MachinaCheck : un système multi-agent de vérification de faisabilité CNC sur AMD MI300X

Le contexte d'origine est celui des petits ateliers d'usinage CNC, où l'analyse de faisabilité d'une pièce — dite "manufacturability review" — repose encore largement sur un processus manuel. Un responsable d'atelier reçoit un fichier de dessin, vérifie à la main les cotes, fait l'inventaire des outils disponibles, estime si les tolérances sont atteignables, et consigne ses conclusions sur papier. Ce travail mobilise entre 30 et 60 minutes par demande de devis. Pour un atelier recevant 10 à 20 demandes par semaine, cela représente jusqu'à 20 heures de travail qualifié hebdomadaire, avec un risque d'erreur non négligeable : une pièce acceptée à tort peut entraîner une mise au rebut en cours de production, une perte de temps machine et une insatisfaction client.

MachinaCheck propose d'automatiser intégralement cette étape. L'utilisateur soumet un fichier STEP — le format CAO standard échangé entre clients et fournisseurs — accompagné de trois paramètres : le matériau, la tolérance requise et les spécifications de filetage. En 25 à 40 secondes, le système produit un rapport complet de faisabilité.

L'architecture repose sur un pipeline à cinq composants orchestrés via FastAPI et LangChain. Le premier n'est pas un agent à proprement parler : c'est un parseur Python pur utilisant la bibliothèque cadquery, elle-même bâtie sur OpenCASCADE, qui extrait les caractéristiques géométriques du fichier STEP avec une précision mathématique exacte — diamètres de perçages, surfaces planes, chanfreins, congés, dimensions du bounding box. Aucun LLM n'intervient à cette étape, ce qui garantit une extraction sans approximation ni hallucination.

L'agent 1 (Operations Classifier) passe ces données géométriques à Qwen 2.5 7B Instruct pour déterminer quelles opérations d'usinage et quels outils sont nécessaires. L'agent 2 (Tool Matcher) effectue ensuite une requête déterministe dans la base de données d'inventaire de l'atelier — sans LLM, délibérément, pour éviter la latence supplémentaire et le risque d'erreur inhérent aux modèles de langage sur des tâches de lookup. L'agent 3 (Feasibility Decision Agent) soumet les résultats de correspondance à Qwen 2.5 7B pour produire une décision structurée en JSON : statut FEASIBLE, CONDITIONAL ou NOT FEASIBLE, niveau de confiance, liste d'actions correctives, estimation des heures de mise en place. L'agent 4 (Report Generator), également basé sur Qwen 2.5 7B, synthétise l'ensemble en un rapport lisible par un non-spécialiste.

Le choix du GPU AMD Instinct MI300X n'est pas présenté comme un simple avantage technique mais comme une exigence métier. Les fichiers STEP contiennent de la géométrie propriétaire — la disposition des perçages d'un dispositif médical, la forme d'une poche dans une pièce aérospatiale — qui relève du secret industriel. Transmettre ces données à une API commerciale telle qu'OpenAI ou Anthropic constituerait, selon les auteurs, une violation des accords de confidentialité signés avec les clients. Le MI300X, avec ses 192 Go de mémoire HBM3 et une bande passante de 5,3 To/s, permet d'exécuter Qwen 2.5 7B entièrement en local via ROCm et vLLM, sans qu'aucune donnée géométrique ne quitte l'infrastructure de l'atelier. Avec un paramètre gpu-memory-utilization fixé à 0,5, le système n'utilise qu'environ 96 Go des 192 Go disponibles, laissant de la marge pour monter en charge ou basculer vers Qwen 2.5 72B en production.

Les tests conduits sur des fichiers STEP issus de GrabCAD font état d'une extraction des features en moins d'une seconde pour des pièces comptant jusqu'à 50 caractéristiques, et d'un pipeline complet bouclé entre 25 et 40 secondes. La latence moyenne par appel d'agent est inférieure à 3 secondes. Les auteurs signalent une précision correcte sur l'ensemble des pièces testées, sans quantifier davantage cette évaluation.

Parmi les enseignements retenus figure une leçon d'architecture générale : les LLM ne doivent être mobilisés que là où un raisonnement est nécessaire. Le tool matching, relevant d'une simple comparaison base de données, est délibérément traité en logique déterministe. Le prompt engineering pour obtenir des sorties JSON fiables a également nécessité un travail explicite de spécification des règles métier dans les instructions système de Qwen.

Les questions qui demeurent ouvertes concernent la généralisation à des géométries plus complexes, la robustesse face à des fichiers STEP mal formés, et la capacité du système à s'adapter à des inventaires d'outils dynamiques en environnement de production réel.