Vizro MCP

まず、uv をインストールする必要があります。

次に、ターミナルウィンドウを開き、uv と入力して利用可能であることを確認します。uvx のパスを取得するには、次のように入力します。

which uv

返されたパスをコピーし、LLM アプリの MCP サーバー設定に使用する JSON ファイルに以下を追加します。上記で返された uv のパスを、指定されたプレースホルダーに置き換えてください。

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "/placeholder-path/uvx",
      "args": [
        "vizro-mcp"
      ]
    }
  }
}

クイックインストール

ホスト	前提条件	リンク
Cursor	uv
VS Code	uv

まず、Docker をインストールする必要があります。

次に、LLM アプリの MCP サーバーを設定する JSON ファイルに、以下を追加します。

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "mcp/vizro"
      ]
    }
  }
}

Docker でローカルデータを使用する

以下の拡張設定を使用して、データディレクトリをコンテナにマウントします。</absolute/path/to/allowed/dir>（フォルダーの場合の構文）または </absolute/path/to/data.csv>（ファイルの場合の構文）を、お使いのマシン上のデータへの絶対パスに置き換えてください。一貫性を保つため、dst パスを src パスと一致させることをおすすめします。

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "--mount",
        "type=bind,src=</absolute/path/to/allowed/dir>,dst=</absolute/path/to/allowed/dir>",
        "--mount",
        "type=bind,src=</absolute/path/to/data.csv>,dst=</absolute/path/to/data.csv>",
        "mcp/vizro"
      ]
    }
  }
}

クイックインストール

ホスト	前提条件	リンク	備考
Cursor	Docker		ローカルデータにアクセスするには、データディレクトリをマウントしてください
VS Code	Docker		ローカルデータにアクセスするには、データディレクトリをマウントしてください

ユーザーは、以下の事項を確認し、同意するものとします。

サードパーティの生成 AI ツール（以下「GenAI ツール」）によって生成されたあらゆる結果、選択肢、データ、推奨事項、分析、コード、その他の情報（以下「出力」）には、不正確さ、バイアス、不正、権利侵害の可能性、その他不適切な内容が含まれている場合があり、誤解を招くもの、差別的または誤解を生むものである可能性があります。

McKinsey & Company:

(i) いかなる出力についても、その正確性、適切性、適時性、信頼性、商品性、特定目的への適合性、非侵害性、安全性または完全性を明示的に否認します。

(ii) かかる出力における誤り、欠落、その他の欠陥、または遅延や中断、あるいはそれらに依拠して行われた行為について、一切責任を負いません。

(iii) ユーザーによる GenAI ツールおよび出力の使用に起因して第三者の権利の侵害または違反が主張された場合であっても、一切責任を負いません。

出力はユーザーによって検証および確認されるものとし、人による監督なしに、また、個人に影響を与える意思決定の唯一の根拠として使用してはなりません。

出力の使用については、引き続きユーザーが単独で責任を負います。特に、ユーザーは、コンテキストおよびユースケースに応じて必要となる人による監督のレベルを判断する必要があり、また、ユーザーの従業員およびその他の影響を受けるユーザーに対して GenAI 出力の性質を知らせる必要があります。さらに、ユーザーは、自らの意思決定、行為、Vizro および Vizro-MCP の使用、ならびに適用される法律、規則、規制の遵守について、全面的に責任を負います。これには、出力が第三者の権利を侵害していないことの確認が含まれますが、これに限定されません。

大規模言語モデル（LLM）は AI 分野において大きな進歩を表すため、Vizro-MCP は生成 AI モデルによって使用されています。しかし、いかなる強力なツールと同様に、生成 AI モデルに接続する際には潜在的なリスクが伴います。

ユーザーの皆様には、Vizro-MCP を使用する前に、選択したモデルについて調査し理解することを推奨します。また、使用する前に MCP サーバーのコードを確認することも推奨します。

ユーザーの皆様には、AI が生成したコンテンツを補助的なものとして扱い、常に人による判断を適用し、慎重に取り組み、関連する免責事項のページを確認し、以下の点を考慮することをお勧めします。

1. ハルシネーションと誤った表現
生成モデルは、事実であるかのように見せかけながら、まったくの虚構または誤解を招く情報を生成する可能性があります。

ベンダーのモデルは、リアルタイムの知識や最終更新以降の出来事を欠いている場合があります。Vizro-MCP の出力は変動する可能性があり、重要な情報は常に検証すべきです。生成されたコンテンツの正確性、一貫性、信頼性を見極めるのはユーザーの責任です。

2. 意図しない機密性の高い出力
これらのモデルからの出力は、予期しないもの、不適切なもの、さらには有害なものである可能性があります。人間がループに入ることが不可欠な要素です。ユーザーは最終的な出力を確認し、解釈する必要があります。生成されたコンテンツには、特にさまざまなコンテキストで共有または適用される場合には、慎重に取り組む必要があります。
3. データプライバシー
LLM にその API を介して接続する場合、あなたのデータはモデルのベンダーに送信されます。たとえば、OpenAI のモデルに接続する場合、あなたのデータはその API を介して OpenAI に送信されます。ユーザーは、個人情報や機密情報の共有または入力について慎重になる必要があります。
4. バイアスと公平性
生成 AI は、そのトレーニングデータに存在するバイアスを示す可能性があります。ユーザーは、生成された出力における潜在的なバイアスを認識して対処し、生成されたコンテンツを解釈する際には慎重になる必要があります。
5. 悪意ある使用
これらのモデルは、さまざまな悪意ある活動に悪用される可能性があります。ユーザーは、そのようなモデルをどのように、どこで展開しアクセスするかについて慎重になる必要があります。