Wie 7-Eleven den Wissenszugriff für Wartungstechniker mit Databricks Agent Bricks transformierte

Unterstützung für Techniker in jeder Filiale

Die Wartungstechniker von 7-Eleven sorgen für den reibungslosen Betrieb der Filialen, indem sie eine breite Palette von Geräten warten – von Gastronomiegeräten und Kühlanlagen bis hin zu Zapfsäulen und Slurpee-Maschinen. Jede Reparatur basiert auf dem Wissen des Technikers und dem sofortigen Zugriff auf unterstützende Dokumente wie Servicehandbücher, Schaltpläne und annotierte Bilder.

Schaffung einer einheitlichen und schnelleren Möglichkeit für Techniker, Geräteinformationen zu finden

Im Laufe der Zeit hat sich die Dokumentation der Geräte weiterentwickelt und umfasst heute mehrere Formate, die über verschiedene Standorte verteilt sind. Dies erschwert es den Technikern, die benötigten Informationen schnell zu finden. Wenn Techniker auf unbekannte Geräte, Teile usw. stießen, waren sie außerdem oft auf Chat oder E-Mail angewiesen, um Unterstützung von ihren Kollegen zu erhalten.

Daher wurde eine Möglichkeit identifiziert, den Zugriff auf und die gemeinsame Nutzung von Informationen usw. zu optimieren, was letztendlich zu einer einheitlicheren Unterstützung des Betriebs führte.

Aufbau des Technician’s Maintenance Assistant (TMA)

Um diese Herausforderungen zu bewältigen, stellte sich 7‑Eleven einen KI-gestützten Assistenten vor, der:

• Rufen Sie präzise Antworten aus Wartungsdokumenten ab.
• Identifizieren Sie Geräteteile anhand von Bildern und schlagen Sie zugehörige Materialien vor.
• Nahtlose Integration in Microsoft Teams.

In Zusammenarbeit mit Databricks hat 7-Eleven den Technician’s Maintenance Assistant (TMA) entwickelt, eine intelligente Lösung, die Dokumentenabruf, Bilderkennungsmodelle und Zusammenarbeit in einen optimierten Workflow integriert.

Dokumentenspeicherung und -indizierung

Alle relevanten Wartungsdokumente wurden in ein Unity Catalog Volume hochgeladen, das Berechtigungen für nicht tabellarische Daten wie Text und Bilder über Cloud-Speicher hinweg verwaltet.

Mithilfe von Databricks Vector Search implementierte das Entwicklungsteam Delta Sync mit Embeddings Compute. Sie generierten Vektor-Embeddings mit dem BAAI bge-large-en-v1.5-Modell und stellten sie über einen Vector-Search-Endpunkt für einen schnellen Abruf mit geringer Latenz bereit.

Microsoft Teams-Integration

Techniker greifen direkt über Microsoft Teams auf TMA zu. Ein Teams-Bot leitet jede Abfrage über eine API-Schicht weiter, die Aufrufe an Databricks Model Serving orchestriert. Der Assistent liefert kontextbezogene Antworten, findet passende Dokumentationslinks und schlägt relevante Teile direkt im Chatfenster vor.

Routing-Agent- und Sub-Agent-Design

Ein Routing-Agent stellt fest, ob die Abfrage eines Technikers dokumenten- oder bildbasiert ist, und leitet sie an den richtigen Sub-Agenten weiter:

• Agent für Fragen und Antworten zu Dokumenten
  • Techniker können Abfragen in natürlicher Sprache in Teams verwenden. Mit Claude 3.7 Sonnet über Databricks Model Serving wandelt das System diese Abfragen in Vektoreinbettungen um, durchsucht den Index und gibt mithilfe von Retrieval-Augmented Generation (RAG) kontextbezogene Antworten zurück. Techniker erhalten sofort Antworten, sogar aus langen Handbüchern oder Geräteleitfäden.
• Agent für Bildidentifikation
  • Frühere Versionen verwendeten eine einfache Textextraktion über Claude 3.7 Sonnet, lieferten aber uneinheitliche Ergebnisse. Die Ingenieure steigerten die Performance, indem sie die Prompts auf die Arbeitsabläufe der Techniker zuschnitten – einschließlich Produktnummern, Herstellerangaben, Spezifikationen, Sicherheitswarnungen und Zertifizierungsdaten.
  • Die Daten extrahieren werden direkt auf die Felder der Delta Table abgebildet, wodurch visuelle Referenzen mit den korrekten Dokumenten im Vektorindex verknüpft werden. Diese Verfeinerung führte zu einer genaueren und zuverlässigeren Teilerkennung.

Protokollierung und Analytics

Um Transparenz und Data Governance zu gewährleisten, werden alle Interaktionen – Routing, Abfragen und Bildanfragen – in Amazon DynamoDB protokolliert. Ein täglicher Databricks-Job extrahiert diese Logs, speichert sie in Delta-Tabellen und versorgt ein dediziertes AI/BI-Dashboard mit Daten.

Das Dashboard bietet 7‑Eleven Einblick in:

• Tägliches/Wöchentliches/Monatliches (siehe unten) Abfragevolumen pro Techniker.
• Am häufigsten gesuchte oder gewartete Geräte.
• Chatbot-Auflösungstrends und Latenz.
• Korrelation zwischen der TMA-Einführung und verbesserten Erstbehebungsquoten.

Migration von AWS zu Databricks

Der erste Proof of Concept (PoC) nutzte AWS-Komponenten, darunter SageMaker, FAISS und Bedrock, um große Sprachmodelle wie Claude 3.7 Sonnet und Llama 3.1 405B zu hosten. Dieses Setup war zwar funktionsfähig, erforderte jedoch eine manuelle Neuindizierung, mehrere separate Dienste und führte zu Latenzzeiten.

Um seine Infrastruktur zu vereinfachen, migrierte 7-Eleven zu einer vollständigen End-to-End-Lösung mit Databricks Agent Bricks, was zu beschleunigten Antwortzeiten führte.

Wesentliche Verbesserungen:

• Automatisierte Vektorindizierung mit Databricks Vector Search.
• Einheitliche Data Governance und einheitliches Compute Management.
• Geringere Latenz und vereinfachte Observability durch eine einzige Lakehouse-Architektur.

Operative Auswirkungen erzielen

„Nach meinen bisherigen Erfahrungen hat der Wartungsassistent für Techniker das Potenzial, die Geschwindigkeit, Genauigkeit und Konsistenz, mit der unsere Techniker auf wichtige Unterlagen für die vorbeugende Wartung und die Reparatur von Geräten zugreifen, erheblich zu verbessern“, so James David Coterel, Corporate Maintenance Trainer bei 7‑Eleven.

Durch die Optimierung des Dokumentenabrufs und die Verringerung der Abhängigkeit von der Unterstützung durch Kollegen stärkt der TMA das Vertrauen der Techniker, verbessert die Erstlösungsquoten und verkürzt die Suchzeit von Minuten oder sogar Stunden auf Sekunden. Dies reduziert direkt die Ausfallzeiten und beschleunigt die Betriebsbereitschaft der Filialen.

Gleichzeitig hat die Verlagerung von Retrieval, Embeddings und Inferenz von AWS zu Databricks den Wartungsaufwand für FAISS und die EC2-Last eliminiert. Dies senkte den Infrastrukturaufwand, verbesserte die Latenz und führte zu messbaren betrieblichen Einsparungen und einem konsistenteren Kundenerlebnis.

Während die genauen finanziellen Auswirkungen noch gemessen werden, führt die Kombination aus schnellerer Erstlösung, weniger manuellen Eskalationen und geringerem Infrastrukturaufwand zu klaren Kosteneinsparungen bei Arbeitsstunden und ungeplanten Geräteausfallzeiten, was beides stark mit dem Schutz der Filialumsätze und der Stabilität des Kundenerlebnisses korreliert.

Zukünftige Erweiterungen

7‑Eleven plant, die Funktionen von TMA zu erweitern durch:

• Videobasierte Wartungsleitfäden für visuelles und praktisches Lernen.
• Mehrsprachige Unterstützung für globale Wartungsteams.
• Datengesteuerte Feedbackschleifen zur kontinuierlichen Verbesserung der Genauigkeit und Relevanz von Antworten.

Erfahren Sie, wie Databricks Unternehmen wie 7-Eleven ermöglicht, intelligente Assistenten zu entwickeln, die Daten, Dokumente und Bilderkennungsmodelle auf einer einzigen Plattform integrieren.

KI-Lösungen von Databricks entdecken

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag