Ein Datenwissenschaftler hat einen "Model Context Protocol" (MCP) Server entwickelt, um wiederkehrende und zeitaufwendige Aufgaben in seinem Arbeitsalltag zu automatisieren. Diese Eigenentwicklung zielt darauf ab, die Effizienz zu steigern, indem sie die Beschaffung und Aufbereitung von Daten aus verschiedenen Quellen mithilfe von KI-Tools wie ChatGPT und Cursor vereinfacht.
Schlüssel-Erkenntnisse
- Ein selbstgebauter MCP-Server kann die Bearbeitungszeit für ad-hoc-Datenanfragen erheblich reduzieren.
- Die Integration von KI-Tools wie ChatGPT und Cursor verbessert die Effizienz von Datenwissenschaftlern.
- Der MCP nutzt eine Kombination aus einer Abfragebank, Google Drive und lokalen Dokumenten, um Informationen zu konsolidieren.
- Die Entwicklung eines solchen Tools erfordert grundlegende Kenntnisse in der API-Integration und der Arbeit mit KI-Frameworks.
- Die Verlagerung des Fokus von technischen Aufgaben hin zu strategischem Denken und Problemlösung ist ein Trend in der Datenwissenschaft.
Das Problem der ad-hoc-Anfragen
Datenwissenschaftler sehen sich oft mit einer Flut von ad-hoc-Anfragen von Stakeholdern konfrontiert. Diese reichen von der Analyse vergangener Leistungsdaten bis hin zu Umsatzprognosen für die nächsten Jahre. Solche Aufgaben können mehrere Stunden in Anspruch nehmen und lenken vom eigentlichen Projekt ab, was zu Verzögerungen oder Überstunden führen kann.
Die Lösung: Ein selbstgebauter MCP
Inspiriert von der Popularität von MCP-Servern, die Large Language Models mit externen Diensten verbinden, entwickelte der Datenwissenschaftler einen eigenen MCP. Ziel war es, Informationen aus verschiedenen Quellen zu bündeln und direkt nutzbare Ergebnisse für Stakeholder zu generieren. Der MCP besteht aus drei Hauptkomponenten:
- Abfragebank-Integration: Eine Wissensdatenbank mit Fragen, Beispielabfragen und Tabellenkontexten. Bei einer neuen Anfrage sucht der MCP nach ähnlichen Fragen in der Bank und passt die Abfragen an.
- Google Drive-Integration: Anbindung an das Google Drive des Teams, um auf Produktdokumentationen wie Präsentationen, Dokumente und Tabellen zuzugreifen. Eine Indexierung der Dokumente ermöglicht eine schnellere Suche nach relevanten Dateien.
- Lokaler Dokumentenzugriff: Ein lokaler Ordner, der zusätzliche Kontexte, Informationen und Anweisungen des Benutzers enthält.
Funktionsweise des MCP
Ein typischer Ablauf sieht wie folgt aus: Eine Anfrage wie "Wie viele Video-Ad-Impressionen hatten wir in Q3 und wie hoch ist die Nachfrage im Verhältnis zum Angebot?" wird an den MCP gesendet. Dieser durchsucht dann Projektordner und Teamdokumente nach relevanten Begriffen wie "Q3", "Video", "Ad", "Nachfrage" und "Angebot". Anschließend wird die Abfragebank nach ähnlichen Anfragen durchsucht. Mit den gesammelten Informationen generiert der MCP eine SQL-Abfrage, die automatisch ausgeführt wird. Die Ergebnisse werden dann gesammelt, überprüft und an die Stakeholder weitergeleitet.
Implementierungsdetails
Die Implementierung erfolgte unter Verwendung von Cursor als MCP-Client und dem Open-Source-Framework FastMCP zum Erstellen des MCP-Servers. Für den Zugriff auf Google Drive wurden die entsprechenden APIs in der Google Cloud Console eingerichtet und eine credentials.json-Datei erstellt. Die Konfiguration des MCP in Cursor erfolgte über die Datei mcp.json, in der der Pfad zum Server-Skript und die Umgebungsvariablen hinterlegt wurden.
Fazit
Dieses Projekt zeigt das Potenzial von generativer KI zur Automatisierung von Routineaufgaben in der Datenwissenschaft. Der Trend geht weg von rein technischen Tätigkeiten hin zu strategischerem Denken, Problemlösung und der Übernahme von Management-Aufgaben. Datenwissenschaftler sind gefordert, sich mit KI-Tools auseinanderzusetzen und Lösungen zu entwickeln, um wettbewerbsfähig zu bleiben.
KI Snack
