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 کش لس نه در مالکیت و اداره مستقیم بانک، بلکه در اختیار پذیرنده ها (اپراتورهای شخص ثالث) هستند. پول گذاری و سرویس و نگهداری دستگاه با خود پذیرنده است و خرابی دستگاه مستقیما به تجربه مشتری او و اعتبارش نزد بانک آسیب می زند. مسئله این است که خرابی خودپرداز معمولا ناگهانی به نظر می رسد، اما به ندرت واقعا ناگهانی است. دستگاه پیش از توقف کامل، نشانه هایی از خود بروز می دهد؛ نشانه هایی که اگر به موقع خوانده شوند، می توان خرابی را پیش از وقوع مدیریت کرد. این مقاله یک نرم افزار کاملا عملیاتی و مبتنی بر هوش مصنوعی برای استقرار برای پذیرنده ها ارائه می دهد که بر سه ستون استوار است: پیش بینی خرابی، پیش بینی تقاضای وجه نقد برای جلوگیری از تمام شدن وجه و پیش بینی زمان اعزام تکنسین. سیستم پیشنهادی با نقشه راه پیاده سازی و اعتبارسنجی در ناوگان یک پذیرنده، شاخص های دسترس پذیری ناوگان، زمان متوسط رفع خرابی و هزینه هر تراکنش موفق، و محدودیت های صریح آن تشریح می شود. هدف این مقاله ارائه راه حلی مرحله بندی شده و قابل سنجش است، نه یک نرم افزار انتزاعی.

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

## 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 به 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 از کارافتادگی است، هرچند علت آن سخت افزاری نیست. بانک در این مدل، تنها مسیربرداری 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 از خود بروز می دهد: افزایش تدریجی خطاهای برگشت کارت، کندی پاسخ حسگرها، افزایش دمای قطعات، خطاهای شبکه در زمان اوج، یا توقف های کوتاه و پراکنده در تغذیه اسکناس. اما در عمل، این نشانه ها معمولا ثبت نمی شوند یا اگر ثبت شوند، هیچ کس آن ها را نمی خواند. نتیجه، یک چرخه پرهزینه است: خرابی، تماس مشتری یا پذیرنده، اعزام تکنسین بدون تشخیص قبلی، و تعمیر در محل که گاهی با قطعه اشتباه انجام می شود. این چرخه را می توان با سیستمی که داده های دستگاه را به صورت مستمر بخواند، الگوهای منتهی به خرابی را یاد بگیرد و پیش از وقوع خرابی هشدار دهد، شکست. مقاله حاضر چنین سیستمی را معرفی می کند و به صورت مشخص توضیح می دهد که این سیستم چه می کند، چه نمی کند، چگونه پیاده سازی می شود و موفقیت آن با چه شاخص هایی سنجیده می شود.

## 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 خرابی تجهیزات از توالی رویدادها و با مدل های توالی قابل پیش بینی است و این روش می تواند برنامه های سنتی و زمان بندی شده نگهداری را که هزینه بر و غیرهدفمندند، با مدلی داده محور جایگزین کند. در خودپردازها نیز روش های تحلیل توالی رویداد و هشداردهی زودهنگام برای خرابی های سخت افزاری در حال رشد است.

مسیر دوم، یادگیری ویژگی از داده های رویداد است. در پژوهشی با داده واقعی رویدادهای خودپرداز، روش مبتنی بر کرنل های کانولوشنی برای یادگیری ویژگی و پیش بینی خرابی، از روش های متداول مرجع بهتر عمل کرده و به معیار دقت ROC برابر ۰٫۷۵ در پیش بینی خرابی با یادآوری (Recall) ۰٫۸۵ و امتیاز F۱ برابر ۰٫۸۲ دست یافته است. این نتیجه نشان می دهد که حتی بدون برچسب گذاری گسترده و بدون سنسور اضافه، از داده هایی که دستگاه هم اکنون تولید می کند می توان سیگنال خرابی استخراج کرد؛ اما اثربخشی این روش بدون داده کافی و بدون بازخورد تعمیرات، محدود است.

در سطح زیرساخت مالی نیز چارچوب هایی برای نگهداری پیش بینانه با ترکیب تشخیص ناهنجاری، پیش بینی خرابی و تحلیل ریشه ای ارائه شده است؛ چارچوبی که با گزارش دهی پایانه سلف سرویس و نگهداری پیش گیرانه از طریق آستانه های هشدار در فریمور دستگاه ثبت شده و امکان هدایت تعمیرات پیش از وقوع خرابی را فراهم می کند. در همین چارچوب، استاندارد CEN/XFS نقش لایه ای را دارد که بدون آن، سامانه نمی تواند با دستگاه گفت وگو کند؛ این استاندارد، رابط میان نرم افزار و دستگاه های ماشین های سلف سرویس است و پیام های وضعیت، خطا و دستورات به آن وابسته اند.

در پژوهش های بانکی فارسی نیز به کارگیری الگوریتم های یادگیری ماشین برای پیش بینی ریسک عملیاتی بررسی شده است؛ در یک نمونه، الگوریتم جنگل تصادفی نسبت به سایر الگوریتم ها برتری نشان داده است. این نمونه ها بیشتر در حوزه ریسک و داده های ساخت یافته بانکی بوده اند تا در حوزه عملیات میدانی دستگاه های خودپرداز. خلا اصلی مقاله حاضر نیز همین جاست: پیوند میان داده های میدانی دستگاه و تصمیم های عملیاتی پذیرنده، در یک نرم افزار عملیاتی و قابل استقرار، نه در یک مدل پژوهشی منفرد.

## 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 مستقر می شود و پنج لایه مکمل دارد.

**لایه ۱ — گردآوری داده.** هر خودپرداز از طریق استاندارد CEN/XFS با نرم افزار کاربردی خود گفت وگو می کند و رویدادهای دستگاه، خطاها، وضعیت قطعات و تراکنش ها را به صورت جریان پیوسته به سامانه مرکزی می فرستد. جایی که دستگاه این استاندارد را ندارد، یک واسط سبک، همان پیام ها را از لاگ دستگاه می خواند. داده ها به همراه زمان بندی و شناسه دستگاه ذخیره می شوند تا هم برای تحلیل بلادرنگ و هم برای آموزش مدل به کار روند.

**لایه ۲ — پردازش جریانی و ویژگی سازی.** رویدادها در یک گذرگاه پیام جریانی دریافت و در پنجره های زمانی کوتاه (برای نمونه پنج دقیقه) و بلند (برای نمونه ۲۴ ساعت) خلاصه می شوند. از این پنجره ها، ویژگی هایی مانند نرخ خطای برگشت کارت، میانگین زمان پاسخ حسگرها، شمار توقف های کوتاه تغذیه، دمای قطعات و الگوی خطاهای شبکه ساخته می شود. ویژگی ها هم در زمان واقعی برای هشداردهی و هم به صورت آفلاین برای آموزش مدل به کار می روند.

**لایه ۳ — مدل های پیش بینی.** سه مدل مکمل در کنار هم کار می کنند. (الف) تشخیص ناهنجاری بدون نظارت، برای کشف رفتارهایی که از الگوی معمول دستگاه منحرف شده اند و هنوز برچسب خرابی ندارند. (ب) پیش بینی خرابی با نظارت، که از رویدادهای تاریخی و برچسب تعمیرات برای تخمین احتمال خرابی در ۲۴ تا ۷۲ ساعت آینده استفاده می کند. (ج) پیش بینی تقاضای وجه نقد، که از روند برداشت ها، روز هفته، مناسبت ها و سطح فعلی وجه در دستگاه، زمان تمام شدن وجه را پیش بینی می کند و پول گذاری را به موقع پیشنهاد می دهد. خروجی مدل ها یک امتیاز ریسک برای هر دستگاه است، نه یک پیش بینی قطعی.

**لایه ۴ — اولویت بندی و اعزام.** هشدارها با یک امتیاز اولویت ترکیب می شوند که سه عامل را در نظر می گیرد: شدت و احتمال خرابی، اثر بر مشتری (برای نمونه دستگاه پرتردد در برابر دستگاه کم تردد) و هزینه اعزام (فاصله تکنسین، قطعه موردنیاز). خروجی، یک صف اولویت دار از اعزام هاست: تکنسین به دستگاهی می رود که بیشترین اثر را دارد، با قطعه درست و با تشخیص اولیه. اعزام کور — رفتن بدون دانستن علت — به تدریج حذف می شود.

**لایه ۵ — داشبورد و بازخورد.** داشبورد مدیران ناوگان پذیرنده، نقشه زنده وضعیت دستگاه ها، صف هشدارها، پیش بینی وجه نقد و سوابق تعمیرات را نشان می دهد. پس از هر تعمیر، تکنسین نتیجه را ثبت می کند؛ این بازخورد، برچسب های تازه ای برای آموزش دوباره مدل ها فراهم می کند و چرخه یادگیری را می بندد. هر اندازه بازخورد دقیق تر باشد، مدل ها دقیق تر می شوند.

## 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. نخست، دسترس پذیری ناوگان: نسبت زمانی که دستگاه ها آماده خدمت اند، به کل زمان. دوم، زمان متوسط رفع خرابی: از لحظه تشخیص تا بازگشت دستگاه به خدمت. سوم، هزینه هر تراکنش موفق: مجموع هزینه نگهداری و اعزام تقسیم بر شمار تراکنش های موفق. چهارم، سهم اعزام های هدفمند از کل اعزام ها: هرچه بیشتر باشد، اعزام کور کمتر شده است. پنجم، رضایت مشتری حقیقی: کاهش تجربه های منفی ناشی از دستگاه «خارج از سرویس» یا «بدون وجه». این شاخص ها باید پیش از استقرار، مبنا (Baseline) داشته باشند تا اثر سیستم قابل سنجش باشد؛ بدون مبنا، هر ادعایی درباره بهبود، غیرقابل راستی آزمایی است.

## 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، نه به صورت ادعای کلی. گام نخست، استقرار سامانه گردآوری داده و داشبورد روی زیرمجموعه ای از ناوگان (برای نمونه ۱۰ تا ۲۰ دستگاه) و ثبت مبنا برای شاخص های کلیدی است. گام دوم، آموزش مدل ها بر داده تاریخی همان ناوگان و آزمون دقت پیش بینی در یک بازه زمانی مشخص است. گام سوم، فعال سازی هشدارها و اعزام هدفمند روی همان زیرمجموعه و مقایسه شاخص ها با مبنا و با گروه کنترل است. گام چهارم، در صورت بهبود معنادار، گسترش مرحله ای به کل ناوگان است. در همه گام ها، شاخص های پیشین باید به صورت شفاف گزارش شوند؛ هیچ عددی بدون مبنا و بدون گروه مقایسه، معنادار نیست. در این مقاله هیچ عددی به عنوان نتیجه اندازه گیری شده میدانی اعلام نمی شود؛ زیرا تا کنون هیچ پیاده سازی میدانی یا اعتبارسنجی تجربی انجام نشده است و هر عدد، نمایشی، ماهیتی، عدد اعلامی یا عدد بازگوکننده مقاله دیگری است. پیش بینی ها و هشدارها باید در عملیات واقعی اعتبارسنجی شوند؛ هیچ مدلی پیش از آن قابل اتکا نیست.

## ۶. محدودیت ها

این مقاله محدودیت های روشنی دارد که باید پیش از هر استقرار در نظر گرفته شود. نخست، سیستم پیشنهادی است و تا کنون پیاده سازی میدانی و اعتبارسنجی تجربی نشده است؛ در نتیجه، ارقام دقت و اثربخشی مدل ها در اینجا به عنوان نتیجه اعلام نمی شوند و تنها به عنوان مرجع از ادبیات بازگو می شوند. دوم، کیفیت داده دستگاه، عامل تعیین کننده است؛ اگر لاگ ها ناقص، نامنظم یا بدون زمان بندی دقیق باشند، مدل ها سیگنال قابل اتکایی نخواهند داشت. سوم، دستگاه های قدیمی که از استاندارد CEN/XFS پشتیبانی نمی کنند، به واسط های سفارشی نیاز دارند که هزینه و پیچیدگی را افزایش می دهد. چهارم، پیش بینی تقاضای وجه نقد به داده های برداشت وابسته است و در دوره های غیرمعمول (برای نمونه تعطیلات پیش بینی نشده یا رویدادهای محلی) ممکن است خطا داشته باشد. پنجم، تشخیص ناهنجاری بدون نظارت ممکن است هشدارهای کاذب تولید کند و اگر آستانه ها درست تنظیم نشوند، اعتماد اپراتور را از بین می برد. ششم، حریم خصوصی و امنیت داده ها باید رعایت شود؛ داده های تراکنش نباید برای آموزش مدل ها به صورت خام ذخیره یا منتقل شوند.

## ۷. نتیجه گیری راهبردی

نگهداری هوشمند خودپرداز، یک پروژه «هوش مصنوعی» به معنای انتزاعی آن نیست؛ یک بازطراحی عملیاتی است که داده های موجود دستگاه را به تصمیم های به موقع تبدیل می کند. برای پذیرنده، ارزش این سیستم در سه چیز خلاصه می شود: دستگاه کمتر از کار می افتد، وقتی از کار می افتد سریع تر برمی گردد، و اعزام ها هدفمندتر می شوند. برای مشتری حقیقی، نتیجه ساده است: دستگاهی که وقتی به آن نیاز دارد، کار می کند و وجه دارد. این مقاله نشان داده است که چنین سیستمی با فناوری های موجود و بدون سنسور اضافه قابل ساخت است؛ اما تاکید می کند که موفقیت آن به داده باکیفیت، بازخورد دقیق تعمیرات و اعتبارسنجی مرحله ای وابسته است. گام بعدی، پیاده سازی و اعتبارسنجی در ناوگان واقعی یک پذیرنده است؛ نه ادعای بیشتر، بلکه اندازه گیری بیشتر.

## 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)، ۹۱–۲۰۳. (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 واقعی رویدادهای دستگاه (دقت ۰٫۷۹ و ۰٫۹۳ ،AUC). 'MiniROCKET و HYDRA' https://www.peerref.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 IV 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-clSqQlmN1sEchPgWXvIw1oCzvH1r/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 ۲۹٫۴۶ 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 با 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**