Empoderar a los técnicos en todas las tiendas
Los técnicos de mantenimiento de 7-Eleven mantienen las tiendas funcionando sin problemas al dar servicio a una amplia escala de equipos, desde electrodomésticos para el servicio de alimentos y unidades de refrigeración hasta dispensadores de combustible y máquinas de Slurpee. Cada reparación depende del conocimiento del técnico y del comunicación inmediato a documentos de respaldo, como manuales de servicio, diagramas de cableado e imágenes comentadas.
Creando una forma unificada y más rápida para que los técnicos encuentren información sobre equipos
Con el tiempo, la documentación del equipo ha evolucionado para incluir múltiples formatos, distribuidos en varias ubicaciones. Esto dificulta que los técnicos localicen rápidamente la información que necesitan. Por otra parte, cuando se encuentran con equipos, piezas, etc. desconocidos, los técnicos suelen apelar al chat o al correo electrónico para obtener ayuda de sus compañeros.
Como tal, se identificó una oportunidad para acelerar la forma en que se accede a la información, se comparte, etc.; en última instancia, lo que resulta en un soporte más consistente para las operaciones de la tienda.
Construyendo el Asistente de Mantenimiento del Técnico (TMA)
Para afrontar estos desafíos, 7‑Eleven imaginó un asistente impulsado por IA que podría:
- Obtenga respuestas precisas de los documentos de mantenimiento.
- Identificar piezas de equipos a partir de imágenes y sugerir materiales relacionados.
- Integre perfectamente adentro de Microsoft Teams.
En asociación con Databricks, 7-Eleven desarrolló el Asistente de mantenimiento del técnico (TMA), una opción inteligente que integra la recuperación de documentos, modelos de visión y colaboración en un flujo de trabajo optimizado.
Almacenamiento e indexación de documentos
Todos los documentos de mantenimiento relevantes se cargaron en un Convexidad del catálogo de Unityque gestiona permisos para datos no tabulares, como texto e imágenes, en el almacenamiento en la cúmulo.
Usando ladrillos de datos Búsqueda de vectoresel equipo de expansión implementó Delta Sync con Embeddings Compute. Generaron incrustaciones de vectores usando el Maniquí BAAI bge-large-en-v1.5y los entregó a través de un punto final de Vector Search para una recuperación de reincorporación velocidad y desprecio latencia.
Integración de equipos de Microsoft
Los técnicos acceden a TMA directamente a través de Microsoft Teams. Un Teams Bot enruta cada consulta a través de una capa API que organiza llamadas a Databricks Servicio maniquí. El asistente proporciona respuestas contextuales, relaciona enlaces de documentación y sugiere partes relevantes directamente en la ventana de chat.
Diseño de agente de enrutamiento y subagente
Un agente de ruta determina si la consulta de un técnico está basada en documentos o en imágenes, dirigiéndola al subagente correcto:
- Agente de preguntas y respuestas de documentos
- Los técnicos pueden utilizar consultas en idioma natural adentro de Teams. Con Claude 3.7 Sonnet a través de Databricks Model Serving, el sistema convierte estas consultas en incrustaciones de vectores, búsqueda en el índice y devuelve respuestas contextuales mediante recuperación aumentada (RAG). Los técnicos reciben respuestas al instante, incluso de manuales o guías de equipos extensos.
- Agente de identificación de imagen
- Las primeras versiones utilizaban procedencia de texto sencilla mediante Claude 3.7 Sonnet, pero arrojaban resultados desiguales. Los ingenieros mejoraron el rendimiento adaptando las indicaciones a los flujos de trabajo de los técnicos, cubriendo números de productos, detalles del fabricante, especificaciones, advertencias de seguridad y fechas de certificación.
- Los datos extraídos se asignan directamente a los campos de la tabla Delta, vinculando referencias visuales a los documentos correctos en el índice vectorial. Este refinamiento produjo un agradecimiento de piezas más preciso y confiable.
Registro y prospección
Para permanecer la transparencia y la papeleo de datos, todas las interacciones (enrutamiento, consultas y solicitudes de imágenes) se registran AmazonDynamoDB. Un trabajo diario de Databricks extrae estos registros, los almacena en tablas Delta y alimenta un servidor dedicado. Panel de control de IA/BI.
El tablero le brinda a 7‑Eleven visibilidad sobre:
- Convexidad de consultas diarias/semanales/mensuales (ver más debajo) por técnico.
- Equipos buscados o reparados con decano frecuencia.
- Tendencias de resolución y latencia del chatbot.
- Correlación entre la prohijamiento de TMA y las tasas mejoradas de reparación a la primera.
Migración de AWS a Databricks
La primera prueba de concepto utilizó componentes de AWS, incluidos SageMaker, FAISS y Bedrock, para encajar modelos de idioma grandes como Claude 3.7 Sonnet y Fuego 3.1 405B. Si perfectamente era sencillo, esta configuración requirió reindexación manual, varios servicios independientes e introdujo latencia.
Para simplificar su infraestructura, 7-Eleven migró a una opción Agent Bricks totalmente de Databricks, de extremo a extremo, lo que resultó en tiempos de respuesta acelerados.
Mejoras secreto:
- Indexación de vectores automatizada con Databricks Vector Search.
- Gobernanza de datos unificada y papeleo informática.
- Último latencia y observabilidad simplificada a través de una única cimentación de casa en el estanque.
Obtener impacto activo
«Por lo que he experimentado hasta ahora, el asistente de mantenimiento del técnico tiene el potencial de mejorar en gran medida la velocidad, precisión y coherencia con la que nuestros técnicos acceden a documentación crítica para el mantenimiento preventivo y la reparación de equipos», afirmó James David Coterel, formador de mantenimiento corporativo de 7-Eleven.
Al acelerar la recuperación de documentos y acortar la dependencia del soporte de pares, TMA progreso la confianza de los técnicos, progreso las tasas de reparación a la primera y reduce el tiempo de búsqueda de minutos o incluso horas a segundos; reduciendo directamente el tiempo de inactividad y acelerando la preparación de la tienda.
Paralelamente, trasladar la recuperación, las incorporaciones y la inferencia de AWS a Databricks eliminó el mantenimiento de FAISS y la carga de EC2, lo que redujo los gastos generales de la infraestructura y mejoró la latencia, lo que se tradujo en ahorros operativos mensurables y una experiencia del cliente más consistente.
Si perfectamente aún se está midiendo el impacto exacto en dólares, la combinación de una resolución más rápida a la primera, menos escalamientos manuales y menores gastos generales de infraestructura crean una clara evitación de costos en horas de mano de obra y tiempos de inactividad no planificados de los equipos, los cuales se correlacionan fuertemente con la protección de los ingresos de la tienda y la estabilidad de la experiencia del cliente.
Mejoras futuras
7‑Eleven planea ampliar las capacidades de TMA a través de:
- Guías de mantenimiento basadas en videos para un formación visual y práctico.
- Soporte multilingüe para equipos de mantenimiento globales.
- Ciclos de feedback basados en datos para perfeccionar continuamente la precisión y relevancia de la respuesta.
Descubra cómo Databricks permite a empresas como 7-Eleven crear asistentes inteligentes que integran datos, documentos y modelos de visión en una única plataforma.