Comment 7‑Eleven a transformé l'accès aux connaissances des techniciens de maintenance avec Databricks Agent Bricks

Autonomiser les techniciens dans chaque magasin

Les techniciens de maintenance de 7‑Eleven assurent le bon fonctionnement des magasins en entretenant une large gamme d'équipements — des appareils de restauration et des unités de réfrigération aux distributeurs de carburant et aux machines Slurpee. Chaque réparation dépend des connaissances du technicien et de son accès immédiat aux documents d'assistance, tels que les manuels d'entretien, les schémas de câblage et les images annotées.

Création d'un moyen unifié et plus rapide pour les techniciens de trouver des informations sur les équipements

Au fil du temps, la documentation sur les équipements a évolué pour inclure de multiples formats, répartis à divers emplacements. Cela rend plus difficile pour les techniciens de trouver rapidement les informations dont ils ont besoin. De plus, lorsqu'ils sont confrontés à des équipements, des pièces, etc. inconnus, les techniciens comptaient souvent sur le chat ou l'e-mail pour obtenir de l'aide de leurs pairs.

Ainsi, une opportunité de rationaliser la manière dont les informations sont consultées, partagées, etc. a été identifiée, ce qui a finalement permis d'offrir un support plus cohérent pour les opérations en magasin.

Développement de l'Assistant de Maintenance pour Technicien (TMA)

Pour relever ces défis, 7‑Eleven a imaginé un assistant basé sur l'IA capable de :

• Récupérer des réponses précises à partir des documents de maintenance.
• Identifier les pièces d'équipement à partir d'images et suggérer des documents connexes.
• S'intégrer de manière transparente dans Microsoft Teams.

En partenariat avec Databricks, 7-Eleven a développé l'Assistant de maintenance pour les techniciens (TMA), une solution intelligente qui intègre la récupération de documents, des modèles de vision et la collaboration dans un flux de travail rationalisé.

Stockage et indexation des documents

Tous les documents de maintenance pertinents ont été uploadés sur un volume Unity Catalog, qui gère les autorisations pour les données non tabulaires, telles que le texte et les images, sur le stockage cloud.

En utilisant Vector Search de Databricks, l'équipe de développement a mis en œuvre Delta Sync avec Embeddings Compute. Ils ont généré des intégrations vectorielles en utilisant le modèle BAAI bge-large-en-v1.5 et les ont servies via un endpoint Vector Search pour une récupération à haute vitesse et à faible latence.

Intégration avec Microsoft Teams

Les techniciens accèdent directement au TMA via Microsoft Teams. Un bot Teams achemine chaque query via une couche d'API qui orchestre les appels vers le Model Serving de Databricks. L'assistant fournit des réponses contextuelles, fait correspondre les liens de la documentation et suggère des pièces pertinentes directement dans la fenêtre de discussion.

Conception de l'agent de routage et du sous-agent

Un agent de routage détermine si la query d'un technicien est basée sur un document ou sur une image, en la dirigeant vers le sous-agent approprié :

• Agent de questions-réponses sur les documents
  • Les techniciens peuvent utiliser des requêtes en langage naturel dans Teams. Avec Claude 3.7 Sonnet via Databricks Model Serving, le système convertit ces requêtes en plongements vectoriels, effectue une recherche dans l'index et renvoie des réponses contextuelles en utilisant la génération augmentée par récupération (RAG). Les techniciens reçoivent des réponses instantanément, même à partir de longs manuels ou guides d'équipement.
• Agent d'identification d'images
  • Les premières versions utilisaient une extraction de texte simple via Claude 3.7 Sonnet mais donnaient des résultats inégaux. Les ingénieurs ont amélioré les performances en adaptant les prompts aux workflows des techniciens — couvrant les numéros de produit, les détails du fabricant, les spécifications, les avertissements de sécurité et les dates de certification.
  • Les données extraites sont directement mappées aux champs de la table Delta, reliant les références visuelles aux documents appropriés dans l'index vectoriel. Cette amélioration a permis d'obtenir une reconnaissance des pièces plus précise et plus fiable.

Journalisation et analytiques

Pour garantir la transparence et la gouvernance des données, toutes les interactions (routage, queries et demandes d'images) sont enregistrées dans Amazon DynamoDB. Un job Databricks quotidien extrait ces logs, les stocke dans des tables Delta et alimente un tableau de bord IA/BI dédié.

Le tableau de bord donne à 7‑Eleven une visibilité sur :

• Volume de query quotidien/hebdomadaire/mensuel (voir ci-dessous) par technicien.
• Équipements les plus fréquemment recherchés ou entretenus.
• Tendances de résolution du chatbot et latence.
• Corrélation entre l'adoption du TMA et l'amélioration des taux de réparation du premier coup.

Migration d'AWS vers Databricks

La première preuve de concept utilisait des composants AWS, notamment SageMaker, FAISS et Bedrock, pour héberger de grands modèles de langage tels que Claude 3.7 Sonnet et Llama 3.1 405B. Bien que fonctionnelle, cette configuration nécessitait une réindexation manuelle, plusieurs services distincts et introduisait de la latence.

Pour simplifier son infrastructure, 7-Eleven a migré vers une solution entièrement Databricks Agent Bricks, de bout en bout, ce qui a permis d'accélérer les temps de réponse.

Améliorations clés :

• Indexation vectorielle automatisée avec Databricks Vector Search.
• Gouvernance des données et gestion du compute unifiées.
• Latence plus faible et observabilité simplifiée grâce à une seule architecture lakehouse.

Générer un impact opérationnel

« D'après mon expérience jusqu'à présent, l'Assistant de maintenance pour techniciens a le potentiel d'améliorer considérablement la vitesse, la précision et la cohérence avec lesquelles nos techniciens accèdent à la documentation essentielle pour la maintenance préventive et la réparation des équipements », a déclaré James David Coterel, formateur en maintenance d'entreprise chez 7‑Eleven.

En rationalisant la récupération des documents et en réduisant la dépendance à l'égard de l'assistance des pairs, le TMA renforce la confiance des techniciens, améliore les taux de réparation au premier passage et réduit le temps de recherche de quelques minutes, voire heures, à quelques secondes ; réduisant ainsi directement les temps d'arrêt et accélérant la disponibilité des magasins.

En parallèle, le transfert de la récupération, des plongements et de l'inférence d'AWS vers Databricks a éliminé la maintenance de FAISS et la charge EC2, réduisant les frais généraux d'infrastructure et améliorant la latence, ce qui s'est traduit par des économies opérationnelles mesurables et une expérience client plus cohérente.

Bien que l'impact financier exact soit encore en cours de mesure, la combinaison d'une résolution plus rapide dès la première intervention, de moins d'escalades manuelles et de frais généraux d'infrastructure réduits génère une nette réduction des coûts en termes d'heures de travail et d'interruptions de service imprévues des équipements, deux facteurs qui sont en forte corrélation avec la protection des revenus du magasin et la stabilité de l'expérience client.

Améliorations futures

7‑Eleven prévoit d'étendre les capacités du TMA par :

• Guides de maintenance vidéo pour un apprentissage visuel et pratique.
• Prise en charge multilingue pour les équipes de maintenance mondiales.
• Boucles de rétroaction basées sur les données pour affiner en continu la précision et la pertinence des réponses.

Découvrez comment Databricks permet aux entreprises comme 7-Eleven de créer des assistants intelligents qui intègrent des données, des documents et des modèles de vision sur une plateforme unique.

Découvrez les solutions d'IA de Databricks

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original