Reti neurali per la lotteria: l'IA può prevedere quali numeri usciranno?

La tentazione di affidare la scelta dei numeri della lotteria all'intelligenza artificiale è comprensibile. Le reti neurali già scrivono codice, individuano tumori nelle radiografie e compongono sinfonie: perché allora non dovrebbero trovare uno schema nelle estrazioni del SuperEnalotto? Il nostro sito dispone di una sezione di addestramento di reti neurali che esegue un modello TensorFlow.js completo direttamente nel browser, sull'archivio di qualsiasi lotteria. Il paradosso è che proprio questo modello dimostra perché una rete neurale qui è inutile per la previsione, e perché allo stesso tempo si rivela utile.

Cosa può e cosa non può fare una rete neurale

Una rete neurale è un approssimatore di funzioni. Se i dati contengono uno schema esprimibile come funzione degli input, prima o poi la rete lo troverà. È esattamente così che funzionano i modelli di riconoscimento vocale, i sistemi di raccomandazione dei film e la traduzione automatica: ovunque l'output dipenda dall'input in modo sistematico.

In una lotteria corretta, una funzione del genere non esiste. L'esito di ogni estrazione è indipendente dai precedenti, e qualsiasi rete, per quanto profonda, incontra un limite fondamentale: non si può prevedere ciò che è casuale per definizione. Non è una questione di architettura, strati nascosti o epoche di addestramento: è una questione legata alla natura dei dati. Per approfondire perché la probabilità di ogni estrazione è indipendente dalla storia precedente, vedi l'articolo "Probabilità di vincita alla lotteria".

Detto questo, ciò non rende una rete neurale inutile nella lotteria. Essa può individuare deviazioni dalla casualità, se ne esistono nell'archivio. Un bombolo con geometria imperfetta, guasti delle apparecchiature, persino schemi psicologici del conduttore nelle estrazioni fisiche: tutto questo lascia tracce che un test del chi-quadro o uno Z-score potrebbero non cogliere, mentre un modello non lineare potrebbe notarle. Lo strumento va quindi visto non come un oracolo, ma come un rilevatore di anomalie.

Come funziona il nostro strumento di addestramento di reti neurali

La pagina di addestramento del modello è un ambiente completo di addestramento di reti neurali basato su TensorFlow.js, che gira direttamente nel browser. Nessun calcolo lato server: tutto avviene sul client, e i modelli vengono salvati nel localStorage e restano a tua disposizione.

L'architettura di base predefinita è un percettrone multistrato per ogni bombolo separatamente. Per le lotterie a un solo bombolo come SuperEnalotto o MillionDAY, viene creato un unico modello; per i giochi a più bomboli come l'EuroJackpot, viene costruito un modello per ciascun bombolo.

I parametri predefiniti sono impostati in modo sensato per un primo esperimento:

• Strato nascosto: 64 neuroni, dropout 0,2 — sufficiente per la non linearità, ma senza overfitting su archivi piccoli.

• Attivazione: ReLU per gli strati nascosti, softmax per l'output — una configurazione classica per i problemi di classificazione delle palline.

• Ottimizzatore: Adam — la scelta standard, senza bisogno di regolare manualmente il learning rate.

• Finestra di addestramento: le ultime 5 estrazioni vengono usate come input per prevedere quella successiva.

• Epoche: 50 di default — puoi aumentarle se vedi che la loss continua a diminuire.

• Validazione: il 20% dell'archivio è riservato alla validazione, e le ultime 50 estrazioni al test (il backtest).

Se hai esperienza con le reti neurali, tutto quanto sopra può essere modificato: aggiungere strati, regolare il dropout, sostituire le funzioni di attivazione. Per la maggior parte dei giocatori, la configurazione predefinita dà esattamente lo stesso risultato di qualsiasi altra — e quel risultato è già di per sé informativo.

Cosa viene fornito alla rete come input

La costruzione delle feature di input è una parte chiave di qualsiasi problema di machine learning. Nel nostro caso, il modello riceve tre tipi di segnali:

1. La sequenza delle estrazioni precedenti — i numeri delle palline estratte negli ultimi 5 turni, codificati in one-hot per ciascun bombolo.

2. Feature temporali — giorno della settimana, mese, numero sequenziale dell'estrazione. Se un bombolo avesse delle "preferenze" a seconda della stagione o del giorno, emergerebbero qui.

3. Statistiche accumulate — le frequenze delle palline al momento della previsione. Questo permette al modello di tenere conto contemporaneamente sia della storia sia del "contesto" dell'estrazione.

Un vettore di input così è onesto: il modello dispone di tutte le informazioni ragionevoli necessarie per cercare degli schemi. Se il risultato esce "come una scelta a caso", allora non ci sono schemi. E se risulta migliore, vedremo subito esattamente quale input lo ha prodotto, e potremo interpretarlo in modo significativo.

Backtest: cosa mostra la pratica

Il test principale del modello è il backtest. Addestriamo la rete non sull'intero archivio, ma sulla sua prima parte, e poi verifichiamo quanto bene prevede le ultime 50 estrazioni, che non ha mai visto. Questo riproduce la situazione reale: "la rete potrebbe indovinare il futuro conoscendo il passato?"

Il risultato è lo stesso per ogni lotteria a estrazione presente sul sito. L'accuratezza del modello converge verso il tasso casuale di base. Per il SuperEnalotto (6 di 90) questo significa che la rete indovina una pallina su sei con una probabilità di circa 6/90 = 6,7% per pallina, esattamente ciò che dovrebbe accadere con un bombolo corretto. Per il MillionDAY (5 di 55) è 5/55 = 9,1%. Nessuna accuratezza "fuori scala" superiore al caso compare in alcuna lotteria su cui si scateni il modello.

Questo non è un bug né un limite del modello: è una proprietà dei dati. L'archivio di una lotteria corretta non contiene alcuno schema estraibile, e la rete, essendo un approssimatore ottimale, mostra esattamente questo. Se ti capita un articolo o un video con il titolo "L'IA ha previsto la lotteria", quasi certamente c'è o l'affermazione di un'accuratezza che non esiste, oppure un esempio retrospettivo selezionato ad arte che non si riproduce su dati nuovi.

Perché questo esperimento è comunque utile

Sarebbe un peccato se la storia finisse qui. Ma non è così: la sezione /dl è utile per diversi motivi non legati alla previsione.

In primo luogo, è il test di casualità più convincente. I criteri formali come il chi-quadro o il test di Pearson producono un p-value astratto che la maggior parte dei giocatori non coglie a livello intuitivo. La curva della loss di una rete neurale addestrata, invece — che si appiattisce su un plateau e non va da nessuna parte — è eloquente. Se persino una rete a 3 strati con 64 neuroni ciascuno non ha trovato alcun segnale in 50 epoche, semplicemente non c'è.

In secondo luogo, lo strumento rivela la struttura dell'archivio. Puoi osservare quali palline il modello "sceglie" in media e confermare che la loro frequenza corrisponde a quella teorica. Puoi confrontare due lotterie vicine: l'EuroJackpot e il MillionDAY producono uno schema di distribuzione della loss diverso nelle prime epoche, pur con la stessa casualità in uscita. Questo illustra come la dimensione dello spazio combinatorio influisca sul problema.

In terzo luogo, è un esempio didattico. Se stai studiando il machine learning, /dl è una sandbox pronta per gli esperimenti: cambia l'architettura, gli strati, la finestra di addestramento, e osserva come influisce sul comportamento della rete su dati genuinamente casuali. Condizioni del genere sono rare in altri compiti.

Dove l'IA funziona davvero nella lotteria

Visto che una rete neurale non prevede i numeri, dove è realmente utile nel contesto del gioco alla lotteria? Ci sono almeno tre applicazioni che funzionano.

• Previsione dell'andamento del jackpot. L'entità del montepremi accumulato dipende dalle vendite dei biglietti e dalla storia delle estrazioni recenti — una funzione abbastanza prevedibile. Puoi fornire alla rete un archivio dei jackpot e ottenere una stima della cifra da aspettarsi nella prossima estrazione.

• Modellazione dell'interesse dei giocatori. Gli acquisti di biglietti reagiscono fortemente all'entità del jackpot, alla copertura mediatica e persino al meteo. È un classico problema di regressione che l'IA gestisce bene.

• Ottimizzazione della scelta dei metodi di analisi statistica. Qui la rete neurale funziona come un "meta-modello": non prevede i numeri, ma determina quali combinazioni tra i 20 metodi forniscono i segnali più coerenti per una lotteria specifica. Questo aiuta il giocatore a non perdere tempo con metodi inutili fin dall'inizio.

In tutti e tre i casi, il problema è formulato come la stima di un processo deterministico, non come la previsione del caso. È esattamente lì che passa il confine: l'IA è uno strumento potente per problemi con una struttura interna, e inutile per problemi che ne sono privi. Un breve riepilogo:

Come addestrare il tuo modello nel browser

Se hai voglia di provare il tuo esperimento, ecco l'ordine dei passaggi.

1. Apri la pagina di addestramento per la lotteria che preferisci, ad esempio per il SuperEnalotto. La pagina gira solo sul client — alla prima visita inizierà a caricare TensorFlow.js (circa 2 MB).

2. Lascia i parametri predefiniti alla prima esecuzione. 64 neuroni, dropout 0,2, 50 epoche, finestra 5 — è un preset funzionante per ogni lotteria.

3. Clicca su "Addestra". Il processo richiede da 30 secondi a qualche minuto a seconda della dimensione dell'archivio e della potenza del tuo dispositivo. Il modello si addestra in background senza bloccare l'interfaccia.

4. Osserva la curva della loss. Se la loss scende e si stabilizza, il modello si è addestrato correttamente. Se oscilla, l'archivio è troppo piccolo (meno di 200 estrazioni) — aumenta le epoche o prova una lotteria con un archivio più ampio.

5. Esegui il backtest. La sezione mostrerà con quale accuratezza il modello ha previsto le ultime 50 estrazioni. Confrontala con il tasso casuale di base — non ci sarà quasi differenza.

6. Ottieni una previsione. Una volta al giorno puoi ottenere gratuitamente la combinazione che il modello considera più probabile. Salvala nel tuo blocco note e confrontala con il risultato dell'estrazione.

Il modello viene salvato nel localStorage del browser e non viene inviato al server. Per sperimentare con l'architettura, puoi aggiungere ulteriori strati nascosti nelle impostazioni avanzate, cambiare la dimensione della finestra di addestramento o provare altre attivazioni. Questo non renderà la previsione più accurata, ma mostra benissimo come le reti profonde rispondono a dati rumorosi — un raro caso in cui un addestramento "sbagliato" è utile per capire un buon addestramento.

Conclusioni chiave

1. Una rete neurale non prevede il caso. In una lotteria corretta non esiste alcuna funzione estraibile dalle estrazioni passate a quella successiva — e questo deriva dalla matematica, non dall'architettura della rete.

2. Il nostro /dl addestra un modello reale nel browser (TensorFlow.js, 64 neuroni, ReLU+softmax, Adam) e mostra un'accuratezza pari al tasso casuale di base. È un risultato onesto.

3. È il test di casualità più convincente. Se persino una rete neurale a tutti gli effetti non ha trovato alcun segnale, allora non ce n'è.

4. Lo strumento è utile per imparare — come sandbox didattica di machine learning su dati genuinamente casuali.

5. L'IA funziona davvero su problemi con struttura deterministica: previsione dei jackpot, modellazione della domanda, meta-analisi dei metodi statistici.

6. Se vedi "L'IA ha previsto la lotteria", quasi certamente è o una retrospettiva truccata o un'esagerazione. Il risultato onesto è sempre lo stesso: casualità in uscita.

7. Considera /dl un esperimento, non un oracolo. Puoi giocare seguendo la sua previsione, ma le probabilità di una scommessa del genere sono esattamente le stesse di una scelta casuale — il calcolatore lo confermerà.