Dessa kan delas in i tre huvudområden:
- Utvecklingsstöd
Stöd i FME Workbench för att snabbare och mer effektivt bygga arbetsflöden - Databearbetning
Anslutning till externa AI-tjänster för att analysera och bearbeta data som traditionellt är svår att hantera i FME - Systemintegration
Integration med externa system och verktyg via MCP (Model Context Protocol), vilket möjliggör mer avancerad samverkan mellan AI och FME
Tillsammans visar dessa tre nivåer hur AI integreras i hela FME-plattformen, från utveckling till drift och integration.
Utvecklingsstöd
AI Assist – en inbyggd FME-expert
Redan i FME 2023 introducerade Safe Software AI Assist, som integrerades i FME Workbench för att ge stöd vid utveckling av arbetsflöden. I senare versioner har funktionen vidareutvecklats för att ge mer träffsäkert stöd i arbetet med att bygga och designa arbetsflöden.
Dock, det är viktigt att förstå att AI inte bygger lösningar automatiskt, utan fungerar som ett stöd i utvecklingsarbetet genom att:
- föreslå transformers
- generera kod och uttryck (t.ex. SQL, Python och Regex)
- förklara felmeddelanden
- hjälpa till med felsökning och tolkning av workspace-logik
Exempel på frågor:
- Vilken transformer ska jag använda för att jämföra två dataset?
- Sammanfatta vad detta workspace gör
- Hjälp mig skriva ett reguljärt uttryck för svenska postnummer
- Förklara detta felmeddelande
En användare kan till exempel skriva:
“Hämta alla objekt där populationen är större än 1 miljon”
AI Assist kan då generera ett SQL-uttryck som kan användas direkt som parameter i transformern.
Detta är särskilt värdefullt för dig som inte dagligen arbetar med programmering eller databassyntax.
AI-Assist är din FME-specialist direkt i Workbench. För nya användare sänker det tröskeln att komma igång, medan mer erfarna utvecklare sparar tid i det dagliga arbetet.
Databearbetning
Anslut till externa AI-tjänster
FME kan integreras med externa AI-tjänster för att komplettera plattformens funktionalitet inom områden där traditionell databehandling inte räcker till, särskilt vid analys av ostrukturerade data som text, dokument och bilder.
Detta görs med hjälp av AI-transformers, connectors, i FME som är utformade för att kommunicera med externa AI-modeller och tjänster.
Några exempel på AI-tjänster som har färdiga Connector-transformers
- OpenAI
- Azure OpenAI
- Google Gemini
- Claude
- Amazon Comprehend
- Ollama, lokalt hostade LLM:er
Utöver dessa kan man ansluta andra AI-tjänster via http-anrop.
Genom dessa integrationer kan FME till exempel:
- sammanfatta och klassificera text
- extrahera information ur fritext och dokument
- identifiera språk och innehåll
- generera metadata och beskrivningar
- strukturera ostrukturerad information i exempelvis JSON
Detta gör det möjligt att hantera typer av data som FME traditionellt inte är lika starkt på och kompletterar plattformen med ny semantisk förmåga.
Resultatet kan returneras i strukturerad form och användas direkt i vidare arbetsflöden. Ett vanligt exempel är automatiserad hantering av inkommande ärenden, där AI används för att tolka, kategorisera och dirigera information innan den skickas vidare i verksamhetssystem.
Systemintegration
Integration mot externa system med MCPCaller
MCPCaller är en ny transformer som används för att ansluta till MCP-servrar för att lista tillgängliga verktyg eller anropa verktyg. Som namnet avslöjar så bygger den på Model Context Protocol (MCP) som är ett standardiserat sätt för att koppla samman AI-modeller med externa tjänster, verktyg och datakällor. Detta gör det möjligt för FME att dynamiskt hämta och använda information från externa system som en del av databearbetningen.
Till skillnad från AI-integration via transformers, som fokuserar på analys av data med hjälp av AI-modeller, handlar MCP om att koppla ihop FME med externa verktyg och tjänster som kan utföra konkreta uppgifter.
Det kan till exempel vara:
- databaser
- API:er
- GIS-tjänster
- verksamhetssystem
- AI-agenter och verktyg
MCP Caller gör det möjligt för FME att anropa dessa verktyg via en standardiserad struktur, där FME kan:
- skicka data till externa system
- anropa specifika funktioner (verktyg)
- ta emot strukturerade resultat
- använda resultatet i vidare arbetsflöden
Parallellt med detta kommer nästa release av FME Flow (2026.2) innehålla en MCP-server. Med denna kommer du kunna exponera dina Workspaces som MCP-verktyg och de kommer kunna användas av AI-Agenter. Du kommer givetvis ha fullständig kontroll över vilka verktyg och data som exponeras. MCP-servern stödjer också OAuth2.0 för säker åtkomst.
I praktiken öppnar detta för scenarier där AI eller andra system kan:
- starta arbetsflöden i FME
- hämta och analysera GIS-data
- köra valideringar och processer
- automatisera delar av verksamhetsflöden
Detta gör MCP till ett integrationslager mellan FME och externa system snarare än en ren AI-funktion.
Säkerhet och datadelning
En vanlig fråga kring AI är hur data hanteras vid användning av externa tjänster.
Enligt Safe Software skickar AI Assist normalt inte själva datainnehållet, utan främst metadata och workspace-kontext för att ge relevanta svar. Användaren måste dessutom aktivt godkänna användning av AI-tjänster.
För organisationer med höga säkerhetskrav är detta en viktig aspekt att ta hänsyn till innan AI används i produktion.
Sammanfattningsvis
AI-stödet i FME kan delas upp i tre delar:
- AI Assist, som hjälper direkt i Workbench med att bygga och förstå arbetsflöden
- Anslutning till externa AI-tjänster, som kan analysera och bearbeta data som FME själv inte är lika bra på, till exempel text och bilder
- MCP Caller, som gör att FME kan koppla upp sig mot andra system och verktyg via en gemensam standard
Tillsammans gör dessa delar att AI inte bara blir ett analysverktyg vid sidan av, utan en integrerad del av hela kedjan – från utveckling till databehandling och systemintegration.
Utvecklingen går snabbt, och det är tydligt att AI kommer att bli en allt viktigare del av hur FME används framöver.
