Kami sangat senang dapat mengumumkan rilis publik Server Model Context Protocol (MCP) Data Commons. Rilis ini menandai milestone utama dalam membuat semua set data publik Data Commons yang sangat besar dan saling terhubung bisa diakses dan ditindaklanjuti secara instan oleh developer AI, data scientist, dan organisasi di seluruh dunia. Kemampuan ini semakin mendukung ambisi Data Commons yang lebih besar: menggunakan informasi statistik dunia nyata sebagai jangkar untuk membantu mengurangi halusinasi Model Bahasa Besar (LLM).
Manfaat Server MCP
Server MCP menyediakan cara terstandardisasi bagi agen AI untuk memakai Data Commons secara native. Ini memungkinkan developer memanfaatkan data komprehensif kami tanpa perlu mempelajari atau berinteraksi secara langsung dengan API dasar yang kompleks. Hal ini secara dramatis mempercepat pembuatan aplikasi agentik berlimpah-data yang mengurangi tingkat halusinasi dalam LLM.
Lebih cepat dari sebelumnya, developer bisa menerapkan agen AI dan aplikasi yang memberikan informasi Data Commons bersumber dan tepercaya kepada pengguna akhir. Server MCP memungkinkan agen menangani berbagai macam kueri berbasis data, mulai dari penemuan awal hingga laporan generatif:
Siap untuk mencobanya? Mulai dengan Gemini CLI di sini.
Sejak 2023, Data Commons Google telah bermitra dengan ONE Campaign, sebuah organisasi global yang mengadvokasi investasi yang dibutuhkan untuk menciptakan peluang ekonomi dan kehidupan yang lebih sehat di Afrika. Kolaborasi ini menghasilkan terciptanya ONE Data, sebuah platform yang menggabungkan data pengembangan global dan keahlian kebijakan ONE dengan set data publik ekstensif yang tersedia melalui Data Commons.
Sebagai kasus penggunaan pertama kami, ONE Data memanfaatkan kekuatan server MCP dan eksplorasi berbasis agen untuk mengembangkan The One Data Agent, sebuah platform interaktif untuk data pembiayaan kesehatan. Alat baru ini memungkinkan pengguna menelusuri puluhan juta titik data pembiayaan kesehatan dengan cepat dalam hitungan detik, menggunakan bahasa yang sederhana. Mereka kemudian bisa memvisualisasikan data tersebut dan mendownload set data yang bersih, sehingga menghemat waktu sekaligus membantu meningkatkan advokasi, pelaporan, dan pembuatan kebijakan.
Ini adalah inovasi penting bagi mereka yang bekerja di bidang kesehatan global. Ada kebutuhan mendesak untuk memperkuat sistem kesehatan di negara-negara berkembang, tetapi menemukan data tepercaya mengenai pembiayaan kesehatan merupakan tantangan yang signifikan – benar-benar seperti mencari jarum di tumpukan jerami. Informasi tersebar di ribuan silo yang terpisah, terkubur dalam format pelaporan yang berbeda, disusun berdasarkan jargon teknis, dan disimpan dalam beberapa database yang terisolasi. Sekarang, misalnya, jika Anda ingin mengidentifikasi negara mana yang berisiko terkena pemotongan donor, Anda bisa dengan cepat menelusuri negara-negara yang paling bergantung pada pendanaan eksternal untuk kesehatan dan karena itu paling rentan terhadap pengurangan bantuan atau guncangan utang.
Untuk mengompilasi laporan tepercaya dari database tradisional, pengguna harus mengolah seluruh set data dan menarik data secara manual. Akan tetapi, agen memahami kueri kompleks dan mampu mengambil dan mengompilasi data yang dibutuhkan dengan cepat. The ONE Data Agent membuka jalan bagi era baru advokasi berbasis data yang berdampak dan mudah diakses.
Jika Anda membuat prototipe agen AI baru, menambahkan fitur data ke produk, atau menyederhanakan alur kerja analisis organisasi Anda, Server MCP Data Commons siap membantu Anda bergerak lebih cepat.
Ia dirancang untuk integrasi tanpa hambatan dan friksi orientasi minimal. Server MCP Data Commons cocok secara natural dengan alur kerja pengembangan agen terbaru Google Cloud Platform, seperti Agent Development Kit (ADK) dan klien termasuk Gemini CLI. Server ini juga bisa dengan mudah diintegrasikan dengan alur kerja atau platform agentik lainnya.
Untuk membantu Anda memulai, kami menyediakan agen contoh ADK di notebook Colab dan petunjuk untuk menggunakan Server dengan Gemini CLI: