Алгоритмы предсказывают потребность в наличных, учитывая дни выплат, праздники и местные события, а анализ датчиков помогает выявлять неисправности до того, как банкомат выйдет из строя
31 августа 2026, 00:07Искусственный интеллектDarth Sahara1
Американское деловое издание PYMNTS сообщило 28 августа, что банки начали применять ИИ для прогнозирования потребности в наличных в отдельных банкоматах и для раннего выявления неисправностей. Алгоритмы исследуют историю снятия наличных, дни зарплат, праздники и сезонные особенности региона, чтобы определить, сколько наличных требуется конкретному банкомату. Это позволяет избежать избытка наличности и одновременно снижает вероятность того, что деньги закончатся до следующей инкассации.
По оценкам Brink’s — международной компании, занимающейся перевозкой наличных и других ценных грузов, — лишь более точное прогнозирование может уменьшить общий объем наличных, необходимых для функционирования сети банкоматов, на 30–40%. Для банка избыточные средства в банкоматах означают деньги, которые нужно заранее размещать и защищать, а их нехватка — пустые банкоматы, недовольство клиентов и дополнительные вызовы для пополнения.
Для банков это трансформирует управление банкоматами из простой логистической задачи в систему локального прогнозирования: ИИ одновременно определяет, сколько денег требуется конкретному устройству, и следит за тем, чтобы оно не приближалось к техническому сбою. При этом качество результата зависит от точности исторических данных, информации о событиях и показаний датчиков.
ИИ также применяется для технического обслуживания. Система наблюдает за изменениями показаний датчиков внутри банкомата и может заранее выявить признаки неисправности, чтобы проблему устранили до поломки оборудования. Таким образом, обслуживание переходит от стадии ремонта уже сломанной техники к прогнозированию возможных неисправностей.
Еще один подход описала Reply — международная IT-компания, предоставляющая услуги по цифровой трансформации. Ее система использует ИИ для анализа информации о местных мероприятиях: определяет место, тип события и количество участников, а затем связывает эти данные с ближайшими банкоматами. Такой сигнал добавляется к прогнозу потребности, поскольку крупное мероприятие может значительно изменить объем снятия наличных в определенной области. Reply заявляет о возможности сокращения процентных расходов до 40%, но это оценка компании, а не независимое отраслевое измерение.
Источники:letsdatascienceИскусственный интеллект1Искусственный интеллектФинтех21 минуту назад
Источник