation und Voraussetzungen:
con terra Kunden können den GeoAI Connector über das con terra Portal herunterladen. Die Installation erfolgt per Doppelklick auf die bereitgestellte FPKG-Datei oder alternativ per Drag-and-Drop der Datei in die FME Workbench der passenden FME-Version.
Abbildung 1: Bestandteile des GeoAI Connector Download-Pakets
Voraussetzung für die Nutzung ist eine funktionsfähige Python-Umgebung, die auf die angegebenen Eingabe- und Ausgabedaten zugreifen sowie die übergebenen Parameter verarbeiten kann.
Abbildung 2: GeoAI Connector
Konfiguration des GeoAI Connectors:
Der GeoAI Connector selbst installiert keine eigenen Python-Pakete oder KI-Modelle, sondern übernimmt ausschließlich die Übergabe der konfigurierten Parameter an die angebundene Python-Umgebung.
Über die Environment Settings kann definiert werden, ob die Ausführung in einer lokalen oder externen Python-Umgebung erfolgt. Im Modus Local erfolgt die Ausführung über einen lokalen Python-Interpreter auf demselben System, auf dem auch FME läuft, während im Modus Remote eine externe Python-Umgebung angesprochen wird, die auf einem separaten Server oder als Dienst betrieben wird.
Über die GeoAI Settings wird gesteuert, welche Daten durch den GeoAI-Workflow verarbeitet werden und wo die erzeugten Ergebnisse abgelegt werden. Dabei definieren die Parameter Test Dataset und Destination Dataset jeweils die Ein- und Ausgabedaten für das KI-Modell.
Zusätzlich können über die Custom Parameters weitere Laufzeitparameter wie beispielsweise Modelloptionen an die angebundene Python-Umgebung übermittelt werden.
Abbildung 3: Parameter des GeoAI Connectors
Aufbau typischer GeoAI-Workflows
FME übernimmt in typischen GeoAI-Workflows oft sowohl die Aufbereitung der Eingabedaten wie auch die Weiterverarbeitung der vom KI-Modell gelieferten Ergebnisse. Häufig bestehen die Workflows aus den folgenden Schritten:
- Aufbereitung der Quelldaten in FME und Schreiben des Test Datasets beispielsweise über einen FeatureWriter Transformer
- Ausführen des externen KI-Modells über den GeoAI Connector unter Angabe von:
- Test Dataset: Definiert die Eingabedaten für das KI-Modell; hier wird auf den vom FeatureWriter erzeugten Datensatz verwiesen.
- Destination Dataset: Definiert wohin die Ergebnisse des KI-Modells geschrieben werden.
- Einlesen des Destination Datasets in FME über einen FeatureReader Transformer und anschließende Weiterverarbeitung der Ergebnisse innerhalb des FME Workspaces
Abbildung 4: GeoAI Connector im FME Workspace
Je nach Anwendungsfall können innerhalb eines FME Workspaces auch mehrere GeoAI Connector Transformer verwendet werden, um unterschiedliche KI-Modelle oder Services gezielt miteinander zu kombinieren. Dadurch lassen sich verschieden spezialisierte Modelle innerhalb eines gemeinsamen Workflows nutzen und die jeweiligen Ergebnisse anschließend weiterverarbeiten.
Tipp: In diesem Webinar zeigen wir, wie der GeoAI Connector in einem konkreten Praxisbeispiel eingesetzt wird: https://youtu.be/LrDSDO--T6Y
Ausblick: MCP in FME
Neben der flexiblen Integration externer KI-Modelle über den GeoAI Connector gewinnt auch die standardisierte Anbindung von KI-Systemen und Diensten zunehmend an Bedeutung. Eine wichtige Rolle spielt dabei das Model Context Protocol (MCP).
MCP ist ein offener Kommunikationsstandard zwischen Anwendungen, Diensten und Tools. Besonders KI-Systeme und agentenbasierte Workflows profitieren dabei von der flexiblen Integration externer Datenquellen, Funktionen und Prozesse.
MCPCaller:
FME enthält ab Version 2026.1 den MCPCaller Transformer, mit dem eine Verbindung zu beliebigen MCP-Services hergestellt werden kann und sich die dort verfügbaren Tools direkt aus dem FME Workspace ausführen lassen. Als Ergebnis wird ein strukturiertes JSON zurückgegeben, das anschließend innerhalb des Workspaces weiterverarbeitet werden kann.
Abbildung 5: MCPCaller
FME Flow als MCP-Server
Darüber hinaus plant Safe Software, FME Flow künftig auch als MCP-Server bereitzustellen. FME Flow kann so als zentrale und kontrollierte Integrationsplattform genutzt werden, über die KI-Systeme auf gezielt freigegebene Tools und Prozesse zugreifen können. Bestehende FME Workspaces lassen sich somit als standardisierte MCP-Tools für externe Anwendungen und KI-Systeme bereitstellen. KI-Anwendungen könnten dadurch beispielsweise gezielt FME Prozesse aufrufen oder Daten abfragen.
Die MCP-Server-Funktionalität für FME Flow ist aktuell als Beta-Funktion für Version 2026.2 angekündigt.
Hinweis: Schulungs- und Workshopangebot
Für alle, die das Thema FME und KI weiter vertiefen möchten, bietet con terra in Kürze eine neue Schulung rund um die Integration von KI in FME an. Weitere Informationen finden Sie hier:
https://www.conterra.de/fmeundki
Darüber hinaus bietet der GeoAI Discovery Workshop die Möglichkeit, Potentiale und Einsatzszenarien von KI im Geodatenumfeld gezielt kennenzulernen und den eigenen Anforderungen gegenüberzustellen.
https://www.conterra.de/geoai#discovery
