SuperEnalotto KI-Labor: Lotterie-KIs im Test
Im Internet werden mehrere kostenlose „Lotterie-KIs“ angeboten, die mit neuronalen Netzen (LSTM) die nächsten Gewinnzahlen vorhersagen wollen. Dieses Labor baut drei davon nach und trainiert sie mit TensorFlow.js auf den 4 288 echten SuperEnalotto-Ziehungen – direkt in deinem Browser, nichts wird hochgeladen. Danach siehst du den „Tipp“ des Modells und, wichtiger, wie oft es in den zurückgehaltenen Ziehungen richtig lag – verglichen mit dem, was reiner Zufall liefert.
🔮 KI & Backtest › · 🧪 Strategie-Labor (Backtest) ›
Die drei Modelle
A · LotteryAi
Quelle: CorvusCodex · MIT
Embedding → LSTM → Dense(softmax). Das Netz bekommt jede Ziehung als Eingabe und soll dieselbe Ziehung wieder ausgeben (x = y). Die Vorhersage ist die Rangfolge der Ausgabeneuronen plus 1.
Befund: Weil alle Ausgabeneuronen in die Rangfolge eingehen, lautet der „Tipp“ immer 1, 2, 3 … – unabhängig von den Daten. Die Trainings-„Genauigkeit“ erreicht trotzdem 100 %, weil das Netz nur lernt, dass die größte Zahl immer an letzter Stelle steht.
B · PowerballAi
Quelle: CorvusCodex · MIT
Dasselbe Netz. Die Vorhersage würfelt die Zahlen der letzten bekannten Ziehung in neuer Reihenfolge; die Bonuszahl ist das Ausgabeneuron mit der höchsten Wahrscheinlichkeit.
Befund: Das Originalskript bricht mit seinem eigenen Datenformat mit einem Indexfehler ab (6 Spalten, 6 Rangplätze auf 5 Spalten). Hier läuft die offensichtlich beabsichtigte Variante: Der Tipp ist schlicht die vorherige Ziehung, die Bonuszahl liegt immer zwischen 1 und der Spaltenzahl.
C · Mega Millions AI
Quelle: iandickson222
Je Position ein eigenes LSTM(64) mit der vorherigen Ziehung als Eingabe, je Position ein Softmax über alle Zahlen; Training mit EarlyStopping. Vorhersage: die wahrscheinlichste Zahl je Position.
Befund: Ein echtes Sequenzmodell – aber je Position lernt es nur die häufigste Zahl an dieser Stelle (kleine Zahlen vorn, große hinten) und liefert oft Dubletten. Die Treffer liegen im Rahmen des Zufalls.
Die Originale sind mit LSTM-Schichten von 256 000 bzw. 409 800 Neuronen definiert – das wären Hunderte Gigabyte Gewichte; das Skript läuft so auf keinem Rechner. Hier sind die Schichten auf 16 bis 128 Neuronen verkleinert, alles andere (Aufbau, Verlustfunktion, Aufteilung 80/20 bzw. 90/10, Vorhersageregel) ist übernommen.
Trainingsverlauf
Die „Genauigkeit“ vergleicht nur, ob das Ausgabeneuron mit der höchsten Wahrscheinlichkeit an der Position der größten Zahl liegt – bei aufsteigend sortierten Ziehungen ist das immer die letzte Position. 100 % bedeuten also nichts.
Ergebnis
„Tipp“ des Modells für die nächste Ziehung
Ehrlicher Test: zurückgehaltene Ziehungen
| Richtige | Modell | Zufallserwartung |
|---|
Die letzten Tipps im Test
| Datum | Vorhersage | Treffer |
|---|
Fragen zum KI-Labor
Kann ein LSTM die nächsten Lottozahlen vorhersagen?
Nein. Ein LSTM lernt Muster in Folgen – Sprache, Kurse, Sensordaten. Die SuperEnalotto-Ziehungen sind unabhängige Zufallsereignisse ohne Gedächtnis: Die Ziehung von heute enthält keine Information über die von morgen. Das Netz kann deshalb höchstens die Häufigkeitsverteilung der Vergangenheit nachbilden, und die ist für alle Zahlen gleich.
Warum melden diese Programme 100 % Genauigkeit?
Weil die Metrik das Falsche misst. Die Skripte geben die Ziehung als Eingabe und als Ziel; „Genauigkeit“ bedeutet dann nur, dass das Netz die Position der größten Zahl findet – bei sortierten Ziehungen immer die letzte. Mit Vorhersagen hat das nichts zu tun.
Was unterscheidet dieses Labor von den Originalen?
Die Architektur, die Verlustfunktion, die Aufteilung und die Vorhersageregel sind übernommen. Nur die unrealistisch großen LSTM-Schichten sind verkleinert, und es gibt eine Auswertung, die den Originalen fehlt: Jeder Tipp wird mit Daten von vor der Ziehung gebildet und gegen die exakte Zufallserwartung gestellt.
Ist die Trefferquote manchmal besser als der Zufall?
Bei wenigen Validierungsziehungen schwankt das Ergebnis stark; ein p-Wert unter 0,05 kommt bei 20 Versuchen im Schnitt einmal vor. Wer verschiedene Fenster, Epochen und Modelle probiert, findet irgendwann einen Ausreißer – das ist Zufall, keine Entdeckung.