Redes neurais na loteria: a IA consegue prever quais dezenas vão sair?

A tentação de entregar a escolha das dezenas da loteria para a inteligência artificial é compreensível. As redes neurais já escrevem código, identificam câncer em exames de imagem e compõem sinfonias — então por que não encontrariam um padrão nos concursos da Mega-Sena? Nosso site tem uma seção de treinamento de redes neurais que roda um modelo completo em TensorFlow.js direto no seu navegador, sobre o arquivo de concursos de qualquer loteria. O paradoxo é que esse mesmo modelo demonstra por que uma rede neural é inútil aqui para previsão — e por que ainda assim ela acaba sendo útil.

O que uma rede neural pode e o que não pode fazer

Uma rede neural é um aproximador de funções. Se os dados contêm um padrão que possa ser expresso como função das entradas, a rede acabará por encontrá-lo. É exatamente assim que funcionam os modelos de reconhecimento de fala, as recomendações de filmes e a tradução automática — em qualquer lugar onde a saída dependa da entrada de forma sistemática.

Numa loteria honesta, essa função simplesmente não existe. O resultado de cada concurso é independente dos anteriores, e qualquer rede, por mais profunda que seja, esbarra num limite fundamental: não dá para prever algo que é, por definição, aleatório. Isso não é uma questão de arquitetura, de camadas ocultas ou de épocas de treinamento — é uma questão da natureza dos dados. Para entender melhor por que a probabilidade de cada concurso é independente do histórico, veja o artigo "Probabilidade de ganhar na loteria".

Dito isso, isso não torna a rede neural inútil na loteria. Ela pode encontrar desvios da aleatoriedade, caso existam no arquivo de concursos. Um globo com geometria imperfeita, falhas de equipamento, até padrões psicológicos do apresentador em sorteios físicos — tudo isso deixa rastros que um teste qui-quadrado ou um Z-score podem não captar, enquanto um modelo não linear poderia notar. Por isso a ferramenta deve ser vista não como um oráculo, mas como um detector de anomalias.

Como funciona nossa ferramenta de treinamento de redes neurais

A página de treinamento de modelos é um ambiente completo de treinamento de redes neurais construído em TensorFlow.js, rodando direto no navegador. Sem computação no servidor: tudo acontece no cliente, e os modelos são salvos no localStorage e ficam com você.

A arquitetura base padrão é um perceptron multicamadas para cada lototron separadamente. Para loterias de lototron único, como a Mega-Sena ou a Dupla Sena, é criado um único modelo; para jogos com múltiplos lototrons, como a +Milionária (que tem o volante principal e os trevos), é construído um modelo por lototron.

Os parâmetros padrão estão definidos de forma sensata para um primeiro experimento:

• Camada oculta: 64 neurônios, dropout 0,2 — suficiente para não linearidade, mas sem sobreajuste em arquivos pequenos.

• Ativação: ReLU nas camadas ocultas, softmax na saída — uma configuração clássica para tarefas de classificação de dezenas.

• Otimizador: Adam — a escolha padrão, sem necessidade de ajustar manualmente a taxa de aprendizado.

• Janela de treinamento: os 5 últimos concursos são usados como entrada para prever o próximo.

• Épocas: 50 por padrão — você pode aumentar se vir que a perda continua diminuindo.

• Validação: 20% do arquivo são separados para validação, e os últimos 50 concursos para teste (o backtest).

Se você tem experiência com redes neurais, tudo isso pode ser alterado: adicionar camadas, ajustar o dropout, trocar as funções de ativação. Para a maioria dos apostadores, a configuração padrão dá exatamente o mesmo resultado que qualquer outra — e esse resultado já é informativo por si só.

O que é fornecido à rede como entrada

Construir as features de entrada é uma parte central de qualquer tarefa de aprendizado de máquina. No nosso caso, o modelo recebe três tipos de sinais:

1. A sequência de concursos anteriores — as dezenas sorteadas nas 5 últimas rodadas, codificadas em one-hot para cada lototron.

2. Features temporais — dia da semana, mês, número sequencial do concurso. Se um lototron tivesse "preferências" dependendo da estação ou do dia, isso apareceria.

3. Estatísticas acumuladas — a frequência das dezenas no momento da previsão. Isso permite ao modelo levar em conta, ao mesmo tempo, o histórico e o "contexto" do concurso.

Esse vetor de entrada é justo: o modelo tem todas as informações razoáveis de que precisa para buscar padrões. Se o resultado sai "como um chute aleatório", então não há padrões. E se sair melhor, veremos imediatamente exatamente qual entrada o produziu, e poderemos interpretá-lo de forma significativa.

Backtesting: o que a prática mostra

O principal teste do modelo é o backtest. Treinamos a rede não no arquivo inteiro, mas na sua primeira parte, e depois verificamos quão bem ela prevê os últimos 50 concursos, que ela nunca viu. Isso reproduz a situação real: "a rede conseguiria adivinhar o futuro, conhecendo o passado?"

O resultado é o mesmo para toda loteria baseada em concursos no site. A acurácia do modelo converge para a taxa aleatória de base. Para a Mega-Sena (6 de 60), isso significa que a rede acerta uma dezena entre as seis com probabilidade de cerca de 6/60 = 10% por dezena, que é exatamente o que deve acontecer com um globo honesto. Para a Dupla Sena (6 de 50), são 6/50 = 12%. Nenhuma acurácia "acima do gráfico", superior à aleatória, aparece em qualquer loteria em que você solte o modelo.

Isso não é um bug nem uma limitação do modelo — é uma propriedade dos dados. O arquivo de uma loteria honesta não contém nenhum padrão extraível, e a rede, sendo um aproximador ótimo, mostra exatamente isso. Se você encontrar um artigo ou vídeo com a manchete "IA previu a loteria", quase certamente há ali ou uma alegação de acurácia que não existe, ou um exemplo retrospectivo escolhido a dedo que não se reproduz em dados novos.

Por que esse experimento ainda é útil

Seria uma pena se a história terminasse aí. Mas não termina — a seção /dl é útil por vários motivos sem relação com a previsão.

Primeiro, é o teste de aleatoriedade mais convincente. Critérios formais como o qui-quadrado ou o teste de Pearson produzem um p-valor abstrato que a maioria dos apostadores não capta de forma intuitiva. Já a curva de perda de uma rede neural treinada — achatando-se num platô e não indo a lugar nenhum — é vívida. Se nem uma rede de 3 camadas com 64 neurônios em cada uma encontrou sinal em 50 épocas, então simplesmente não existe sinal.

Segundo, a ferramenta revela a estrutura do arquivo. Você pode olhar quais dezenas o modelo "escolhe" em média e confirmar que a frequência delas coincide com a teórica. Você pode comparar duas loterias vizinhas: a +Milionária e a Mega-Sena produzem um padrão diferente de distribuição da perda nas primeiras épocas, mesmo com a mesma aleatoriedade na saída. Isso ilustra como o tamanho do espaço combinatório afeta a tarefa.

Terceiro, é um exemplo didático. Se você está estudando aprendizado de máquina, a /dl é um sandbox pronto para experimentos: mude a arquitetura, as camadas, a janela de treinamento, e observe como isso afeta o comportamento da rede sobre dados genuinamente aleatórios. Essas condições são raras em outras tarefas.

Onde a IA realmente funciona na loteria

Já que uma rede neural não prevê dezenas, onde ela é genuinamente útil no contexto de jogar na loteria? Há pelo menos três aplicações que funcionam.

• Prever a tendência do prêmio acumulado. O tamanho do prêmio acumulado depende das vendas de volantes e do histórico dos concursos recentes — isso é uma função razoavelmente previsível. Você pode alimentar a rede com um arquivo de prêmios e obter uma estimativa do tamanho a esperar no próximo concurso.

• Modelar o interesse dos apostadores. A compra de volantes reage fortemente ao tamanho do prêmio, à cobertura da mídia e até ao clima. É uma tarefa clássica de regressão, com a qual a IA lida bem.

• Otimizar a escolha dos métodos de análise estatística. Aqui a rede neural funciona como um "metamodelo": ela não prevê dezenas, mas determina quais combinações, entre os 20 métodos, dão os sinais mais consistentes para uma loteria específica. Isso ajuda o apostador a não perder tempo com métodos que já são inúteis de saída.

Nos três casos, a tarefa é formulada como a estimativa de um processo determinístico, e não como a previsão do acaso. É exatamente aí que está a linha: a IA é uma ferramenta poderosa para tarefas com estrutura interna, e inútil para tarefas sem ela. Um breve resumo:

Como treinar seu próprio modelo no navegador

Se você ficou curioso para rodar seu próprio experimento, aqui está a ordem dos passos.

1. Abra a página de treinamento da loteria de sua escolha, por exemplo a da Mega-Sena. A página roda só no cliente — na primeira visita ela começará a carregar o TensorFlow.js (cerca de 2 MB).

2. Deixe os parâmetros padrão na primeira execução. 64 neurônios, dropout 0,2, 50 épocas, janela 5 — esse é um preset que funciona para toda loteria.

3. Clique em "Treinar". O processo leva de 30 segundos a alguns minutos, dependendo do tamanho do arquivo e da potência do seu dispositivo. O modelo treina em segundo plano, sem travar a interface.

4. Observe a curva de perda. Se a perda cai e se estabiliza, o modelo treinou corretamente. Se ela fica oscilando, o arquivo é pequeno demais (menos de 200 concursos) — aumente as épocas ou tente uma loteria com arquivo maior.

5. Rode o backtest. A seção mostrará com que acurácia o modelo previu os últimos 50 concursos. Compare com a taxa aleatória de base — quase não haverá diferença.

6. Obtenha uma previsão. Uma vez por dia você pode obter, de graça, a combinação que o modelo considera mais provável. Salve-a no seu bloco de combinações e confira contra o resultado do concurso.

O modelo é salvo no localStorage do seu navegador e não é enviado ao servidor. Para experimentar com a arquitetura, você pode adicionar camadas ocultas extras nas configurações avançadas, mudar o tamanho da janela de treinamento ou tentar outras ativações. Isso não vai tornar a previsão mais acurada, mas mostra muito bem como as redes profundas respondem a dados ruidosos — um caso raro em que um treinamento "ruim" é útil para entender um treinamento bom.

Principais conclusões

1. Uma rede neural não prevê o acaso. Numa loteria honesta não existe função extraível dos concursos passados para o próximo — e isso decorre da matemática, não da arquitetura da rede.

2. Nossa /dl treina um modelo de verdade no navegador (TensorFlow.js, 64 neurônios, ReLU+softmax, Adam) e mostra acurácia igual à taxa aleatória de base. Esse é um resultado honesto.

3. É o teste de aleatoriedade mais convincente. Se nem uma rede neural completa encontrou sinal, então não há sinal.

4. A ferramenta é útil para aprender — como um sandbox didático de aprendizado de máquina sobre dados genuinamente aleatórios.

5. A IA realmente funciona em tarefas com estrutura determinística: prever prêmios acumulados, modelar a demanda, fazer a meta-análise dos métodos estatísticos.

6. Se você vir "a IA previu a loteria", quase certamente é ou uma retrospectiva manipulada, ou um exagero. O resultado honesto é sempre o mesmo: aleatoriedade na saída.

7. Trate a /dl como um experimento, não como um oráculo. Você pode jogar de acordo com a previsão dela, mas as chances dessa aposta são exatamente as mesmas de uma escolha aleatória — a calculadora confirma.