AWS Manufacturing GenAI & Agentic Hackathon – från lärande till en oväntad vinst

Den 25 november bjöd AWS in till Hackathon för att uppmuntra till experimenterande i gränslandet mellan tillverkningsindustri och agentisk AI.

Hackathonet byggde på en komplett simulerad vindkraftverksfabrik, med allt man kan tänka sig: orderstock, lager, skiftscheman, sensorer på lackmaskiner, härdugnar och en lång rad IT- och OT-system. I verkligheten hade det motsvarat ERP, workforce planning, SCADA i olika smaker, MES och resten av den industriella vardagen. AWS hade gjort det ovanligt smidigt genom att exponera allt via MCP-servrar, med både resources och tools på plats.

Uppdraget var enkelt formulerat:

”Bygg något verkligt värdefullt med GenAI och agentbaserad arkitektur.”

Där någonstans börjar vår del av historien.

Vi som deltog från Omegapoint (Dan, Emanuel och Jesper) är inga tillverkningsmänniskor. Vi har arbetat med säkerhet, arkitektur och drift i många olika sammanhang, men fabrikslogistik och OEE tillhör inte vår hemtama repertoar. Det var också precis därför vi åkte dit: för att lära oss, inte för att vinna något.

Helt ärligt var vår inställning:

”Låt oss suga i oss kunskap, testa idéer och se vad som händer.”

Vi fastnade tidigt för ett problem som kändes både konkret och lite roligt: att upptäcka och hantera produktionsstörningar på kritiska maskiner. Ungefär:

”Om ett kullager överhettar klockan 04:16 en torsdagnatt – hur kan AI-agenter hjälpa fabriken att raskt komma igång igen genom att använda så mycket information som möjligt till att fatta väl avvägda beslut?”

Därifrån följde tre generationer av arbete.

Generation 1: Regelbaserad reparationsplanerare

Första varianten blev en ren reparationsagent som byggde en plan för hur maskinen skulle fås igång så snabbt som möjligt. Den tog hänsyn till kompetenser, scheman, jour, reservdelar, kostnadsavvägningar och sign-off. Vi mockade till och med en MCP-server som ”skickade mail” via S3.

Det fungerade, men var i grunden en regelmotor. Ingen egentlig reasoning.

Så vi släppte den och började om.

Generation 2: LLM-driven, men för bred

Nästa försök blev LLM-baserat och betydligt mer ambitiöst. Vi drog in orderstock, kundpåverkan och alternativa produktionsflöden. Det fungerade, men i praktiken var det mest ett Python-skript som samlade all data och stoppade in allt i en gigantisk prompt med instruktionen:

”Do something smart with this.”

Tekniskt snyggare. Arkitektoniskt för spretigt. Och verkligen inte den typ av AI som vi gillar. För oss är “AI should be able to do something smart” ett anti-pattern.

Vi visste att vi kunde göra det bättre.

Generation 3: Ett ekosystem av sju specialiserade agenter

Den tredje generationen var den som landade rätt. Vi byggde ett ekosystem av sju specialiserade agenter, var och en med sitt expertområde och sin egen uppsättning MCP-servrar som den tog information från.

Grundtanken var enkel:

”Samla experter i ett rum och låt dem resonera sig fram till en lösning.”

Exempel:

• en teknisk expert som vet viken reparatör som kan göra vilka reparationer och har koll på skift och arbetstidsregler
• en supply-chain-expert som har koll på reservdelar och hur vi ev kan få hem sådana som saknas
• en kundpåverkans-agent för vilka order som skulle påverkas om produktionen försenas
• och liknande roller för planering, ekonomi och produktionsplanering etc

Den sjunde agenten, Failure Crisis Coordinator, höll ihop resonemanget och skickade runt uppdaterad kontext tills gruppen konvergerade. I vårt testfall skedde det efter fem rundor.

Det kändes som riktig agentarkitektur och inte bara en LLM som försökte tugga i sig för mycket på en gång.

Presentationen

Vi hade egentligen inte tänkt presentera. Vi hade åkt dit för att lära oss, inte tävla. Vid något tillfälle sa vi till och med:

”Äh, vi låter de andra tävla. Vi gör vår grej.”

Men när tredje generationen väl fungerade kände vi att det vore synd att inte visa den. Så vi satte ihop några bilder, visade lite live-output och tog fem minuter på scen.

Och sedan… vann vi.

Det känns fortfarande lite overkligt.

Vi kom dit för att lära oss.
Vi byggde något vi själva tyckte var spännande.
Och tydligen räckte det hela vägen.

Article writer:
Dan Bergh Johnsson
VP Omegapoint Academy