Como a 7‑Eleven transformou o acesso ao conhecimento dos técnicos de manutenção com o Databricks Agent Bricks

Capacitando técnicos em todas as lojas

Os técnicos de manutenção da 7‑Eleven garantem o bom funcionamento das lojas realizando a manutenção de uma ampla gama de equipamentos — desde eletrodomésticos de serviço de alimentação e unidades de refrigeração até bombas de combustível e máquinas de Slurpee. Cada reparo depende do conhecimento do técnico e do acesso imediato a documentos de suporte, 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 múltiplos formatos, espalhados por vários locais. Isso torna mais difícil para os Técnicos localizarem as informações de que precisam rapidamente. Além disso, ao encontrar equipamentos, peças, etc. desconhecidos, os Técnicos geralmente recorriam a chat ou email para obter suporte de seus colegas.

Dessa forma, foi identificada uma oportunidade de otimizar como as informações são acessadas, compartilhadas etc., resultando em um suporte mais consistente para as operações da loja.

Construindo o Assistente de Manutenção do Técnico (TMA)

Para enfrentar esses desafios, a 7‑Eleven idealizou um assistente com tecnologia de IA que pudesse:

• Obtenha respostas precisas de documentos de manutenção.
• Identificar peças de equipamentos a partir de imagens e sugerir materiais relacionados.
• Integrar-se perfeitamente ao Microsoft Teams.

Em parceria com a Databricks, a 7-Eleven desenvolveu o Assistente de Manutenção do Técnico (TMA), uma solução inteligente que integra recuperação de documentos, modelos de visão e colaboração em um fluxo de trabalho otimizado.

Armazenamento e indexação de documentos

Todos os documentos de manutenção relevantes foram uploadados em um Unity Catalog Volume, que gerencia permissões para dados não tabulares, como texto e imagens, no armazenamento em cloud.

Usando o Vector Search da Databricks, a equipe de desenvolvimento implementou o Delta Sync com Computação de Embeddings. Eles geraram embeddings de vetor usando o modelo BAAI bge-large-en-v1.5 e os serviram por meio de um endpoint do Vector Search para recuperação de alta velocidade e baixa latência.

Integração com o Microsoft Teams

Os técnicos acessam o TMA diretamente pelo Microsoft Teams. Um bot do Teams encaminha cada query por uma camada de API que orquestra as chamadas para o Model Serving da Databricks. O assistente fornece respostas contextuais, encontra links de documentação correspondentes e sugere peças relevantes diretamente na janela de bate-papo.

Projeto de Agente de Roteamento e Subagente

Um Agente de Roteamento determina se a query de um técnico é baseada em documentos ou em imagens, direcionando-a para o subagente correto:

• Agente de Perguntas e Respostas de Documentos
  • Os técnicos podem usar queries em linguagem natural no Teams. Com o Claude 3.7 Sonnet por meio do Databricks Model Serving, o sistema converte essas consultas em vector embeddings, pesquisa no índice e retorna respostas com reconhecimento de contexto usando a Geração Aumentada por Recuperação (RAG). Os técnicos recebem respostas instantaneamente, mesmo de manuais longos ou guias de equipamentos.
• Agente de Identificação de Imagens
  • As primeiras versões usavam extração de texto direta via Claude 3.7 Sonnet, mas geraram resultados inconsistentes. Os engenheiros melhoraram o desempenho personalizando os prompts para os 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 Delta Table, vinculando referências visuais aos documentos corretos no índice de vetores. Esse refinamento resultou em um reconhecimento de peças mais preciso e confiável.

Registro de logs e analítica

Para manter a transparência e a governança de dados, todas as interações — roteamento, queries e solicitações de imagem — são registradas no Amazon DynamoDB. Um Job diário do Databricks extrai esses logs, armazena-os em tabelas Delta e alimenta um Dashboard de AI/BI dedicado.

O dashboard oferece à 7‑Eleven visibilidade sobre:

• Volume de query Diário/Semanal/Mensal (veja abaixo) por técnico.
• Equipamento pesquisado ou com serviço com mais frequência.
• Tendências de resolução e latência do chatbot.
• Correlação entre a adoção do TMA e a melhoria das taxas de correção na primeira tentativa.

Migração da AWS para a Databricks

A primeira prova de conceito utilizou componentes da AWS, incluindo SageMaker, FAISS e Bedrock, para hospedar modelos de linguagem grandes, como Claude 3.7 Sonnet e Llama 3.1 405B. Embora funcional, essa configuração exigia reindexação manual, vários serviços separados 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 mais rápidos.

Principais melhorias:

• Indexação de vetores automatizada com o Databricks Vector Search.
• Governança de dados e gerenciamento de compute unificados.
• Menor latência e observabilidade simplificada através de uma arquitetura de lakehouse única.

Entregando impacto operacional

“Pelo que vivenciei até agora, o Assistente de Manutenção do Técnico tem o potencial de melhorar muito a velocidade, a precisão e a consistência com que nossos técnicos acessam a documentação crítica para manutenção preventiva e reparo de equipamentos”, disse James David Coterel, Treinador Corporativo de Manutenção da 7‑Eleven.

Ao otimizar a recuperação de documentos e reduzir a dependência do suporte de colegas, o TMA aumenta a confiança dos técnicos, melhora as taxas de correção na primeira tentativa e reduz o tempo de busca de minutos ou até horas para segundos, diminuindo diretamente o tempo de inatividade e acelerando a prontidão da loja.

Em paralelo, a mudança da recuperação, dos embeddings e da inferência da AWS para a Databricks eliminou a manutenção do FAISS e a carga do EC2, reduzindo a sobrecarga de infraestrutura e melhorando a latência, o que resultou em economias operacionais mensuráveis e uma experiência do cliente mais consistente.

Embora o impacto financeiro exato ainda esteja sendo medido, a combinação de uma resolução mais rápida no primeiro contato, menos escalonamentos manuais e uma sobrecarga de infraestrutura menor gera uma clara redução de custos em horas de trabalho e tempo de inatividade não planejado do equipamento, ambos os quais se correlacionam fortemente com a proteção da receita da loja e a estabilidade da experiência do cliente.

Melhorias futuras

A 7‑Eleven planeja expandir as capacidades do TMA por meio de:

• Guias de manutenção em vídeo para aprendizagem visual e prática.
• Suporte multilíngue para equipes de manutenção globais.
• Loops de feedback orientados por dados para aprimorar continuamente a acurácia e a relevância da resposta.

Descubra como a Databricks permite que empresas como a 7-Eleven criem assistentes inteligentes que integram dados, documentos e modelos de visão em uma única plataforma.

Explore as soluções da Databricks AI

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original