Cómo 7‑Eleven transformó el acceso al conocimiento de los técnicos de mantenimiento con Databricks Agent Bricks

Empoderando a los técnicos en cada tienda

Los técnicos de mantenimiento de 7-Eleven mantienen el buen funcionamiento de las tiendas prestando servicio a una amplia gama de equipos, desde electrodomésticos para el servicio de comidas y unidades de refrigeración hasta surtidores de combustible y máquinas de Slurpee. Cada reparación depende de los conocimientos del técnico y del acceso inmediato a los documentos de soporte, como manuales de servicio, diagramas de cableado e imágenes anotadas.

Creación de una forma unificada y más rápida para que los técnicos encuentren información sobre los equipos

Con el tiempo, la documentación de los equipos ha evolucionado para incluir múltiples formatos, distribuidos en varias ubicaciones. Esto dificulta a los técnicos localizar rápidamente la información que necesitan. Además, cuando se encontraban con equipos, piezas, etc. desconocidos, los técnicos solían recurrir al chat o al correo electrónico para obtener ayuda de sus compañeros.

Por ello, se identificó una oportunidad para optimizar la forma en que se accede a la información, se comparte, etc., lo que en última instancia se tradujo en un soporte más coherente para las operaciones de las tiendas.

Creación del Asistente de mantenimiento para técnicos (TMA)

Para abordar estos desafíos, 7‑Eleven ideó un asistente impulsado por IA que pudiera:

• Recuperar respuestas precisas de los documentos de mantenimiento.
• Identificar piezas de equipos a partir de imágenes y sugerir materiales relacionados.
• Integrarse sin problemas en Microsoft Teams.

En asociación con Databricks, 7-Eleven desarrolló el Asistente de mantenimiento para técnicos (TMA), una solución inteligente que integra la recuperación de documentos, los modelos de visión y la colaboración en un flujo de trabajo optimizado.

Almacenamiento e indexación de documentos

Todos los documentos de mantenimiento pertinentes se cargaron en un volumen de Unity Catalog, que gestiona los permisos para datos no tabulares, como texto e imágenes, en el almacenamiento en la nube.

Mediante Vector Search de Databricks, el equipo de desarrollo implementó Delta Sync con Embeddings Compute. Generaron embeddings vectoriales utilizando el modelo BAAI bge-large-en-v1.5 y los sirvieron a través de un endpoint de Vector Search para una recuperación de alta velocidad y baja latencia.

Integración con Microsoft Teams

Los técnicos acceden a TMA directamente a través de Microsoft Teams. Un bot de Teams dirige cada consulta a través de una capa de API que organiza las llamadas a Model Serving de Databricks. El asistente proporciona respuestas contextuales, encuentra enlaces a la documentación y sugiere piezas relevantes directamente en la ventana de chat.

Agente de enrutamiento y diseño de subagentes

Un agente de enrutamiento determina si la consulta de un técnico se basa en documentos o en imágenes y la dirige al subagente correcto:

• Agente de preguntas y respuestas sobre documentos
  • Los técnicos pueden utilizar consultas en lenguaje natural dentro de Teams. Con Claude 3.7 Sonnet a través de Databricks Model Serving, el sistema convierte estas consultas en embeddings vectoriales, busca en el índice y devuelve respuestas contextualizadas mediante la generación aumentada por recuperación (RAG). Los técnicos reciben respuestas al instante, incluso de manuales largos o guías de equipos.
• Agente de identificación de imágenes
  • Las primeras versiones utilizaban una extracción de texto directa a través de Claude 3.7 Sonnet, pero los resultados eran irregulares. Los ingenieros mejoraron el rendimiento al adaptar los prompts a los flujos de trabajo de los técnicos, abarcando números de producto, 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 las referencias visuales con los documentos correctos en el índice vectorial. Este refinamiento produjo un reconocimiento de piezas más preciso y fiable.

Registro y análisis

Para mantener la transparencia y la gobernanza de datos, todas las interacciones (enrutamiento, consultas y solicitudes de imágenes) se registran en Amazon DynamoDB. Un Job de Databricks diario extrae estos registros, los almacena en tablas Delta y alimenta un AI/BI Dashboard dedicado.

El dashboard le da a 7‑Eleven visibilidad sobre:

• Volumen de consultas diario/semanal/mensual (véase más abajo) por técnico.
• Equipo buscado o reparado con mayor frecuencia.
• Tendencias de resolución y latencia del chatbot.
• Correlación entre la adopción de TMA y la mejora de las tasas de reparación en el primer intento.

Migración de AWS a Databricks

La primera prueba de concepto utilizó componentes de AWS, incluidos SageMaker, FAISS y Bedrock, para alojar modelos de lenguaje grandes como Claude 3.7 Sonnet y Llama 3.1 405B. Aunque funcional, esta configuración requería una reindexación manual, varios servicios separados e introducía latencia.

Para simplificar su infraestructura, 7-Eleven migró a una solución completa de Databricks Agent Bricks, de extremo a extremo, lo que resultó en tiempos de respuesta más rápidos.

Mejoras clave:

• Indexación de vectores automatizada con Vector Search de Databricks.
• Gobernanza de datos unificada y gestión de la computación.
• Menor latencia y observabilidad simplificada a través de una única arquitectura de lakehouse.

Generación de impacto operativo

«Por lo que he experimentado hasta ahora, el Asistente de mantenimiento para técnicos tiene el potencial de mejorar en gran medida la velocidad, la precisión y la coherencia con la que nuestros técnicos acceden a la documentación crítica para el mantenimiento preventivo y la reparación de equipos», dijo James David Coterel, formador de mantenimiento corporativo de 7-Eleven.

Al optimizar la recuperación de documentos y reducir la dependencia del soporte de compañeros, el TMA mejora la confianza de los técnicos, aumenta las tasas de reparación al primer intento y reduce el tiempo de búsqueda de minutos o incluso horas a segundos, lo que disminuye directamente el tiempo de inactividad y acelera la preparación de la tienda.

Paralelamente, el traslado de la recuperación, los embeddings y la inferencia de AWS a Databricks eliminó el mantenimiento de FAISS y la carga de EC2, lo que redujo los gastos generales de infraestructura y mejoró la latencia, lo que se tradujo en ahorros operativos medibles y una experiencia del cliente más coherente.

Aunque el impacto económico exacto aún se está midiendo, la combinación de una resolución más rápida en el primer intento, menos escalaciones manuales y menores gastos generales de infraestructura crea una clara evasión de costes en horas de trabajo y tiempo de inactividad imprevisto de los equipos, ambos aspectos fuertemente correlacionados con la protección de los ingresos de la tienda y la estabilidad de la experiencia del cliente.

Futuras mejoras

7‑Eleven planea ampliar las capacidades del TMA a través de:

• Guías de mantenimiento en video para un aprendizaje visual y práctico.
• Soporte multilingüe para los equipos de mantenimiento globales.
• Ciclos de retroalimentación basados en datos para refinar continuamente la precisión y relevancia de las respuestas.

Descubra cómo Databricks permite a empresas como 7-Eleven crear asistentes inteligentes que integran datos, documentos y modelos de visión en una única plataforma.

Explore las soluciones de IA de Databricks

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original