راهکار عملیاتی نگهداری هوشمند دستگاه های خودپرداز پذیرندگان بانکی برای مشتریان حقیقی: ارائه یک نرم افزار کاملا عملیاتی مبتنی بر هوش مصنوعی

راهکار عملیاتی نگهداری هوشمند دستگاه های خودپرداز پذیرندگان بانکی برای مشتریان حقیقی: ارائه یک نرم افزار کاملا عملیاتی مبتنی بر هوش مصنوعی

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی

چکیده

در شبکه پرداخت بانکی، بسیاری از دستگاه های خودپرداز و کشلس نه در مالکیت و اداره مستقیم بانک، بلکه در اختیار پذیرنده ها (اپراتورهای دستگاه) هستند: پول گذاری و سرویس و نگهداری دستگاه با خود پذیرنده است و بانک تنها سوئیچی را فراهم می کند که تراکنش از مسیر آن مسیریابی می شود. وقتی دستگاه یک پذیرنده «خارج از سرویس» است، هزینه آن مستقیما به خود او برمی گردد: اعزام اضطراری تکنسین، وجه نقد راکد یا ناکافی، مراجعه ناموفق مشتری حقیقی و خدشه به اعتمادی که پذیرنده با آن مشتری ساخته است. رویکرد سنتی نگهداری، یعنی واکنش پس از خرابی یا بازدید دوره ای با فاصله زمانی ثابت، نه خرابی را پیش بینی می کند و نه منابع تعمیر را به درستی اولویت بندی می کند. این مقاله یک نرم افزار عملیاتی و قابل استقرار برای پذیرنده ها ارائه می دهد که بر سه ستون استوار است: گردآوری و تحلیل داده های خود دستگاه های پذیرنده (رویدادهای استاندارد XFS و ژورنال الکترونیکی)، پیش بینی خرابی با مدل های تشخیص ناهنجاری و طبقه بندی رویداد، و پیش بینی تقاضای وجه نقد برای جلوگیری از اتمام وجه — که چون پول گذاری با خود پذیرنده است، مستقیما هزینه او را تعیین می کند. خروجی نرم افزار، هشدارهای اولویت بندی شده، پیشنهاد زمان اعزام تکنسین و داشبورد شاخص های دسترس پذیری ناوگان پذیرنده است. این طرح، یک سیستم پیشنهادی با نقشه راه پیاده سازی و اعتبارسنجی مرحله ای است و تاکنون در ناوگان هیچ پذیرنده ای پیاده سازی یا اعتبارسنجی میدانی نشده است؛ بنابراین هیچ یک از ارقام بهبود عملکرد در این مقاله، نتیجه اندازه گیری میدانی این سیستم نیست و هر عدد نمایشی، صراحتا نمایشی اعلام شده است.

کلیدواژه ها: نگهداری پیش بینانه؛ خودپرداز؛ پذیرنده؛ هوش مصنوعی؛ تحلیل لاگ؛ استاندارد XFS؛ مدیریت وجه نقد

۱. مقدمه و بیان مسئله

برای مشتری حقیقی، خودپرداز فقط یک دستگاه نیست؛ نقطه ای است که در آن به پول نقد، صورت حساب و خدمات پایه بانکی دسترسی دارد. وقتی دستگاهی «خارج از سرویس» است، مشتری معمولا بدون هشدار قبلی با آن روبه رو می شود: سفر بی نتیجه، صف در دستگاه دیگر، و در نهایت تجربه ای منفی. در مدل پذیرنده محور، این تجربه منفی مستقیما به حساب پذیرنده نوشته می شود، نه بانک؛ و هزینه های خرابی نیز بر عهده خود اوست: اعزام اضطراری تکنسین، قطعات یدکی، وجه نقد راکد در دستگاه های کم مصرف، و در سوی دیگر، اتمام وجه در دستگاه های پرمصرف که آن هم نوعی ازکارافتادگی است، هرچند علت آن سخت افزاری نیست. بانک در این مدل، تنها مسیریابی تراکنش را از طریق سوئیچ خود انجام می دهد و مالک عملیات روزانه دستگاه نیست.

مسئله اصلی این است که خرابی خودپرداز معمولا ناگهانی به نظر می رسد، اما به ندرت واقعا ناگهانی است. دستگاه پیش از توقف کامل، نشانه هایی تولید می کند: خطاهای پراکنده در واحد توزیع وجه، کندی در تحویل اسکناس، خطاهای کارت خوان، هشدارهای حسگر، و افت نرخ تراکنش موفق. در نگهداری واکنشی، این نشانه ها نادیده گرفته می شوند تا زمانی که دستگاه از کار بیفتد؛ در نگهداری دوره ای نیز بازدیدها بر اساس تقویم انجام می شوند، نه بر اساس وضعیت واقعی دستگاه، و در نتیجه هم بازدید بی مورد رخ می دهد و هم خرابی میان دو بازدید. پرسش این مقاله آن است که چگونه می توان با داده هایی که دستگاه های خود پذیرنده همین امروز تولید می کنند، یک نرم افزار عملیاتی ساخت که خرابی را پیش از وقوع هشدار دهد، اعزام تکنسین را هوشمندانه اولویت بندی کند و اتمام وجه را پیش بینی کند — بی آنکه ادعا شود چنین سیستمی هم اکنون مستقر و آزموده شده است.

۲. پیشینه و مبانی نظری

ادبیات نگهداری پیش بینانه در دو مسیر همگرا شده است. مسیر نخست، تحلیل لاگ رویداد است: پژوهش های موردی نشان داده اند که می توان با تحلیل توالی رویدادهای ثبت شده در لاگ تجهیزات، خرابی را پیش از وقوع پیش بینی کرد؛ در این رویکرد، متغیر وابسته مدل معمولا «ایجاد تیکت تعمیر» است، نه لحظه دقیق خرابی، زیرا همان چیزی است که در داده های عملیاتی ثبت می شود. این نکته برای طراحی هر سیستم واقعی حیاتی است: مدل، الگوی رویدادهای منتهی به تیکت را می آموزد و معیار ارزیابی آن باید بازخوانی (Recall) بالا باشد، یعنی تا حد ممکن هیچ خرابی از قلم نیفتد، حتی به قیمت چند هشدار اضافه. برای پذیرنده، این نکته اهمیت دوچندان دارد، چون تیکت های تعمیر، داده های خود او هستند و مبنای آموزش مدل قرار می گیرند، نه داده هایی که باید از بانک گرفته شود.

مسیر دوم، یادگیری ویژگی از داده های رویداد است. در پژوهشی با داده واقعی رویدادهای خودپرداز، روش مبتنی بر کرنل های کانولوشنی (HYDRA) دقت ۰٫۷۵۹ و سطح زیر منحنی ROC معادل ۰٫۶۹۳ گزارش کرده و در آزمون آماری، از روش های مرجع مقایسه شده بهتر عمل کرده است؛ همان پژوهش، مدل را در یک سامانه پشتیبان تصمیم مبتنی بر کانتینر یکپارچه کرده است تا اپراتورها به موقع اقدام کنند. این نتیجه دو پیام دارد: نخست آنکه داده رویداد خودپرداز، سیگنال پیش بینی کننده واقعی دارد؛ دوم آنکه دقت های گزارش شده در حد «خوب ولی نه کامل» است و هر سیستمی که دقت نزدیک به صد درصد وعده دهد، با این شواهد ناسازگار است.

در سطح زیرساخت مالی نیز چارچوب هایی برای نگهداری پیش بینانه با ترکیب تشخیص ناهنجاری، پیش بینی خرابی و تحلیل علت ریشه ای پیشنهاد شده است؛ برای نمونه، چترجی (۲۰۲۴) در چارچوبی برای تاب آوری زیرساخت مالی، کاهش بیش از ۴۰ درصدی زمان ازکارافتادگی را گزارش کرده است، اما این نتیجه بر داده مصنوعی شبیه سازی شده از عملیات واقعی به دست آمده و به هیچ وجه نمی توان آن را نتیجه میدانی در شبکه بانکی تلقی کرد. در صنعت نیز نمونه های ثبت شده ای وجود دارد، از جمله روش های مبتنی بر تحلیل لاگ برای پیش بینی خرابی دستگاه های سلف سرویس پیش از وقوع (ثبت اختراع US8214290B1) و روش های یادگیری ماشین برای پیش بینی فرسودگی منبع تغذیه خودپرداز پیش از خرابی. در حوزه وجه نقد نیز پژوهش های دانشگاهی نشان داده اند که مدل های گرادیان بوستینگ (XGBoost) در پیش بینی تقاضای روزانه وجه، از روش های کلاسیک مانند ARIMA بهتر عمل می کنند؛ برای نمونه در یک پایان نامه با داده هزاران دستگاه، خطای SMAPE پیش بینی تقاضای روزانه ۱۴ درصد و پیش بینی موجودی ۱۱ درصد در افق سه ماهه گزارش شده است، و در پژوهشی دیگر، روش Prophet با MAPE حدود ۲۶٫۸ درصد بهتر از ARIMA با ۳۲٫۶ درصد عمل کرده است. این ارقام، معیار واقع بینانه ای برای انتظار از مدل پیش بینی وجه نقد به دست می دهند: بهبود معنادار، اما نه پیش بینی بی خطا. برای پذیرنده، همین بهبود معنادار مستقیما به معنای پول گذاری دقیق تر و هزینه کمتر است، چون هزینه وجه نقد و مسیر پول گذاری با خود اوست.

در پژوهش های بانکی فارسی نیز به کارگیری الگوریتم های یادگیری ماشین برای پیش بینی ریسک عملیاتی بررسی شده و مدل های جنگل تصادفی و ماشین بردار پشتیبان در سناریوهای مختلف بهتر از سایر مدل ها عمل کرده اند؛ این یافته، هرچند موضوع آن ریسک عملیاتی است نه خرابی دستگاه، نشان می دهد که مدل های یادگیری ماشین در داده های بانکی، در صورت ارزیابی با معیارهای دقت، بازخوانی، F1 و AUC، ابزار تصمیم یار معتبری به شمار می روند. یک تفاوت مهم با ادبیات موجود باید صراحتا گفته شود: بیشتر پژوهش های مرجع، شبکه ای را فرض می کنند که بانک اداره می کند؛ در مدل پذیرنده محور، داده، هزینه و تصمیم در دست پذیرنده است و طراحی نرم افزار باید همین مرز را رعایت کند.

۳. معماری نرم افزار پیشنهادی: از رویداد دستگاه تا اعزام تکنسین

نرم افزار پیشنهادی، «پرستار هوشمند»، یک سامانه متمرکز برای پذیرنده است که روی ناوگان دستگاه های خود او سوار می شود و نیازمند تعویض دستگاه ها یا دسترسی به سامانه های داخلی بانک نیست.

لایه ۱ — گردآوری داده. هر خودپرداز از طریق استاندارد CEN/XFS با نرم افزار کاربردی خود گفت وگو می کند؛ این استاندارد ۱۷ کلاس دستگاه را پوشش می دهد که مهم ترین آن ها برای نگهداری عبارت اند از: CDM (واحد توزیع وجه)، CIM (واحد دریافت وجه و بازیافت کننده)، IDC (کارت خوان)، PTR (چاپگر)، PIN (صفحه کلید رمز) و SIU (حسگرها و نشانگرها). عامل نرم افزاری سبک وزن روی هر دستگاه، رویدادهای XFS، وضعیت دستگاه ها، شمارش کاست ها، ژورنال الکترونیکی تراکنش ها و تیکت های تعمیر پیشین خود پذیرنده را گردآوری و با تاخیر کم به مرکز سامانه پذیرنده ارسال می کند. در دستگاه های کشلس فاقد XFS، به جای آن، لاگ رویداد معادل همان دستگاه از طریق واسط مخصوص آن مدل گردآوری می شود. مرز داده در اینجا صریح است: ورودی اصلی، داده های خود دستگاه های پذیرنده است؛ پذیرنده به سامانه های داخلی بانک دسترسی ندارد و از سمت سوئیچ، تنها نتیجه مسیریابی تراکنش های دستگاه های خودش را مشاهده می کند، نه علت های داخلی بانک را. اصل طراحی در اینجا «کمینه سازی داده» است: هیچ شماره کارت کامل، رمز یا داده هویتی مشتری گردآوری نمی شود؛ شناسه دستگاه، برچسب زمانی، کد رویداد و نتیجه تراکنش کافی است و داده ها پیش از ذخیره، ناشناس و رمزنگاری می شوند.

لایه ۲ — پردازش جریانی و ویژگی سازی. رویدادها در یک گذرگاه پیام جریانی دریافت و در پنجره های زمانی (برای نمونه، یک ساعته و ۲۴ ساعته) به ویژگی تبدیل می شوند: شمار خطاهای هر کلاس دستگاه، نرخ تراکنش ناموفق، میانگین زمان تحویل وجه، فاصله زمانی میان خطاهای متوالی، الگوی توالی رویدادها، و سابقه تیکت همان دستگاه. این ویژگی ها دقیقا همان چیزی است که پژوهش های تحلیل لاگ، مبنای پیش بینی خرابی دانسته اند.

لایه ۳ — مدل های پیش بینی. سه مدل مکمل در کنار هم کار می کنند. (الف) تشخیص ناهنجاری بدون نظارت، برای یافتن رفتار غیرعادی دستگاه نسبت به گذشته خودش؛ (ب) طبقه بندی نظارت شده بر اساس سابقه تیکت های خود پذیرنده، برای برآورد احتمال خرابی در افق زمانی مشخص (برای نمونه، هفت روز آینده) و محتمل ترین قطعه مقصر؛ (ج) پیش بینی تقاضای وجه نقد با مدل های سری زمانی و گرادیان بوستینگ، با در نظر گرفتن الگوی هفتگی، تعطیلات، حقوق بگیران و رویدادهای محلی. خروجی مدل ها احتمال است، نه حکم قطعی؛ هر هشدار همراه با «دلیل» به زبان ساده ارائه می شود، مانند «سه خطای واحد توزیع وجه در ۲۴ ساعت گذشته و افزایش زمان تحویل وجه».

لایه ۴ — اولویت بندی و اعزام. هشدارها با یک امتیاز اولویت ترکیب می شوند که سه عامل را در نظر می گیرد: احتمال خرابی، اهمیت دستگاه (تراکنش روزانه، نزدیکی دستگاه جایگزین، منطقه تحت پوشش) و هزینه تاخیر برای پذیرنده، شامل مواجهه با تعهدات سطح خدمت (SLA) و هزینه اعزام. برای روشن شدن منطق، یک فرمول نمونه و صرفا نمایشی ارائه می شود که نتیجه اندازه گیری نیست: امتیاز = ۰٫۵ × احتمال خرابی + ۰٫۳ × اهمیت دستگاه + ۰٫۲ × مدت زمان از آخرین بازدید. سپس سامانه، نزدیک ترین تکنسین دارای مهارت و قطعه لازم را پیشنهاد می دهد، تیکت را با شرح علت احتمالی و قطعات موردنیاز صادر می کند و در صورت امکان، بازدید تعمیر را با مسیر پول گذاری همان دستگاه ترکیب می کند تا اعزام های تکراری کاهش یابد؛ این تجمیع برای پذیرنده سود مستقیم دارد، چون هر دو هزینه — تعمیر و پول گذاری — با خود اوست. اعزام نهایی همچنان با تایید اپراتور انسانی انجام می شود؛ سامانه جایگزین قضاوت انسانی نیست.

لایه ۵ — داشبورد و بازخورد. داشبورد مدیران ناوگان پذیرنده، نقشه زنده وضعیت دستگاه ها، صف هشدارها، و شاخص های کلیدی را نشان می دهد و هر تیکت بسته شده، با علت واقعی خرابی به سامانه بازمی گردد تا مدل ها بازآموزی شوند. این چرخه بازخورد، شرط لازم برای آن است که دقت مدل در طول زمان بهبود یابد، نه اینکه در سطح روز اول منجمد بماند.

۴. شاخص های کلیدی از نگاه پذیرنده و اثر بر مشتری حقیقی

موفقیت چنین نرم افزاری را نمی توان با دقت مدل به تنهایی سنجید؛ شاخص ها باید از منظر پذیرنده و مشتری او تعریف شوند: (۱) دسترس پذیری ناوگان پذیرنده، یعنی نسبت زمانی که دستگاه های او در سرویس و دارای وجه نقد هستند؛ (۲) هزینه نگهداری هر دستگاه، شامل اعزام، قطعه و پول گذاری؛ (۳) میانگین زمان رفع خرابی از لحظه هشدار تا بازگشت به سرویس؛ (۴) نسبت خرابی های پیش بینی شده به کل خرابی ها (بازخوانی عملیاتی)؛ (۵) نرخ هشدار کاذب، زیرا هشدارهای بی مورد اعتماد اپراتور را از بین می برند؛ (۶) نرخ اتمام وجه؛ (۷) مواجهه با تعهدات سطح خدمت، یعنی سهم خرابی هایی که به جریمه یا نقض SLA می انجامد؛ و (۸) سهم اعزام های تجمیع شده (تعمیر همراه با پول گذاری) در برابر اعزام های تکی. اثر بر مشتری حقیقی از همین شاخص ها خوانده می شود: دستگاهی که پیش از خرابی تعمیر شده، سفری بی نتیجه را حذف می کند؛ دستگاهی که وجه آن پیش بینی شده شارژ می شود، در ساعات اوج خالی نمی ماند؛ و مشتریانی که در مناطق کم برخوردار تنها به یک دستگاه دسترسی دارند، بیشترین سود را از اولویت بندی مبتنی بر اهمیت دستگاه می برند. توجه به این گروه اخیر، یک انتخاب ارزشی در طراحی است: دستگاه کم تراکنش ولی تنها دستگاه یک منطقه، که متعلق به همین پذیرنده است، نباید در انتهای صف اعزام قرار گیرد.

۵. نقشه راه پیاده سازی و اعتبارسنجی در ناوگان یک پذیرنده

از آنجا که این سیستم پیشنهادی است، اعتبارسنجی آن باید مرحله ای و با معیار از پیش اعلام شده انجام شود، و همه مراحل روی ناوگان خود پذیرنده اجرا می شوند، نه شبکه بانک. فاز صفر، آماده سازی داده است: یکپارچه سازی لاگ های دستگاه های پذیرنده، برچسب گذاری تیکت های تاریخی خود او و سنجش کیفیت داده (نرخ رویدادهای گمشده و ناسازگار)؛ اگر کیفیت داده پایین باشد، هیچ مدلی نباید به تولید برود. فاز یک، پایلوت محدود است: استقرار روی زیرمجموعه ای از دستگاه های همان پذیرنده در چند منطقه متفاوت، با اجرای موازی و بدون دخالت در اعزام واقعی، تا دقت و بازخوانی مدل در برابر تیکت های واقعی سنجیده شود. فاز دو، اعزام نیمه خودکار است: هشدارها به اپراتور پذیرنده پیشنهاد می شود و تصمیم نهایی انسانی است، با ثبت نرخ پذیرش پیشنهادها. فاز سه، استقرار تدریجی در کل ناوگان پذیرنده با مقایسه «قبل و بعد» و، در صورت امکان، گروه کنترل همتا (دستگاه های مشابه همان پذیرنده بدون سیستم) است تا اثر واقعی بر دسترس پذیری و اتمام وجه از اثر عوامل دیگر جدا شود. در هر فاز، معیار توقف از پیش تعیین می شود: برای نمونه، اگر نرخ هشدار کاذب از آستانه ای که پذیرنده تعیین می کند فراتر رود، سیستم به حالت پیشنهاددهنده بازمی گردد. این نقشه راه، عمدا محافظه کارانه است، زیرا هزینه خطا برای پذیرنده، فقط هزینه نرم افزار نیست؛ اعتماد مشتری و تعهدات سطح خدمت اوست.

۶. محدودیت ها

این مقاله محدودیت های روشنی دارد که باید پیش از هر استقرار در نظر گرفته شود. نخست، سیستم پیشنهادی است و هیچ نتیجه میدانی از خود آن ارائه نمی کند؛ ارقام نقل شده از پژوهش های دیگر، در بستر داده و شبکه خودشان به دست آمده اند و به ناوگان پذیرنده خاصی قابل تعمیم مستقیم نیستند. دوم، کیفیت پیش بینی به کیفیت لاگ وابسته است: دستگاه های قدیمی تر، رویدادهای ناقص یا با برچسب ناسازگار تولید می کنند و مدل روی چنین داده ای، هشدار کاذب می دهد. سوم، تیکت تعمیر، جایگزین ناقصی برای لحظه خرابی است؛ خرابی هایی که دیر گزارش می شوند، برچسب آموزشی را آلوده می کنند. چهارم، دید پذیرنده از سمت سوئیچ محدود است: او نتیجه مسیریابی تراکنش های دستگاه های خودش را می بیند، نه علت های داخلی بانک را؛ بنابراین خرابی هایی که ریشه در سمت سوئیچ دارند، با داده دستگاه به تنهایی قابل تشخیص نیستند و این مرز باید در قرارداد و طراحی سامانه لحاظ شود. پنجم، پیش بینی وجه نقد در برابر شوک های پیش بینی ناپذیر (رویدادهای ناگهانی، اختلال شبکه، تغییر سیاست های نقدی) آسیب پذیر است و هیچ مدلی بی خطا نیست. ششم، مسائل امنیت سایبری و حریم خصوصی: سامانه ای که به همه دستگاه های یک پذیرنده متصل است، خود به هدف حمله تبدیل می شود و باید با دسترسی حداقلی، رمزنگاری سرتاسری و حسابرسی دسترسی طراحی شود. هفتم، این طرح، چارچوب حقوقی و قراردادی نگهداری (توافق پذیرنده با بانک بر سر سوئیچ، سطح خدمات پیمانکاران، مسئولیت هشدار ازدست رفته) را بررسی نکرده است و پیش از استقرار، نیازمند بررسی حقوقی است.

۷. نتیجه گیری راهبردی

نگهداری هوشمند خودپرداز، یک پروژه «هوش مصنوعی» به معنای انتزاعی آن نیست؛ یک بازطراحی عملیاتی است که داده ای را که دستگاه های یک پذیرنده همین امروز تولید می کنند، به تصمیم تبدیل می کند: کدام دستگاه، چه زمانی، با چه قطعه ای و توسط چه کسی تعمیر شود، و کدام دستگاه چه مقدار وجه نیاز دارد. ارزش راهبردی آن برای پذیرنده، در سه چیز خلاصه می شود: کاهش مراجعه ناموفق مشتری حقیقی و حفظ اعتماد، استفاده بهتر از ناوگان تکنسین و وجه نقد به جای اعزام اضطراری و انباشت وجه، و تصمیم گیری مبتنی بر شواهد به جای تقویم تعمیرات. اما این ارزش، تنها در صورتی محقق می شود که سیستم مرحله ای مستقر شود، با شاخص های پذیرنده محور سنجیده شود، و در برابر وسوسه اغراق در دقت مدل مقاومت کند. پیشنهاد نهایی این مقاله آن است که پذیرنده ها، به جای خرید یک «جعبه جادویی» پیش بینی خرابی، از پایلوت محدود با داده واقعی ناوگان خودشان آغاز کنند و اجازه دهند شواهد همان ناوگان، درباره گسترش یا توقف سیستم تصمیم بگیرد.

منابع

۱. چترجی، پ. (۲۰۲۴). تاب آوری پیشگیرانه زیرساخت: نگهداری پیش بینانه مبتنی بر هوش مصنوعی برای تاب آوری اکوسیستم مالی. مجله علوم عمومی هوش مصنوعی، ۷(۱)، ۲۹۱–۳۰۳. (نتیجه کاهش زمان ازکارافتادگی بر داده مصنوعی به دست آمده است.)

۲. مطالعه موردی نگهداری پیش بینانه مبتنی بر تحلیل لاگ رویداد (رویکرد پیش بینی خرابی تجهیزات از توالی رویدادها و نقش تیکت تعمیر به عنوان متغیر وابسته). https://www.scribd.com/document/581990621/09-Machine-Learning-Maintenance-Predictive-wang2017

۳. پژوهش رویکرد یادگیری ویژگی ترکیبی مبتنی بر کرنل های کانولوشنی برای پیش بینی خرابی خودپرداز با داده لاگ رویداد (HYDRA و MiniROCKET؛ دقت ۰٫۷۵۹ و AUC ۰٫۶۹۳). https://www.peeref.com/works/28340554

۴. ثبت اختراع US8214290B1: گزارش دهی پایانه سلف سرویس و نگهداری پیشگیرانه از طریق آستانه های هشدار در فایل های لاگ. https://patents.google.com/patent/US8214290B1/en

۵. استاندارد CEN/XFS (نسخه ۳٫۵۰، CWA 16926): رابط استاندارد میان نرم افزار و دستگاه های ماشین های سلف سرویس بانکی، شامل ۱۷ کلاس دستگاه. https://xfs4iot.com/

۶. پایان نامه پیش بینی تقاضای وجه نقد خودپرداز با رویکردهای یادگیری ماشین (XGBoost با SMAPE ۱۴ درصد برای تقاضای روزانه و ۱۱ درصد برای موجودی در افق سه ماهه، با داده هزاران دستگاه). https://scholar.tecnico.ulisboa.pt/api/records/z1AvDX-clSqQlmN1sEchPgWXViwl1oCzvH1r/file/e14d3c8ae256df704f3df64e3cc2eb912ab7bfb8688b6333ff5f703ac852c0fa.pdf

۷. پژوهش رویکردهای آماری و هوش مصنوعی برای پیش بینی تقاضای وجه نقد خودپردازها (ARIMA با MAPE ۳۲٫۵۷ درصد، شبکه عصبی عمیق ۲۹٫۲۶ درصد، Prophet ۲۶٫۷۷ درصد). https://avesis.gsu.edu.tr/publication/details/599788ae-752d-4c43-a394-67f488d61c59/statistical-and-artificial-intelligence-based-forecasting-approaches-for-cash-demand-problem-of-automated-teller-machines/document.pdf

۸. گزارش PYMNTS درباره به کارگیری هوش مصنوعی برای جلوگیری از انباشت بیش از حد وجه در خودپردازها (ادعای شرکت Brink’s مبنی بر کاهش ۳۰ تا ۴۰ درصدی تقاضای کل وجه، به عنوان ادعای فروشنده نقل شده است، نه نتیجه مستقل). https://www.pymnts.com/news/artificial-intelligence/2026/banks-use-ai-stop-overstocking-atms/

۹. پژوهش فارسی پیش بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با الگوریتم های یادگیری ماشین (برتری جنگل تصادفی و ماشین بردار پشتیبان در سناریوهای مختلف، با معیارهای دقت، بازخوانی، F1 و AUC). https://ensani.ir/fa/article/622101/

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی