Case study
מקרה לקוח
Predictive maintenance across thousands of connected ATMs and cash machines.
תחזוקה חזויה על אלפי כספומטים ומכונות מזומן מחוברים.
Summaryסיכום
The situation.
הסיטואציה.
Brinks, the global cash-logistics leader, manages one of the largest fleets of connected ATMs and cash-handling devices in the world. Downtime is expensive and brand-damaging. Traditional preventive maintenance schedules over-serviced some machines and under-serviced others - and the telemetry data was siloed per region.
Brinks, מובילת לוגיסטיקת המזומן הגלובלית, מנהלת את אחד מ־Fleets הגדולים בעולם של כספומטים ומכונות מזומן מחוברים. Downtime יקר ופוגע במותג. לוחות תחזוקה מונעת מסורתיים נתנו יותר מדי תחזוקה למכונות אחדות ופחות מדי לאחרות - והנתונים היו מפוצלים לפי אזור.
What we builtמה בנינו
- Data engineering pipeline unifying telemetry across regional systems
- Feature engineering: MTBF, MTTR, replacement frequency, event-sequence features
- Synthetic data generation for long-tail failure classes
- Deep Neural Network trained on hundreds of millions of transaction records
- Time-based train / validation / test splits (never random for telemetry)
- Hyperparameter search (Bayesian + Grid) with Early Stopping and Cross-Validation
- Production deployment with drift alerts and retraining workflow
- Operations dashboard showing fleet-wide health signals
- צינור הנדסת נתונים שאיחד Telemetry בין מערכות אזוריות
- הנדסת פיצ׳רים: MTBF, MTTR, תדירות החלפה, פיצ׳רי רצפי אירועים
- יצירת נתונים סינתטיים למחלקות כשל Long-Tail
- רשת נוירונים עמוקה שאומנה על מאות מיליוני עסקאות
- Splits לפי זמן (לעולם לא רנדומלי ל־Telemetry)
- חיפוש היפר־פרמטרים (Bayesian + Grid) עם Early Stopping ו־Cross-Validation
- פריסה לפרודקשן עם התראות Drift ו־Workflow אימון מחדש
- Dashboard תפעולי שמציג בריאות Fleet-Wide
StackStack
AWS SageMakerPyTorchscikit-learnMLflowAirflowAWS IoTCloudWatch
The outcomeהתוצאה
What production looks like today.
איך נראה הפרודקשן היום.
Thousands
of connected machines under one predictive model
Hundreds of millions
of transactions used to train and retrain
Fleet-wide
visibility where before there was regional fragmentation
Measurable
reduction in unplanned ATM downtime
אלפי
מכונות מחוברות תחת מודל חיזוי אחד
מאות מיליוני
עסקאות לאימון ולאימון מחדש
ראות
ברמת Fleet במקום פיצול אזורי שהיה קיים
ירידה מדידה
ב־Downtime לא מתוכנן של כספומטים
[PLACEHOLDER - confirm with Itay Ziman, Senior VP Technology, Brinks]
[לאישור עם איתי זימן, סמנכ״ל טכנולוגיות בכיר, Brinks]Itay Ziman · Senior VP Technology · Brinks איתי זימן · סמנכ״ל טכנולוגיות בכיר · Brinks