IA nos Projetos

Objetivo (com transparência)

Loterias são eventos aleatórios: não existe “garantia” e não prometemos acertos. Nosso foco é outro: aplicar engenharia de dados e modelos de apoio para organizar escolhas, reduzir redundância entre jogos e aumentar a qualidade do conjunto final com regras, validações e rastreabilidade.

Em um bolão, a diferença prática não é “adivinhar o sorteio”, e sim montar um portfólio de apostas com diversidade, governança e menor risco de repetir padrões fracos — algo que “surpresinhas” e aleatoriedade pura não controlam.

Dois eixos: estatística pura × LSTM

Nos projetos convivem duas famílias de estratégia que se complementam: as puramente estatísticas (Sistema Sigma, Sistema Mosaico, Sistema Matrix+, Prisma e Eclipse) e as que usam redes LSTM (Sistema Synapse e Sistema Horizonte). Nenhuma das duas “quebra” a loteria: ambas usam o histórico como régua de orientação para distribuir o orçamento da carteira.

Para dimensionar o que qualquer método enfrenta, vale lembrar o espaço combinatório da Mega-Sena:

E o referencial mais honesto de todos: um jogo aleatório de 6 dezenas acerta, em média, exatamente \(E[X] = k \cdot \frac{s}{N}\) dezenas por sorteio — no caso, \(6 \cdot \frac{6}{60} = 0{,}6\). É contra essa régua que medimos tudo, inclusive os acertos médios do modelo LSTM:

Estatística pura: sinais explícitos e auditáveis

As estratégias puramente estatísticas não treinam redes: elas transformam o histórico em artefatos matemáticos explícitos. São exemplos práticos nos nossos projetos:

• Coocorrência com decaimento temporal (Sigma, Prisma, Eclipse): mede pares de dezenas que aparecem juntas, dando mais peso aos concursos recentes via peso exponencial:
  Matriz de coocorrência com decaimento\[C_{ij} = \sum_{t} w_t \cdot \mathbf{1}\{i \in S_t\} \cdot \mathbf{1}\{j \in S_t\}, \quad w_t = \lambda^{N-t}\]
• Amostragem β-mixing (Sigma, Eclipse): mistura distribuições de sinais diferentes com uma combinação convexa para gerar um pool amplo de candidatos:
  Combinação convexa de sinais\[q(i) = \beta \cdot p_A(i) + (1 - \beta) \cdot p_B(i)\]
• Rigor estatístico (Sigma): os próprios sinais são validados com intervalos de confiança de Wilson e segmentação Pareto (camadas de destaque, intermediárias e periféricas), para que a seleção respeite a geometria real dos dados:
  Intervalo de confiança de Wilson\[\hat{p} \pm z \cdot \sqrt{\frac{\hat{p}(1-\hat{p})}{n} + \frac{z^2}{4n^2}}\]
• Funil de seleção e diversidade (Sigma, Eclipse): os candidatos passam por gates que medem similaridade cosseno, correlação e entropia de Shannon, e cada aposta é aceita pelo ganho marginal que traz ao conjunto:
  Ganho marginal de uma aposta\[\Delta(x \mid S) = f(S \cup \{x\}) - f(S)\]

Vantagens: 100% auditáveis (cada número sai de uma fórmula), determinísticos com mesma semente, baixo custo computacional e interpretação direta. Limites: capturam apenas o que está explicitamente codificado — dependem das janelas, pesos e decaimentos escolhidos, e não modelam interações temporais mais profundas.

IA com LSTM: aprendizado de sequência + atenção

O Sistema Synapse (Mega-Sena) e o Sistema Horizonte (Quina Mensal) usam redes LSTM. Em vez de fórmulas fixas, a rede aprende pesos que relacionam os concursos em sequência. Para cada concurso, o histórico é organizado em janelas (LOOK_BACK = 36 concursos na Mega-Sena) e a rede recebe uma sequência temporal para prever o próximo sorteio.

A célula LSTM é controlada por portões que decidem o que esquecer, o que atualizar e o que emitir:

Sobre a LSTM, o mecanismo de atenção pondera quais momentos do passado são mais relevantes antes de gerar a saída — que atribui, para cada uma das 60 dezenas, uma probabilidade com função logística:

Como “6 sorteadas em 60” é um evento raro (desbalanceado), o treinamento usa Focal Loss, que concentra o aprendizado nas dezenas realmente sorteadas:

E o modelo é refinado com poda por magnitude (“winning ticket”): pesos pequenos são zerados (\(m_i = 1\) se \(|\theta_i| > \tau\), senão \(0\)) e o modelo é retreinado, reduzindo complexidade e estabilizando a inferência.

Vantagens: captura padrões temporais e interações não lineares que fórmulas explícitas perdem, e gera um ranking de dezenas mais refinado. Limites: exige grande histórico, validação temporal honesta (nunca avaliar em dados já vistos) e cuidado com overfitting; sem regras de qualidade ao redor, as probabilidades sozinhas não montam uma boa carteira.

Estatística pura × LSTM: comparativo direto

Na prática, os dois eixos convivem: o ranking do modelo LSTM alimenta fixas e subgrupos, e as regras estatísticas (coocorrência, blocos, vizinhos, semelhança) garantem que o resultado seja uma carteira diversificada — nunca um “jogo solto” dependente de um único sinal.

Nota de precisão: a Dupla Sena Mensal (Sistema Eclipse) combina sinais estatísticos com um score de Random Forest no funil de seleção — uma camada de aprendizado leve sobre os mesmos sinais, sem rede LSTM. E a Lotofácil (Sistema Prisma) usa apenas múltiplos sinais estatísticos combinados, sem treinamento de rede. Por isso, o comparativo abaixo foca no contraste entre o polo puramente estatístico e o polo LSTM.

Metodologia (fases do script)

O pipeline é dividido em fases, com artefatos e logs a cada etapa — para que tudo seja auditável.

1. Coleta e versionamento do histórico: download do XLS oficial e preservação de versões (evita “dados tortos” e facilita auditoria).
2. Fase 1 — Engenharia de dados (LSTM-ready): validações, ordenação temporal, criação de features e janelas (LOOK_BACK) para prever o próximo concurso.
3. Fase 2/3 — Treino e seleção do modelo: LSTM com atenção, tuning de hiperparâmetros, Focal Loss e seleção do melhor checkpoint (com logs e métricas).
4. Fase 4 — Geração das apostas: previsão → ranking Top‑N → montagem de subgrupos e aplicação de regras (fixas, blocos, vizinhos, bloqueios, sobreposição) → exportação em CSV e, opcionalmente, Google Sheets.

Fase 1 — Preparação dos dados (o que o modelo “enxerga”)

Para cada concurso, geramos um vetor de entrada com sinais que combinam histórico e tempo:

• One‑hot do sorteio: vetor binário 1..60 marcando as dezenas sorteadas.
• Tempo (cíclico): dia da semana/mês/dia do ano em seno/cosseno, além de delta_days (intervalo entre concursos).
• Recência por dezena: days_since_last_hit e um decaimento exponencial para modelar “memória” temporal:
  Decaimento de recência\[\text{decay} = e^{-\lambda \cdot dias}\]
• Frequência móvel: janelas (ex.: 10 e 20 concursos) mantidas por deque (eficiente) para gerar freq_last_w.
• Fusion em log‑space (por concurso): combina frequência e decaimento com normalização e checagens de sanidade (NaN/inf/clipping), reduzindo instabilidade numérica.
• Janelas temporais (LOOK_BACK): empilha N concursos passados para prever o próximo (split treino/validação por tempo, sem embaralhar).
• Estabilização opcional: normalização (minmax/z‑score), label smoothing e class weights (desbalanceamento por dezena).

Saídas da fase: X_train/X_val/y_train/y_val (NPY) + fase1_output.json com schema, parâmetros e logs.

Fase 2/3 — Construção do modelo (LSTM + Atenção)

O modelo é multi‑rótulo: ele produz uma probabilidade para cada dezena (1..60), com saída sigmoid (não “escolhe” um único número).

• Arquitetura típica: LSTM(256, return_sequences=True) → Dropout → LSTM(128) → Attention → Pooling → Dense(60, sigmoid).
• Desbalanceamento: Focal Loss (\(FL(p) = -\alpha(1-p)^{\gamma} \log p\)) para não “viciar” em dezenas muito frequentes.
• Tuning e seleção: Keras Tuner (Bayesian Optimization), early stopping, checkpoints e escolha do melhor modelo pelo conjunto de validação temporal.
• Métricas orientadas ao uso: além de loss/AUC, métricas do tipo “acertos médios em Top‑6” e percentuais de ≥3/≥4 acertos em Top‑6 — sempre comparadas ao baseline aleatório de 0,6.
• Otimização opcional: magnitude pruning / “winning ticket” para reduzir complexidade e melhorar estabilidade/eficiência de inferência.

Saída da fase: um checkpoint .keras que a Fase 4 consome diretamente.

Fase 4 — Estratégias de geração de sequências (com regras)

Em vez de “uma aposta”, geramos um conjunto grande com diversidade controlada. As principais estratégias são:

• Top‑N + amostragem ponderada: seleciona um pool (ex.: Top‑35/Top‑45) e amostra sem reposição, com pesos pelas probabilidades do modelo.
• Pool por blocos: divide 1..60 em blocos de 10 e pega as melhores de cada bloco (equilíbrio entre faixas).
• Subgrupos e fixas: configura lotes com fixas manuais ou automáticas (Top‑N), evitando colisões entre subgrupos.
• Vizinhos em grade 6×10: aplica substituições controladas em torno de dezenas do sorteio de referência (lag), aceitando apenas trocas que preservam a qualidade e não degradam demais o score.
• FFT por blocos (opcional): extrai um score temporal por dezena e combina com o score logarítmico do modelo:
  Score combinado (modelo + periodicidade)\[\text{score}(i) = \log(p_i) + \lambda \cdot \text{fft\_score}(i)\]
• Integrações: leitura de exclusões/preexistentes via planilha e geração adicional por “Estratégia B” (quando habilitado) para compor apostas reais do bolão.

Ao final, exportamos CSV unificado e logs detalhados; opcionalmente, sincronizamos com Google Sheets para conferência e autopreenchimento.

Regras de qualidade (o “filtro”)

• Semelhança controlada: limite de sobreposição entre jogos do mesmo conjunto (evita “quase duplicatas”).
• Histórico protegido: rejeita jogos excessivamente parecidos com concursos anteriores (ex.: 5+ dezenas iguais em um jogo de 6).
• Exclusões e bloqueios: impede sequências já usadas/proibidas (inclusive via planilhas) e pode aplicar bloqueios hierárquicos quando há tamanhos diferentes.
• Rastreabilidade: cada decisão deixa trilha (parâmetros, seeds, logs e arquivos gerados).

Exemplo prático (Mega‑Sena)

Suponha que o bolão precise de 120 jogos de 6 dezenas. A Fase 4 faz, em alto nível:

1. Carrega o modelo .keras e gera a previsão para o próximo concurso (probabilidade por dezena).
2. Define um pool Top‑N (por exemplo Top‑35) e cria subgrupos com políticas de fixas (ex.: uma fixa Top‑N exclusiva por lote).
3. Gera jogos por amostragem ponderada e/ou por blocos, aplica “vizinhos” (grade 6×10) quando configurado.
4. Rejeita candidatos que violam regras (histórico, sobreposição, exclusões) até fechar a quantidade.
5. Exporta um CSV unificado e registra tudo em log (incluindo fixas, vizinhos aplicados e motivos de rejeição).

Resultados e qualidade dos dados

• Fontes confiáveis: histórico validado e modelos acompanhados por logs e auditorias internas.
• Higiene e consistência: limpeza, normalização e checagens automáticas antes de qualquer geração.
• Rastreabilidade: cada rodada deixa trilha de execução para conferência e reprodutibilidade.
• Organização clara: saídas estruturadas em planilhas/CSVs, fáceis de consultar e auditar.

Por que isso importa

Não é “mágica” nem promessa de acerto. É engenharia aplicada: modelo + regras + validações que buscam consistência na alocação das apostas, com transparência e reprodutibilidade.

• Diversidade com controle: evita jogar “muitas vezes o mesmo jogo” (alto overlap) e melhora cobertura do espaço de combinações dentro do orçamento.
• Menos erro humano: regras automáticas reduzem duplicações, inconsistências e esquecimentos na montagem manual.
• Melhor governança: tudo é rastreável (versões de dados/modelo, logs, parâmetros e arquivos gerados).
• Qualidade operacional: integração com planilhas e exportações padronizadas para conferência rápida.
• Honestidade estatística: o método não “quebra” a loteria; ele disciplina a construção do conjunto de apostas e evita aleatoriedade sem controle.

Em resumo: não prometemos resultados, mas entregamos um processo mais profissional do que “surpresinhas” — com dados oficiais, estatística pura e LSTM como apoio, filtros de qualidade e rastreabilidade.