Kubernetes alapú referencia architektúra gyártási MI ügynökök skálázható telepítéséhez: Hierarchikus keretrendszer peremhálózati-adatközponti együttműködéssel a Model Context Protocol alkalmazásával

A Kubernetes-Native Reference Architecture for Sovereign Edge AI in Manufacturing: Hierarchical Agents with Continuous Human-in-the-Loop Learning via the Model Context Protocol

Abstract

Our earlier work achieved a 32.4% throughput improvement using Model Context Protocol (MCP) based digital twins with edge artificial intelligence (AI) in ready-mix concrete scheduling. Building on that, we present a Kubernetes-native reference architecture addressing three limitations: (1) lack of experiment reproducibility, (2) absence of hierarchical edge-to-datacenter reasoning, and (3) no continuous learning from operator feedback. The framework deploys as pre-configured templates. A lightweight sovereign edge model (Gemma3:4B) handles real-time scheduling, escalating only complex states via MCP to a datacenter-tier expert (70B+). A human-in-the-loop pipeline lets the edge agent adapt through Retrieval-Augmented Generation (RAG) without retraining. On heterogeneous hardware, the architecture shows robust performance gains, cross-model escalation consistency, and measurable behavioral adaptation, aligned with Industry 5.0 and sovereign AI.

Kivonat 

Korábbi munkánkban 32.4%-os teljesítményjavulást értünk el Model Context Protocol (MCP) alapú digitális ikrekkel és peremhálózati mesterséges intelligenciával (MI) transzportbeton üzem ütemezésében. Erre építve Kubernetes natív referencia architektúrát mutatunk be, amely három korlátot kezel: (1) a kísérletek reprodukálhatóságának, (2) a hierarchikus peremhálózati és adatközponti következtetésnek, és (3) az operátori visszajelzésből való tanulásnak a hiányát. A keretrendszer előre konfigurált sablonokként telepíthető. Könnyű, helyben futó modell (Gemma3:4B) végzi a valós idejű ütemezést, és csak a komplex helyzeteket továbbítja MCP-n keresztül adatközponti szakértőhöz (70B+). Ember a hurokban visszajelzés és visszakereséssel bővített szöveggenerálás (RAG) teszi lehetővé az adaptációt újratanítás nélkül. Heterogén hardveren a rendszer robusztus teljesítményjavulást, modellek közötti eszkalációs konzisztenciát és mérhető adaptációt mutat, az Ipar 5.0 és a szuverén MI elveivel összhangban.