セブン-イレブンが Databricks Agent Bricks で保守技術者のナレッジアクセスをいかに変革したか

すべての店舗の技術者を支援

セブン-イレブンの保守技術者は、フードサービス機器や冷凍冷蔵ユニットから、燃料ディスペンサー、スラーピーマシンに至るまで、幅広い機器の保守を行うことで、店舗の円滑な運営を維持しています。各修理は、技術者の知識と、サービスマニュアル、配線図、注釈付き画像などのサポート文書への迅速なアクセスに依存します。

技術者が機器情報をより迅速に見つけるための統一された方法の構築

時とともに、機器のドキュメントは複数のフォーマットを含むように進化し、さまざまな場所に分散するようになりました。このため、技術者は必要な情報を迅速に見つけることが難しくなっています。さらに、見慣れない機器や部品などに遭遇した場合、技術者は同僚からのサポートを得るためにチャットやEメールに頼ることがよくありました。

そのため、情報へのアクセスや共有などの方法を合理化する機会が見出され、最終的には店舗運営に対するより一貫したサポートにつながりました。

Technician’s Maintenance Assistant (TMA) の構築

これらの課題に取り組むため、セブン-イレブンは次のような機能を備えた AI 活用のアシスタントを構想しました。

• メンテナンスドキュメントから正確な回答を取得します。
• 画像から機器の部品を特定し、関連資料を提案します。
• Microsoft Teams にシームレスに統合します。

Databricksとの提携により、セブン-イレブンは、ドキュメント検索、画像認識モデル、コラボレーションを合理化されたワークフローに統合するインテリジェントなソリューションである、技術者向けメンテナンスアシスタント（TMA）を開発しました。

ドキュメントの保管とインデックス作成

関連するすべてのメンテナンス ドキュメントが Unity Catalog Volume にアップロードされました。これは、クラウド ストレージ全体でテキストや画像などの非表形式データの権限を管理します。

Databricks ベクトル検索 を使用して、開発チームは Embeddings コンピュート を用いた Delta Sync を実装しました。開発チームは BAAI bge-large-en-v1.5 モデルを使用してベクトル埋め込みを生成し、高速・低レイテンシの検索を実現するため、ベクトル検索 endpoint を通じて提供しました。

Microsoft Teams との統合

技術者はMicrosoft Teamsから直接TMAにアクセスします。Teams Bot は、各クエリーを API レイヤー経由でルーティングし、Databricks Model Serving への呼び出しをオーケストレーションします。アシスタントは、文脈に応じた回答を提供し、一致するドキュメントのリンクを示し、関連する部品をチャットウィンドウ内で直接提案します。

ルーティングエージェントとサブエージェントの設計

ルーティング エージェントが、技術者のクエリーがドキュメントベースか画像ベースかを判断し、適切なサブエージェントに転送します：

• ドキュメント QA エージェント
  • 技術者はTeams内で自然言語クエリーを使用できます。Databricks Model Serving経由のClaude 3.7 Sonnetを使用して、システムはこれらのクエリーをベクトル埋め込みに変換し、インデックスを検索し、検索拡張生成（RAG）を用いて文脈を考慮した回答を返します。技術者は、長いマニュアルや機器ガイドからでも即座に回答を受け取ることができます。
• 画像識別エージェント
  • 初期バージョンでは、Claude 3.7 Sonnetによる単純なテキスト抽出を使用していましたが、結果にばらつきがありました。エンジニアは、製品番号、メーカーの詳細、仕様、安全に関する警告、認定日などを網羅するように、技術者のワークフローに合わせてプロンプトを調整することで、パフォーマンスを向上させました。
  • 抽出されたデータは Delta Table のフィールドに直接マッピングされ、視覚的な参照をベクトルインデックス内の正しいドキュメントにリンクします。この改良により、より正確で信頼性の高い部品認識が実現しました。

ロギングとアナリティクス

透明性とデータガバナンスを維持するため、ルーティング、クエリー、画像リクエストといったすべてのやり取りは Amazon DynamoDB に記録されます。毎日実行される Databricks ジョブ がこれらのログを抽出し、Delta テーブルに保存して、専用の AI/BI Dashboard の基盤となります。

このダッシュボードにより、セブン-イレブンは以下を可視化できます。

• 技術者ごとの日次/週次/月次（下記参照）のクエリー量。
• 最も頻繁に検索またはサービスされた機器。
• チャットボットの解決傾向とレイテンシ。
• TMAの導入と初回修理完了率の向上との相関関係。

AWSからDatabricksへの移行

最初の概念実証では、Claude 3.7 SonnetやLlama 3.1 405Bなどの大規模言語モデルをホストするために、SageMaker、FAISS、BedrockといったAWSコンポーネントが利用されました。このセットアップは機能したものの、手動での再インデックス作成や複数の分離したサービスが必要で、遅延も発生しました。

インフラストラクチャを簡素化するため、セブン-イレブンはエンドツーエンドの完全な Databricks Agent Bricks ソリューションに移行し、その結果、応答時間が短縮されました。

主な改善点:

• Databricks Vector Search によるベクトル検索の自動化
• 統合されたデータガバナンスとコンピュート管理。
• 単一のレイクハウスアーキテクチャによる低レイテンシと簡素化された可観測性。

運用インパクトの実現

「これまでの経験から、Technician’s Maintenance Assistant には、技術者が予防メンテナンスや機器の修理のために重要なドキュメントにアクセスする際の速度、正確性、一貫性を大幅に向上させる可能性があると感じています」と、セブン-イレブンのコーポレート メンテナンス トレーナー、James David Coterel 氏は述べています。

ドキュメント検索を合理化し、同僚へのサポート依存を減らすことで、TMAは技術者の自信を高め、初回修理完了率を向上させ、検索時間を数分あるいは数時間から数秒に短縮します。これにより、ダウンタイムが直接削減され、店舗の準備態勢が加速します。

同時に、検索、埋め込み、推論を AWS から Databricks に移行したことで FAISS のメンテナンスと EC2 の負荷が不要になり、インフラストラクチャのオーバーヘッド削減とレイテンシの向上が実現しました。これは、測定可能な運用コストの削減と、より一貫した顧客体験につながりました。

正確な金額的効果はまだ測定中ですが、初回解決率の向上、手動エスカレーションの減少、インフラのオーバーヘッド削減の組み合わせにより、人件費や計画外の機器ダウンタイムに関する明確なコスト回避が実現しています。これらはいずれも、店舗収益の保護と顧客体験の安定性に強く相関しています。

今後の機能強化

セブン-イレブンは、以下の方法で TMA の機能を拡張する予定です。

• 視覚的で実践的な学習のための、ビデオベースの保守ガイド。
• グローバルな保守チーム向けの多言語サポート。
• データ主導のフィードバックループで、回答の正確性と関連性を継続的に改善。

Databricksが、セブン-イレブンのような企業が単一のプラットフォーム上でデータ、ドキュメント、画像認識モデルを統合したインテリジェントアシスタントを構築するのをどのように支援しているかをご覧ください。

Databricks AI ソリューションを詳しく見る