Kennisbank / MHS & AI die machines bestuurt
Nederland heeft een maakindustrie die zijn geld verdient met precisie en kleine series. Machinebouwers, toeleveranciers, meetkamers, R&D-afdelingen. In Brainport staan die bij elkaar in de straat. Precies daar raakt de Model Hardware Standard de grond.
Dit artikel gaat niet over de standaard zelf, dat staat in wat is MHS. Het gaat over wat er verandert als apparatuur aanspreekbaar wordt voor een agent, en over wat je daar nu al aan hebt.
Vraag een productiebedrijf waar de uren zitten en het antwoord gaat zelden over het maken zelf. Het gaat over de randen: een meting die overgetypt wordt, een machine die stilstaat tot iemand komt kijken, een instelling die met de hand herhaald wordt, een rapport dat uit vier bronnen bij elkaar wordt geschraapt.
Elk van die vier is een moment waarop een mens de brug is tussen twee systemen die niet met elkaar praten. Dat is niet dom georganiseerd. Het is het gevolg van het feit dat elk apparaat zijn eigen taal spreekt en er nooit een standaard was.
Dat is de reden dat de cijfers uit de MHS-preview eruit springen. Bij het onderzoeksinstituut HHMI Janelia liepen zeven verschillende leveranciersprogramma's naast elkaar. Een nieuw apparaat aansluiten was daar een project van meerdere dagen. Met MHS werd het een handeling van een paar minuten.
Aansluiten wordt beschrijven in plaats van programmeren. Het referentiebestand van MHS bevat velden die je in gewone taal invult: wat meet dit apparaat, wat is er verstelbaar, welke grenzen gelden. Je kunt dat zelf doen, of een agent stelt je er vragen over en vult het in.
Dat verplaatst het werk van een programmeur naar iemand die de machine kent. Dat is een grotere verschuiving dan hij lijkt, want die tweede persoon werkt er al.
Wachten verdwijnt uit het proces. Bij Carnegie Mellon ging het van kale apparatuur naar een afgeronde verdunningscurve in acht uur, waar dat normaal weken kostte. Niet omdat de metingen sneller gaan, maar omdat er niet meer gewacht wordt op de volgende handeling van een mens.
Dat effect is het scherpst bij QuEra Computing, waar lasers gestabiliseerd moesten worden. Met de hand duurde herstel vijf tot tien minuten. Met een agent erop 0,9 tot 5,4 seconden bij eenvoudige verstoringen, en het slagingspercentage ging van 58 naar 99,3 procent, oftewel 695 van de 700 pogingen.
De machine krijgt een beschrijving die klopt. Dit is het onderschatte deel. Voor MHS staat de kennis over een apparaat in het hoofd van de operator en in een handleiding die niemand leest. Het referentiebestand dwingt die kennis naar buiten, in een vorm die zowel een mens als een agent kan lezen.
Ook zonder agent is dat waardevol. Het is de documentatie die er nooit van kwam.
Hier hoort een streep. Een taalmodel heeft de fysieke wereld uit tekst en beeld leren kennen en heeft nooit iets vastgehouden.
Bij Genentech kwam dat scherp naar voren. Er ontstond schuim in de monsters, en het model behandelde dat als een softwarefout terwijl het een fysiek probleem was dat je alleen fysiek oplost. Bij QuEra ging alles goed zolang het via de besturing liep, maar zodra er iets aan de opstelling zelf haperde wist het model niet waar het moest beginnen: zijn begrip van de opstelling was programmatisch en niet fysiek.
Vertaald naar een werkvloer: reken op een agent voor herhaalbare handelingen, metingen, instellingen en coördinatie tussen apparaten. Reken niet op een agent voor het oordeel dat een monteur velt als hij iets hoort ratelen.
Bij software is een fout een verkeerde regel in een database. Bij hardware kan een fout iemand raken. MHS legt de grenzen daarom in het apparaatbestand en niet in de instructie aan de agent: een robotarm krijgt een maximale snelheid en toegestane hoeken mee, een laser een maximaal vermogen.
Dat werkt in de praktijk. Bij een van de partners blokkeerde de opstelling zes verschillende situaties voordat er iets bewoog, waaronder een ontbrekende plaat, een gedraaide plaat, een bezette lezer en een losgekoppelde camera.
Voor Nederlandse en Belgische bedrijven komt daar iets bij dat losstaat van AI: vanaf 20 januari 2027 geldt de nieuwe EU-machineverordening, die voor het eerst AI-gestuurde veiligheidsfuncties onder toezicht brengt. Wie het bestand schrijft dat een machine begrenst, schrijft mogelijk een gereguleerd veiligheidsonderdeel. Dat staat uitgewerkt in wie is verantwoordelijk als een agent een machine bedient en in de EU-machineverordening van 2027.
Inventariseer wat aanspreekbaar is. MHS werkt alleen met apparatuur die een programmeerbare ingang heeft. Voor de rest werkt Anthropic samen met fabrikanten aan ingebouwde drivers. Weten welke van jouw machines in welke categorie vallen, is werk dat je toch een keer doet.
Vraag het je leverancier. Onder de partners in de preview zitten robot- en instrumentleveranciers, waaronder Universal Robots, Doosan Robotics, Tecan en QIAGEN. De vraag of er een MHS-driver voor komt, is nu een redelijke vraag bij een aanschaf.
Begin bij de software. De koppelingen tussen je ERP, je kwaliteitssysteem en je planning leveren nu al tijd op, en ze lopen via dezelfde agentlaag. Zie van losse tools naar een AI-systeem en wat is een automation pipeline.
Leg vast wat zonder mens mag. Die afspraak wordt zwaarder zodra er iets fysiek beweegt. Zie wanneer mag AI zelf handelen.
Begin niet bij de machine. Begin bij het proces eromheen, want daar zit de winst die je vandaag al kunt pakken en die niet afhangt van een standaard die nog in preview is.
Een meetrapport dat zichzelf samenstelt uit de gegevens die er al zijn, levert direct uren op. Wordt het meetapparaat later aanspreekbaar, dan valt die stap er vanzelf tussen zonder dat de rest opnieuw gebouwd wordt. Andersom werkt niet: een agent op een machine zetten terwijl de administratie eromheen met de hand gaat, verplaatst het knelpunt alleen.
Wij zitten in Eindhoven en bouwen de laag tussen systemen: koppelingen, agents, bewaking en goedkeuring. Wil je weten waar dat in jouw productie begint, neem contact op.
dGEN Productions, AI agency en business-automation partner uit Eindhoven. info@dgenproductions.nl · 06-87413056