MachinaCheck skúša preniesť agentov do výroby: CNC ponuky chce skrátiť na sekundy

Veľká časť debaty o agentoch sa dnes odohráva okolo kancelárskej produktivity, zákazníckej podpory alebo programovania. Projekt MachinaCheck však ukazuje omnoho prízemnejší a možno aj cennejší smer: preniesť agentické workflow do výroby, konkrétne do chvíle, keď sa malá CNC dielňa rozhoduje, či vôbec prijme zákazku. Autor projektu na Hugging Face opisuje problém veľmi presne. V mnohých prevádzkach sa takýto posudok stále robí ručne, s papierovým výkresom v ruke, obchôdzkou po dielni a odhadom, či dostupné stroje a nástroje zvládnu požadovanú toleranciu.

Takéto rozhodnutie pritom nie je administratívna drobnosť. Podľa popisu projektu môže ručné posúdenie jedného dopytu zabrať tridsať až šesťdesiat minút a pri desiatkach dopytov týždenne sa z neho stáva veľká položka v čase skúseného človeka. Ešte drahšia je chyba: firma prijme diel, začne výrobu a až neskôr zistí, že nemá správny nástroj, závitník alebo nedokáže udržať toleranciu. Vzniká zmetok, stráca sa strojový čas a zákazník dostane oneskorenie alebo chybný kus.

MachinaCheck sa tento krok snaží automatizovať cez kombináciu klasického softvéru a niekoľkých špecializovaných agentov. Vstupom je STEP súbor, teda bežný CAD formát, plus zopár parametrov ako materiál, tolerancia a špecifikácia závitov. Výstupom má byť v priebehu približne tridsiatich sekúnd správa o vyrobiteľnosti: čo sa dá spraviť, aké nástroje budú treba, čo v dielni chýba a aké akcie treba urobiť ešte pred spustením výroby. Dôležité je, že autori nevkladajú jazykový model do každého kroku. Parser STEP súboru a párovanie nástrojov nechávajú na deterministickom kóde a model používajú tam, kde treba uvažovanie.

Architektúra je preto zaujímavá aj ako návrhový vzor. Prvý krok robí čisto Python parser, ktorý z CAD geometrie vyťahuje výrobné prvky. Nasleduje agent na klasifikáciu operácií, agent alebo skôr pravidlová vrstva na priradenie nástrojov, rozhodovací agent pre vyrobiteľnosť a napokon agent na zostavenie reportu. Autori projekt postavili na modeli Qwen 2.5 7B a explicitne píšu, že práve pri štruktúrovanom výstupe museli prompt starostlivo dotiahnuť tak, aby model spoľahlivo vracal validné JSON odpovede a rešpektoval výrobné pravidlá, napríklad že valcové otvory potrebujú vrtáky a nie stopkové frézy.

Silný praktický rozmer má aj voľba infraštruktúry. Projekt bežal na AMD MI300X cez ROCm a vLLM, s OpenAI-kompatibilným endpointom pre LangChain. Dôvod nie je len výkon. V priemysle bývajú STEP súbory citlivým duševným vlastníctvom a autori otvorene hovoria, že ich nechceli posielať do externých API. Lokálny alebo podnikový deployment preto nie je „nice to have“, ale súčasť obchodnej požiadavky. V publikovanom teste stačilo nastaviť využitie GPU pamäte na polovicu, čo podľa autorov zaberalo približne 96 zo 192 GB VRAM a nechávalo priestor na väčší model či ďalšie služby.

Výsledky treba brať ako prototypové, no nie sú zanedbateľné. Projekt uvádza extrakciu prvkov do jednej sekundy pri súčiastkach s približne päťdesiatimi prvkami a celú štvoragentovú pipeline v rozmedzí dvadsaťpäť až štyridsať sekúnd. Zároveň tvrdí správne posúdenie vyrobiteľnosti na testovacích dieloch a nulový externý prenos STEP geometrie. Na pomery hackathonového projektu je dôležité aj to, že autori pomenovali limity: LLM sa neoplatí dávať tam, kde postačuje databázový dotaz alebo explicitné pravidlo, a kvalita rozhodovania by pri produkcii výrazne profitovala z väčšieho modelu.

Práve tým sa MachinaCheck odlišuje od mnohých marketingových ukážok agentov. Nehrá sa na vševediaceho asistenta, ale skladá konkrétny workflow okolo úzkeho výrobného problému, pri ktorom je hodnota merateľná v minútach, odpade a počte zle prijatých zákaziek. To je silný signál aj pre širší priemysel. Agentické AI môže mať najväčší ekonomický efekt nie tam, kde vyzerá najviac „magicky“, ale tam, kde odstráni úzky procesný bod a udrží citlivé dáta vo vlastnom prostredí.

Projekt je stále len skorá ukážka a bude potrebovať širšie testy na reálnych dieloch, rozdielnych strojoch a menej ideálnych vstupoch. Napriek tomu dobre vystihuje, kam sa môže posúvať praktická AI v roku 2026: od generických chatbotov k špecializovaným systémom, ktoré kombinujú pravidlá, lokálne modely a úzko vymedzené rozhodovanie. Ak sa podobné prístupy uchytia, ďalšia vlna agentov nemusí prísť z kancelárie, ale z dielne a výrobných workflowov, kde každá ušetrená minúta aj každá odvrátená chyba majú veľmi konkrétnu cenu.