MachinaCheck：AMD MI300X 上で構築したマルチエージェント CNC 製造可能性システム

[記事一覧に戻る](https://huggingface.co/blog) - 私たちが解決した課題 - MachinaCheck の機能 - なぜ AMD MI300X で構築したのか - エージェントアーキテクチャ コンポーネント 1 — STEP ファイルパーサー（純粋な Python、LLM なし） - エージェント 1 — 操作分類器（Qwen 2.5 7B） - エージェント 2 — ツールマッチャー（純粋な Python） - エージェント 3 — 実現可能性判断エージェント（Qwen 2.5 7B） - エージェント 4 — レポート生成器（Qwen 2.5 7B） - AMD スタック - 結果 - 私たちが学んだこと - 実際に試す *lablab.ai で開催された AMD デベロッパーハッカソンにて構築 — 2026 年 5 月* ## 私たちが解決した課題 小さな CNC 工作機械工場を訪れ、管理者に顧客の受注を受理するかどうかの判断基準を聞いてみてください。 答えはほぼ常に同じです。図面を印刷し、手作業で寸法を読み込み、工場の隅々まで歩き回って利用可能な工具を確認し、自社の機械が要求される公差（tolerance）を満たせるかを見積もり、クリップボードにメモを書き留めます。この一連のプロセスには、図面 1 枚あたり 30 分から 60 分かかります。週に 10 から 20 の見積依頼（RFQ: Request for Quotation）を受ける忙しい工場にとっては、実現可能性分析だけで熟練した管理者の時間を 5 時間から 20 時間も費やすことになります。 時には判断を誤ることもあります。受注して生産を開始しても、途中で適切なタップがないことや、ミリング盤が重要な特徴部の公差（tolerance）を保てないことが判明します。部品は廃棄され、顧客は不満を抱き、機械の使用時間は無駄になります。 私たちはこの問題を完全に解消するために MachinaCheck を構築しました。 ## MachinaCheck の機能 MachinaCheck はマルチエージェント AI システムです。顧客から機械加工工場へ送られる標準的な CAD 形式である STEP ファイルをアップロードし、3 つの単純な入力項目（材料種別、必要な公差、およびねじ仕様）を追加するだけで、30 秒後には完全な製造可能性レポートが得られます。このレポートでは、部品製作が可能かどうか、必要な工具は何か、何が不足しているか、生産開始前に取るべきアクションが具体的に示されます。 手書き図面の読み込みも不要です。工場内を歩き回る必要もありません。推測に頼ることもありません。 ## なぜ AMD MI300X で構築したのか アーキテクチャの説明に入る前に、この点は独自のセクションを持つ価値があります。なぜなら、これは単なる技術的な選択ではなく、ビジネス上の必須要件だからです。 製造業の顧客は機密保持契約（NDA）を締結します。彼らの STEP ファイルには、何年にもわたるエンジニアリングの成果と数百万ドルに及ぶ研究開発費が反映された独自形状が含まれています。医療機器の穴パターンや航空宇宙コンポーネントのポケット形状は、機密性の高い知的財産です。 そのデータを OpenAI や Anthropic、あるいはその他の商用 API エンドポイントへ送信することは、機密保持違反です。明確にそう断言します。 AMD Instinct MI300X はこの状況を根本から変えます。192GB の HBM3 VRAM と 5.3 TB/s のメモリ帯域幅を備えた同プロセッサを使用することで、Qwen 2.5 7B Instruct をオンプレミス環境で完全に実行できます。データが工場インフラの外へ流出することはありません。STEP 形状データが第三者サーバーへ送信されることもありません。顧客の知的財産は、本来あるべき場所に留まります。 これが製造業の文脈における「設計段階からのプライバシー保護」が実際に意味するところです。単なるチェックボックスではなく、製品を実際のエンタープライズ顧客にとって実現可能にする根本的なアーキテクチャ上の意思決定です。 ## エージェントアーキテクチャ MachinaCheck は LangChain を用いて構築された 5 つのコンポーネントからなるパイプラインを使用し、FastAPI によってオーケストレーションされています。 ## コンポーネント 1 — STEP ファイルパーサー（純粋な Python、LLM なし） OpenCASCADE を基盤とした Python ライブラリである cadquery を使用して、STEP ファイルを直接解析します。これにより、数学的に正確な特徴抽出が可能になります。 - 直径と深さを有するすべての円筒穴 - 平坦面とその面積 - 面取り（Chamfers）およびフィレット（Fillet） - 外接ボックスの寸法 - 総体積および表面積 この抽出は、数学的幾何学を直接読み取るため 100% の精度を誇ります。ビジョンモデルも OCR も近似処理も不要です。出力される Ø6.0mm の穴は、まさに Ø6.0mm として正確に表現されます。 def extract_features(step_file_path: str) -> dict: model = cq.importers.importStep(step_file_path) shape = model.val() bb = shape.BoundingBox() holes = {} for face in model.faces().vals(): adaptor = BRepAdaptor_Surface(face.wrapped) if adaptor.GetType() == GeomAbs_Cylinder: radius = adaptor.Cylinder().Radius() diameter = round(radius * 2, 3) holes[diameter] = holes.get(diameter, 0) + 1 return { "bounding_box_mm": {"length": round(bb.xlen, 3), ...}, "holes": [...], "flat_surfaces_count": len(flat_surfaces), } 翻訳全文 ## エージェント 1 — オペレーション分類器 (Qwen 2.5 7B) 抽出された幾何形状とユーザー入力（材料、公差、ねじ山）は、vLLM を介して AMD MI300X で実行される Qwen 2.5 7B に渡されます。 このエージェントは次のように回答します：*「この部品を製造するために必要な CNC オペレーションと工具は何ですか？」* 製造ドメインの知識を適用します。例えば、ステンレス鋼 304 には超硬工具が必要です。円筒形の穴にはエンドミルではなくドリルが必要です。±0.005mm の公差には標準的なフライス盤ではなく、高精度な機械が必要です。 ## エージェント 2 — ツールマッチャー (純粋な Python) このエージェントは LLM を使用しません。ショップの工具在庫データベースを照会し、必要な各工具が利用可能かどうかを確認します。これは純粋な決定論的ロジックです（データベース検索、比較、結果）。データベース照会に LLM は不要であり、ここで使用すると不要なレイテンシとハルシネーション（幻覚）のリスクが生じるだけです。 ## エージェント 3 — 実現可能性判断エージェント (Qwen 2.5 7B) マッチング結果は Qwen に戻されます。このエージェントは全体の状況を推論し、構造化された意思決定を生成します： { "decision": "CONDITIONAL", "confidence": "HIGH", "reason": "M10x1.5 タップを除き全ての工具が利用可能", "action_items": ["M10x1.5 タップを購入（$15）"], "risk_flags": ["ステンレス鋼 304 の主軸回転数を検証"], "estimated_setup_hours": 2.5 } ## エージェント 4 — レポート生成器 (Qwen 2.5 7B) 最終的なエージェントは、全体のステータス、エグゼクティブサマリー、部品分析、工具状況、機械状況、そして最終推奨事項を含む、専門的な製造可能性レポートにすべての情報を統合します。 ## AMD のスタック ROCm と vLLM を介して AMD MI300X 上で Qwen 2.5 7B を実行するのは straightforward（至って簡単）でした。AMD Developer Cloud 上の vLLM Quick Start イメージには、すべてが事前に設定されています。 python -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2.5-7B-Instruct \ --host 0.0.0.0 \ --port 8000 \ --dtype float16 \ --gpu-memory-utilization 0.5 gpu-memory-utilization を 0.5 に設定することで、利用可能な 192GB のうち約 96GB を使用し、十分な余裕を残しています。エージェント呼び出しにおける推論レイテンシの平均は 3 秒未満です。 LangChain は OpenAI 互換エンドポイントを通じて vLLM に接続します: from langchain_community.llms import VLLMOpenAI llm = VLLMOpenAI( openai_api_base="http://localhost:8000/v1", openai_api_key="EMPTY", model_name="Qwen/Qwen2.5-7B-Instruct", temperature=0.1, max_tokens=1000 ) ## 結果 GrabCAD から取得した実際の STEP ファイルでテストを行いました: - フィーチャー抽出：最大 50 のフィーチャーを持つ部品の場合、1 秒未満 - 全体パイプライン（全 4 エージェント）：エンドツーエンドで 25〜40 秒 - 意思決定の精度：すべてのテスト部品において製造可能性評価が正しく行われた - プライバシー：STEP 幾何データは外部へ 1 バイトも送信されていない ## 学んだこと **推論が必要な場合にのみ LLM を使用してください。** エージェント 2（ツールマッチング）は純粋な Python で実装されています。そこに LLM を配置すると、処理が遅くなり、コストが増大し、信頼性が低下します。データベース参照に最適なツールは、データベースクエリです。 **構造化された出力のためのプロンプトエンジニアリングは重要です。** Qwen が信頼性のある有効な JSON を出力するためには、プロンプト内で慎重なルール設定が必要でした。具体的には、円筒形の穴にはエンドミルではなくドリルが必要であること、直径は正確に一致させる必要があること、ねじ山が指定された場合のみタップが存在することなどを明示的に記述しました。 **この用途において AMD MI300X は本当に印象的です。** 192GB の VRAM を備えているため、必要であればより大規模なモデルを実行することも可能です。本番環境でのデプロイを想定する場合、Qwen 2.5 72B を使用すれば余裕を持って動作し、推論の質が大幅に向上します。 ## 実際に試す - HF Space: huggingface.co/spaces/lablab-ai-amd-developer-hackathon/MachinaCheck - GitHub: github.com/SyedMuhammadSarmad/Manufacturing-Agent 任意の STEP ファイルをアップロードして、フルパイプラインが動作する様子をご覧ください。 *AMD Developer Hackathon 2026 年 5 月に、Syed Muhammad Sarmad と Sabari Doss R が構築しました。* *スタック: Qwen 2.5 7B · AMD Instinct MI300X · ROCm · vLLM · LangChain · cadquery · FastAPI · Next.js · Hugging Face Spaces*

MachinaCheck：AMD MI300X 上で構築したマルチエージェント CNC 製造可能性システム

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト

背景や根拠まで確認しますか？

関連記事

ニュースの次に確認する

調べる

選ぶ

サイト