Capacitando técnicos em todas as lojas
Os técnicos de manutenção da 7‑Eleven mantêm as lojas funcionando perfeitamente, prestando serviços de manutenção a uma ampla variedade de equipamentos — desde aparelhos de serviços de alimentação e unidades de refrigeração até distribuidores de combustível e máquinas Slurpee. Cada reparo depende do conhecimento do técnico e do acesso imediato a documentos de apoio, como manuais de serviço, diagramas de fiação e imagens anotadas.
Criando uma maneira unificada e mais rápida para os técnicos encontrarem informações sobre equipamentos
Com o tempo, a documentação dos equipamentos evoluiu para incluir vários formatos, espalhados por vários locais. Isso torna mais difícil para os técnicos localizar rapidamente as informações de que precisam. Além disso, ao encontrar equipamentos, peças, and many others. desconhecidos, os técnicos muitas vezes dependiam de chat ou e-mail para obter suporte de seus colegas.
Como tal, foi identificada uma oportunidade para agilizar a forma como a informação é acedida, partilhada, and many others.; resultando em um suporte mais consistente para as operações da loja.
Construindo o Assistente Técnico de Manutenção (TMA)
Para enfrentar esses desafios, a 7‑Eleven imaginou um assistente com tecnologia de IA que pudesse:
- Obtenha respostas precisas de documentos de manutenção.
- Identifique peças de equipamentos a partir de imagens e sugira materiais relacionados.
- Integre-se perfeitamente ao Microsoft Groups.
Em parceria com a Databricks, a 7-Eleven desenvolveu o Technician’s Upkeep Assistant (TMA), uma solução inteligente que integra recuperação de documentos, modelos de visão e colaboração em um fluxo de trabalho simplificado.
Armazenamento e Indexação de Documentos
Todos os documentos de manutenção relevantes foram carregados em um Quantity do catálogo do Unityque gerencia permissões para dados não tabulares, como texto e imagens, no armazenamento em nuvem.
Usando blocos de dados Pesquisa vetoriala equipe de desenvolvimento implementou o Delta Sync com Embeddings Compute. Eles geraram incorporações vetoriais usando o Modelo BAAI bge-large-en-v1.5e os atendeu por meio de um endpoint do Vector Search para recuperação de alta velocidade e baixa latência.
Integração com equipes Microsoft
Os técnicos acessam o TMA diretamente pelo Microsoft Groups. Um bot do Groups roteia cada consulta por meio de uma camada de API que orquestra chamadas para Databricks Exibição de modelo. O assistente fornece respostas contextuais, combina hyperlinks de documentação e sugere partes relevantes diretamente na janela de chat.
Design de agente de roteamento e subagente
Um Agente de Roteamento determina se a consulta de um técnico é baseada em documento ou imagem, direcionando-a ao subagente correto:
- Agente de perguntas e respostas de documentos
- Os técnicos podem usar consultas em linguagem pure no Groups. Com o Claude 3.7 Sonnet through Databricks Mannequin Serving, o sistema converte essas consultas em incorporações de vetores, pesquisa o índice e retorna respostas com reconhecimento de contexto usando a Geração Aumentada de Recuperação (RAG). Os técnicos recebem respostas instantaneamente, mesmo a partir de longos manuais ou guias de equipamentos.
- Agente de identificação de imagem
- As primeiras versões usavam extração direta de texto por meio do Soneto Claude 3.7, mas produziam resultados irregulares. Os engenheiros melhoraram o desempenho adaptando avisos aos fluxos de trabalho dos técnicos — abrangendo números de produtos, detalhes do fabricante, especificações, avisos de segurança e datas de certificação.
- Os dados extraídos são mapeados diretamente para os campos da Tabela Delta, vinculando referências visuais aos documentos corretos no índice vetorial. Esse refinamento produziu um reconhecimento de peças mais preciso e confiável.
Registro e análise
Para manter a transparência e a governança de dados, todas as interações – roteamento, consultas e solicitações de imagens – são registradas Amazon DynamoDB. Um trabalho diário do Databricks extrai esses logs, armazena-os em tabelas Delta e alimenta um servidor dedicado Painel de IA/BI.
O painel dá à 7‑Eleven visibilidade sobre:
- Quantity de consultas diárias/semanais/mensais (veja abaixo) por técnico.
- Equipamento pesquisado ou reparado com mais frequência.
- Tendências e latência de resolução do chatbot.
- Correlação entre a adoção do TMA e melhores taxas de correção na primeira tentativa.
Migração de AWS para Databricks
A primeira prova de conceito utilizou componentes AWS, incluindo SageMaker, FAISS e Bedrock, para hospedar grandes modelos de linguagem, como Claude 3.7 Sonnet e Llama 3.1 405B. Embora funcional, essa configuração exigia reindexação guide, vários serviços desanexados e introduzia latência.
Para simplificar sua infraestrutura, a 7-Eleven migrou para uma solução totalmente Databricks Agent Bricks, de ponta a ponta, o que resultou em tempos de resposta acelerados.
Principais melhorias:
- Indexação vetorial automatizada com Databricks Vector Search.
- Governança unificada de dados e gerenciamento de computação.
- Menor latência e observabilidade simplificada por meio de uma arquitetura única de lago.
Proporcionando Impacto Operacional
“Pelo que experimentei até agora, o Assistente de Manutenção Técnica tem o potencial de melhorar significativamente a velocidade, precisão e consistência com que nossos técnicos acessam documentação crítica para manutenção preventiva e reparo de equipamentos”, disse James David Coterel, Instrutor de Manutenção Corporativa da 7‑Eleven.
Ao simplificar a recuperação de documentos e reduzir a dependência do suporte de pares, o TMA aumenta a confiança dos técnicos, melhora as taxas de correção na primeira vez e reduz o tempo de pesquisa de minutos ou mesmo horas para segundos; reduzindo diretamente o tempo de inatividade e acelerando a preparação da loja.
Paralelamente, a mudança de recuperação, incorporação e inferência da AWS para o Databricks eliminou a manutenção do FAISS e a carga do EC2, reduzindo a sobrecarga da infraestrutura e melhorando a latência, o que resultou em economias operacionais mensuráveis e em uma experiência do cliente mais consistente.
Embora o impacto exato do dólar ainda esteja sendo medido, a combinação de uma resolução inicial mais rápida, menos escalonamentos manuais e menores despesas gerais de infraestrutura cria uma clara redução de custos em horas de trabalho e tempo de inatividade não planejado de equipamentos, ambos fortemente correlacionados com a proteção da receita da loja e a estabilidade da experiência do cliente.
Melhorias Futuras
A 7‑Eleven planeja expandir as capacidades da TMA através de:
- Guias de manutenção baseados em vídeo para aprendizado visible e prático.
- Suporte multilíngue para equipes de manutenção globais.
- Ciclos de suggestions orientados por dados para refinar continuamente a precisão e a relevância das respostas.
Descubra como o Databricks permite que empresas como a 7-Eleven criem assistentes inteligentes que integram dados, documentos e modelos de visão em uma única plataforma.