Банки внедряют ИИ для сокращения наличных в банкоматах на 40%

Алгоритмы предсказывают потребность в наличных с учётом дней выплат, праздников и местных событий, а анализ датчиков позволяет выявлять неисправности до того, как банкомат выйдет из строя

Американское бизнес-издание PYMNTS сообщило 28 августа, что банки начали применять ИИ для прогнозирования спроса на наличные в конкретных банкоматах и для раннего выявления неисправностей. Алгоритмы изучают историю снятия наличных, дни выплаты заработной платы, праздники и сезонные особенности региона, чтобы определить, сколько наличных необходимо конкретному банкомату. Это помогает избежать избыточной загрузки банкоматов и одновременно снижает риск того, что наличные закончатся до следующей инкассации.

По оценкам Brink’s — международной компании, занимающейся перевозкой наличных и других ценных грузов, — более точное прогнозирование может уменьшить общий объём наличных, необходимых для функционирования сети банкоматов, на 30–40%. Для банка избыток наличности в банкоматах означает средства, которые нужно заранее размещать и охранять, а нехватка — пустые банкоматы, недовольство клиентов и дополнительные поездки для пополнения.

Для банков это трансформирует управление банкоматами из простой логистической задачи в систему локального прогнозирования: ИИ одновременно оценивает, сколько денег потребуется конкретному устройству, и контролирует, не приближается ли оно к техническому сбою. При этом качество результата напрямую зависит от точности истории операций, данных о событиях и показаний датчиков.

ИИ также используется для технического обслуживания. Система отслеживает изменения в показаниях датчиков внутри банкомата и может заранее выявить признаки неисправности, чтобы устранить проблему до выхода оборудования из строя. Таким образом, обслуживание переходит от этапа ремонта уже сломанной техники к прогнозированию возможных поломок.

Ещё один подход описала Reply — международная IT-компания, предлагающая услуги по цифровой трансформации. Её система использует ИИ для анализа данных о местных мероприятиях: определяет место, тип события и количество участников, а затем связывает эту информацию с ближайшими банкоматами. Такой сигнал добавляется к прогнозу спроса, поскольку крупное мероприятие может резко повлиять на объём снятия наличных в определённом районе. Reply утверждает о возможности уменьшения процентных расходов до 40%, но это собственная оценка компании, а не независимое отраслевое измерение.