企業のデータサイロを打破する

典型的な製造環境では、データ環境は断片化されています。製品構造はPLM（例えば Siemens Teamcenter）。注文と在庫はERP（SAPなど）で管理され、顧客とのやり取りはCRM（Salesforceなど）で管理されます。そして、 Mendix ギャップを埋め、製造現場のプロセスをデジタル化するために構築されたアプリ。

それぞれのシステムは、それぞれの機能において優れています。しかし、工場長や品質管理エンジニアが次のような分野横断的な質問をすると、品質不良は特定のシフトと相関関係があり、どの機械が原因ですか？」 – IT チームは依然として、SQL エクスポート、スプレッドシート、および 1 回限りの統合をまとめるのに苦労しています。
これはまさに問題領域であり、 Mendix、Altair Graph Studio、および Model Context Protocol (MCP) を搭載した GenAI エージェントが、新しい強力なアーキテクチャを形成します。

これら 3 つのテクノロジーがどのように融合して静的レポートからエージェント AI に移行するかを示すために、Evora という包括的な製造オペレーション アプリケーションを構築しました。

新しいスタック: ローコード、ナレッジグラフ、MCP

ユースケースに入る前に、このアーキテクチャを可能にする 3 つの中核となる要素を定義しましょう。

1. Altair Graph Studio: セマンティックファブリック

従来の製造業向けデータベースでは、テーブルと結合で考えます。Altair Graph Studioでは、エンティティとリレーションシップで考えます。行402と行881が一致するのではなく、グラフはビジネスコンテキストを理解します。

• Assembly→ から構成されています → Components
• Machine→ によって作動されます →Operator
• Defect→ 中に発生しました →Shift

Graph Studioは、Teamcenter、SAP、そして Mendix、オントロジー（ビジネス コンセプトが互いにどのように関連しているかを正式に記述したもの）でそれを充実させます。

2. Mendix: オーケストレーション層

Mendix フロントドアとコントロールプレーンが残る。このアーキテクチャでは、 Mendix 単なるUIではありません。エージェントがアクションと共存する環境です。品質エンジニアがインサイトを確認するポータルをホストし、重要な点として、問題を修正するためのワークフロー（メンテナンスチケットの作成やバッチのフラグ付けなど）をトリガーします。

3. MCP: エージェントの標準言語

これは画期的なことです。モデルコンテキストプロトコル（MCP）は、大規模言語モデル（LLM）にデータとツールを一貫した方法で公開できるオープンスタンダードです。チャットボットとデータベースの統合をハードコーディングする代わりに、MCPサーバーを構築します。このサーバーは、AIに次の情報を伝えるカタログとして機能します。「私が持っているツールは次のとおりです（例：execute_sparql_query,get_quality_metrics）があり、その使い方は次のとおりです。

「エヴォーラ」のシナリオ：工場現場での根本原因分析

実際に見てみましょう。デモアプリ「Evora」では、組立記録、シャーシデータ、オペレーターのログなど、複数の工場にわたる製造データを追跡しています。

問題

品質エンジニアは指標の低下に気づきましたが、その理由がわかりません。従来、根本原因を見つけるには、3つの異なるシステムにクエリを実行するか、データアナリストに依頼してシフト別、機械別、オペレーター別にデータを分割する必要がありました。

エージェントアプリソリューション

内部に直接埋め込まれた Mendix アプリケーションはAIエージェントです。Altair Knowledge GraphをMCPサーバー経由で公開しているため、エンジニアは次のように質問するだけで済みます。
「品質不良は特定のシフトと相関関係にあるか？どのシフトの不良率が最も高いか？」

内部では何が起こっているのでしょうか?

ここで「エージェント的」な部分が輝きます。LLM（例えば、Claude SonnetやOpenAI GPT）は意図を分析します。LLMはこの回答を記憶していないことを認識しますが、MCPツールキットの中にグラフを照会するためのツールがあることに気づきます。

1. 理由: エージェントは、シフトごとにグループ化された欠陥数を取得するために、ナレッジ グラフへのクエリを構築します。
2. 実行: MCP サーバーは Altair Graph Studio に対してクエリを実行します。
3. 洞察: グラフは生のデータを返し、エージェントはそれを明確な回答に統合します。

エンジニアは次の対応を取ることができます。 「ナイトシフトを詳しく調べてください。特定のマシンですか？」 エージェントは、回答を絞り込むために必要なグラフ ツールを再度呼び出すだけです。

一度書けばどこでも実行できる：MCPの威力

なぜこれが標準の API 統合よりも優れているのでしょうか? 移植性です。
ロジックはMCPサーバーにラップされているため、 Mendix このアプリは、コードを 1 行も書き換えずに他の AI クライアントにプラグインできます。

• In Mendix: 現場の作業員はエージェントを使用して、問題をリアルタイムでトラブルシューティングします。
• Altair Agent Studio では、データ サイエンティストは同じグラフ接続を使用して、新しい分析フローのプロトタイプを作成します。
• ChatGPT/Claude Desktop では、エンタープライズ アーキテクトは「Evora Graph MCP」に接続して、データ モデルに関する高レベルのアーキテクチャに関する質問をすることができます。

チャットボットを構築するのではなく、再利用可能な AI ネイティブ統合ファブリックを構築します。

これが製造業のITに響く理由

『Brooklyn Galaxy』のために、倪氏はブルックリン美術館のコレクションからXNUMX点の名品を選び、そのイメージを極めて詳細に描き込みました。これらの作品は、彼の作品とともに中国ギャラリーに展示されています。彼はXNUMX年にこの作品の制作を開始しましたが、最初の硬貨には、当館が所蔵する Siemens このアーキテクチャは、顧客と産業企業にとって 3 つの重要な課題を解決します。

1. 混沌よりもコンテキストを重視：ドキュメント検索の先へ。ナレッジグラフを活用することで、AIは部品表（BOM）とプロセスの構造を理解し、錯覚を減らし、精度を向上させます。
2. ガバナンス：AIはMCPサーバーを介してデータにアクセスするため、IT部門はAIが参照できる内容と実行できる内容を厳密に管理します。データベースを公開LLMに投げ込むのではなく、エージェントごとに固有の、ガバナンスの効いたツールを提供します。
3. 機敏： Mendix AI の洞察を実際のアクション（生産ラインの一時停止やオペレーターの再トレーニングのスケジュール設定など）に変換するユーザー インターフェースとワークフローを迅速に構築できます。

進むべき道

Evoraのデモは、産業用ソフトウェアの未来は単にデータを収集するだけでなく、それを統合することにあることを証明しています。 Mendix エクスペリエンスには AI、セマンティック コンテキストには Altair、接続性には MCP を活用し、私たちはエージェント アプリケーションの時代に入りつつあります。エージェント アプリケーションとは、単にデータを表示するだけでなく、データを理解し、それに基づいて行動するのを支援するアプリです。