Erudil (собственный продукт) · Спортивная аналитика
Erudil: ИИ-движок, оценивающий вероятность каждого исхода матча
Собственный продукт. Вероятностный движок превращает данные матча в матрицы вероятностей исходов, сверяет их с котировками букмекеров и публикует неизменяемую историю каждого прогноза — и выигрышей, и проигрышей.
- Длительность
- 14 месяцев до запуска, развивается
- Обновлено
- 28 августа 2026
- Стек
- PythonPyTorchPostgreSQLLaravelReactRedisDockerAWS
25k+
проанализированных матчей
61,8%
точность в тире высокой уверенности
10 000
симуляций на матч
+2,1%
closing-line value
С чего всё началось?
Отправная точка — рынок, полный «капперов», которые показывают выигрыши и прячут проигрыши. Мы хотели обратного: продукт, где каждое число — вероятность, каждая вероятность сверена с рынком, а каждый опубликованный прогноз остаётся на странице независимо от результата. Сам рынок велик и регулируем: Statista (2024) оценивает мировую выручку ставок на спорт в десятки миллиардов долларов в год, а отраслевая статистика UK Gambling Commission (2024) показывает онлайн-ставки крупнейшим регулируемым сегментом в Британии, — именно поэтому проверяемая история прогнозов имеет значение.
Erudil — этот продукт: Glanit создал и развивает его как собственное направление. Это и наш эталонный проект по прогнозированию и вероятностному моделированию: та же инженерия лежит в основе прогноза спроса, динамического ценообразования и скоринга рисков для клиентов.
Какую задачу нужно было решить?
Задача — оценивать десятки исходов одного матча (победитель, ничья, тоталы, форы, «обе забьют») из одной цельной вероятностной модели, а не из набора отдельных догадок; иначе модель может одновременно заявить 60% на победу хозяев и 50% на «меньше 1,5 гола». Классический ответ восходит к Диксону и Коулзу (1997), которые моделировали футбольные счета скорректированными распределениями Пуассона и показали, где рынок ставок неэффективен; инженерная задача — держать такую модель согласованной, живой и честной.
Модель должна пересчитываться, когда состав меняется за час до матча, справляться с шестью поставщиками данных, которые противоречат друг другу, и — самое сложное — уметь признавать, что преимущества нет, вместо того чтобы выдавать прогноз любой ценой.
Страница матча
Всё, что видит пользователь, выводится из одной матрицы точного счёта: вероятности 1X2, тоталы, форы и «обе забьют» никогда не противоречат друг другу, потому что читаются из одной сетки.
Как это было построено?
Решение построено вокруг одной матрицы вероятностей точного счёта на матч, которую даёт Монте-Карло-симуляция десяти тысяч виртуальных матчей на основе распределения Пуассона, перепроверяемая ансамблем специализированных модулей. Каждый рынок считывается из этой матрицы, поэтому котировки никогда не противоречат друг другу. Котировки букмекеров переводятся в подразумеваемые вероятности с удалением маржи и сравниваются с моделью; прогноз публикуется только там, где преимущество превышает откалиброванный порог, а его успех оценивается относительно линии закрытия — меры мастерства, которую справочные материалы Pinnacle (2024) называют самым надёжным долгосрочным индикатором.
- Матрица вероятностей исходов. Ожидаемая результативность сторон (xG, xPts, форма, личные встречи, стадион, погода), просимулированная в сетку точного счёта.
- Ансамбль модулей. Атака против защиты, исторические тренды, NLP-модуль, читающий новости о травмах и составах, и рыночный модуль, отслеживающий движение линии и денег.
- Сравнение с рынком. Если вероятность модели превышает рыночную больше, чем на порог, прогноз помечается как положительное матожидание; иначе движок выдаёт вердикт SKIP.
- Публичная неизменяемая история. Каждый прогноз хэшируется (SHA-256, стандарт NIST FIPS 180-4) до публикации; точность и ROI публикуются по уровням уверенности, видам спорта и турнирам, и ничего никогда не удаляется.
- Продукт. Веб-приложение с подписками и токенами, бесплатные ежедневные прогнозы, страницы статистики, B2B API и white-label, четыре языка.
Прогнозы капперов против калиброванного вероятностного движка: в чём разница?
Таблица противопоставляет обычный сервис прогнозов движку, на котором работает Erudil. Каппер публикует прогноз и сопровождающую его историю; движок публикует вероятность, рыночную цену, с которой она сравнивалась, и вердикт, который может быть SKIP. Разница не в точности на удачной неделе, а в том, можно ли независимо проверить всю историю прогнозов на неудачной.
| Критерий | Типичный каппер | Движок Erudil |
|---|---|---|
| Результат | Прогноз + нарратив | Матрица вероятностей + преимущество над рынком |
| Согласованность рынков | Не контролируется | Все рынки из одной сетки |
| Когда преимущества нет | Прогноз всё равно | Вердикт SKIP |
| История | Отобранная | Хэш до публикации, ничего не удаляется |
| Метрика качества | Серии побед | Brier score, closing-line value |
| Обновление по новостям | Вручную, если вообще | Пересчёт по событиям составов и рынка |
От данных к вердикту
Шесть поставщиков данных, NLP-модуль, читающий новости, и поток котировок сходятся в ансамбле; любое событие, способное сдвинуть вероятность — подтверждённый состав, травма, движение линии на 3%, — запускает пересчёт.
Результаты в цифрах
Калибровка модели отслеживается публично. Точность публикуется по уровням уверенности, чтобы прогноз «высокой уверенности» что-то значил; Brier score и closing-line value — два числа, за которыми мы следим в продакшене: модель, обыгрывающая закрывающую линию, — это модель с реальным преимуществом.
- Высокая
- Средняя
- Низкая
Только оценённые прогнозы; вердикты SKIP исключены по определению.
Data table
| Высокая | Средняя | Низкая | |
|---|---|---|---|
| Сен | 60.1% | 54.2% | 48.3% |
| Окт | 61% | 55% | 50.1% |
| Ноя | 61.9% | 53.4% | 49% |
| Дек | 61.2% | 55.1% | 51.2% |
| Янв | 62.6% | 56% | 50.4% |
| Фев | 62% | 55.3% | 49.2% |
| Мар | 61.4% | 54.6% | 50% |
| Апр | 62.1% | 55.2% | 51.1% |
| Май | 62.3% | 56.1% | 50.3% |
| Июн | 63% | 55.4% | 50% |
| Июл | 62.2% | 55% | 51.2% |
| Авг | 61.8% | 55.7% | 50.4% |
Data table
| Матчи | |
|---|---|
| Футбол | 13,840 |
| Баскетбол | 4,210 |
| Хоккей | 3,120 |
| Теннис | 2,260 |
| Киберспорт | 1,410 |
| Американский футбол | 640 |
Публичная история прогнозов
Страница, которая делает продукт честным: каждый прогноз хэшируется до показа, автоматически оценивается после матча и учитывается в статистике тира. Пользователь может убедиться, что прогноз не редактировали задним числом.
Стек и эксплуатация
Моделирование и симуляции на Python (NumPy, PyTorch для взвешивания ансамбля); пайплайны данных, собирающие расписания, статистику и котировки от шести поставщиков с пересчётом по новостным событиям; PostgreSQL и Redis; бэкенд на Laravel с фронтендом на React; контейнерный деплой на AWS. Калибровка модели (Brier score, closing-line value) мониторится в продакшене, алерт о дрейфе открывает тикет на переобучение.
Кому подходит этот подход?
Подход подходит любой команде, чьи решения зависят от вопроса «насколько мы уверены?» не меньше, чем от самого ответа: прогноз спроса в ритейле и логистике, динамическое ценообразование, кредитный и антифрод-скоринг, планирование мощностей. Erudil — именно такая система прогнозирования, какие мы строим для клиентов: калиброванная вероятностная модель, честная к неопределённости, подключённая к живым данным и поставленная с мониторингом, а не с презентацией. Прогнозы Deloitte по технологиям и спорту (2024) ожидают, что данные и ИИ продолжат менять то, как спортивные организации и медиа оценивают и подают исходы; то же давление действует в любой отрасли, продающей против движущегося рынка.
Частые вопросы
Ещё кейсы
ИИ-ассистенты по регламентам для продуктовой сети с 30 000 сотрудников
Три RAG-ассистента на одной платформе — для коммерческой функции, директоров магазинов (голосом, прямо из торгового зала) и HR — отвечают на вопросы по корпоративным регламентам со ссылкой на конкретный пункт или честно говорят, что ответа нет, — и сотрудники перестают звонить в офис по типовым вопросам.
- Ритейл
- Python
- LangChain
- PostgreSQL + pgvector
Document AI, который читает 1 300 накладных от поставщиков в день
Сканы и фото накладных, счетов и актов проходят через мультимодальную модель, которая извлекает типизированные поля с оценкой уверенности по каждому, сверяет их со справочниками поставщиков и договоров и передаёт в ERP. К человеку попадают только документы с низкой уверенностью — примерно каждый девятый.
- Ритейл · Финансы
- Python
- PyTorch
- Multimodal LLM
Catalogue AI: классификация новых SKU и очистка 182 000 карточек товаров
Две модели на товарном каталоге продуктовой сети: одна предлагает код классификации и категорию для каждой новинки с вероятностями top-3, другая находит дубликаты карточек семантически. Категорийные менеджеры подтверждают одним кликом вместо ручного поиска по классификатору; каждое подтверждение идёт в дообучение.
- Ритейл · Мастер-данные
- Python
- scikit-learn
- Sentence Transformers