MachinaCheck: evaluación de fabricabilidad CNC con un sistema multiagente sobre AMD MI300X

El problema: tiempo perdido y riesgos en talleres CNC

En muchos talleres CNC pequeños la decisión de aceptar un trabajo sigue siendo manual: se imprime el dibujo, se miden dimensiones, se comprueba el inventario de herramientas y se estima si las máquinas pueden cumplir tolerancias. El proceso suele tardar entre 30 y 60 minutos por plano. Para talleres con un volumen de 10 a 20 solicitudes por semana, eso representa varias horas de trabajo gerencial que podrían reducirse o evitar errores costosos. A veces aceptan un pedido y, en producción, descubren que falta una herramienta o que la máquina no puede mantener una tolerancia crítica. El resultado: piezas descartadas, tiempo y dinero perdidos y clientes insatisfechos.

Qué hace MachinaCheck

MachinaCheck automatiza la evaluación de fabricabilidad de piezas CNC a partir de archivos STEP (el formato CAD estándar). El flujo es simple: el usuario sube un STEP y proporciona tres entradas adicionales —tipo de material, tolerancia requerida y especificaciones de roscas— y, en aproximadamente 30 segundos, recibe un informe completo que indica si la pieza es manufacturable, qué herramientas se requieren, qué falta y qué acciones tomar antes de iniciar la producción. No hay lectura manual del plano, ni recorrer el taller para comprobar herramientas, ni conjeturas.

Por qué se diseñó sobre AMD MI300X

Más allá de una decisión técnica, la elección del hardware responde a un requisito de negocio: la confidencialidad. Muchos archivos STEP contienen geometría propietaria ligada a diseños y I+D sensibles. Transmitir esos archivos a servicios de terceros (APIs comerciales) vulnera acuerdos de confidencialidad y puede ser inaceptable para clientes industriales.

El AMD Instinct MI300X permite ejecutar modelos como Qwen 2.5 7B íntegramente on‑premise gracias a su gran memoria (192 GB de HBM3) y alto ancho de banda (5.3 TB/s). Con este enfoque, los datos nunca salen de la infraestructura del cliente: la IP queda protegida. Esto ejemplifica un enfoque de “privacy by design” aplicado a un caso de uso industrial, donde la arquitectura es condición de viabilidad comercial.

Arquitectura de agentes y orquestación

MachinaCheck está construido como una canalización de cinco componentes, usando LangChain para estructurar los agentes y FastAPI para la orquestación. La combinación de procesos deterministas (pure Python) y modelos LLM se usa de forma deliberada, maximizando precisión y minimizando riesgos de alucinación.

Componente 1 — Parser de archivos STEP (Python puro, sin LLM)

Para extraer características geométricas se emplea cadquery (basado en OpenCASCADE). Este módulo lee la geometría matemática del STEP y devuelve medidas exactas: agujeros cilíndricos con diámetro y profundidad, superficies planas y sus áreas, chaflanes y filetes, dimensiones del bounding box, volumen total y área superficial. Al trabajar directamente con la geometría, la extracción es precisa: un orificio Ø6.0 mm se representa exactamente como Ø6.0 mm en la salida. Este enfoque evita modelos de visión, OCR o aproximaciones.

Agente 1 — Clasificador de operaciones (Qwen 2.5 7B)

La geometría extraída, junto con las entradas del usuario (material, tolerancia, roscas), se pasa a Qwen 2.5 7B ejecutado en el MI300X vía vLLM. Este agente determina qué operaciones CNC y qué herramientas son necesarias aplicando conocimiento de manufactura: por ejemplo, que acero inoxidable 304 requiere herramientas de carburo, que un agujero cilíndrico debe taladrarse y que tolerancias muy precisas demandan una máquina de alta precisión.

Agente 2 — Coincidencia de herramientas (Python puro)

Una vez listadas las herramientas requeridas, un componente determinista consulta la base de datos de inventario del taller para verificar disponibilidad. Este paso es puro lookup y lógica comparativa: no se usa LLM porque aquí no se necesita razonamiento probabilístico y se evita latencia o posibles errores de interpretación.

Agente 3 — Decisión de factibilidad (Qwen 2.5 7B)

Los resultados del match regresan al modelo LLM, que razona sobre el conjunto y entrega una decisión estructurada: por ejemplo, estado CONDICIONAL con alta confianza, razón (falta una tara específica), acciones recomendadas (comprar una herramienta concreta, con monto de referencia cuando está disponible), banderas de riesgo y estimación de horas de preparación.

Agente 4 — Generador de informe (Qwen 2.5 7B)

Finalmente, otro agente sintetiza todos los elementos en un informe profesional de fabricabilidad: estado general, resumen ejecutivo, análisis de la pieza, estado de herramientas, estado de máquinas y recomendaciones finales. El resultado es un documento utilizable por gerentes de taller y equipos comerciales para tomar decisiones y comunicar plazos al cliente.

La pila AMD y operacionalización

La ejecución de Qwen 2.5 7B sobre MI300X se realiza con ROCm y vLLM. La imagen de vLLM preconfigurada en AMD Developer Cloud facilita el despliegue. Con una configuración que utiliza aproximadamente la mitad de la memoria GPU disponible, hay holgura para concurrencia y gestión de otras cargas. Ejecutar el modelo localmente garantiza que ningún archivo STEP salga del entorno del cliente, resolviendo la principal barrera de adopción en clientes industriales con NDAs.

Resultados y aprendizajes

MachinaCheck demuestra cómo combinar procesamiento determinista de geometría con capacidades de razonamiento de LLMs cuando aporta valor real. El parser geométrico asegura exactitud en medidas críticas; los modelos LLM se aprovechan para aplicar reglas de manufactura y generar lenguaje natural en los informes. El diseño híbrido reduce riesgos de alucinación y mejora la trazabilidad de decisiones.

Otro aprendizaje clave es que la confidencialidad puede ser un requisito técnico que define la arquitectura. Ejecutar LLMs on‑premise en hardware como AMD MI300X no es solo una mejora de rendimiento: en contextos industriales es condición necesaria para el despliegue comercial.

Dónde y cómo probarlo

MachinaCheck fue desarrollado durante el AMD Developer Hackathon en lablab.ai (mayo de 2026). El proyecto sirve como referencia de cómo implementar soluciones de IA industrial que respeten la propiedad intelectual y mejoren la eficiencia operativa de talleres CNC.

Para talleres y proveedores de servicios en América Latina, esta aproximación muestra una vía práctica para digitalizar la evaluación de pedidos sin comprometer la confidencialidad del diseño, reduciendo errores costosos y liberando horas de trabajo calificado para tareas de mayor valor.