MillionDAY – Labo IA : les « IA loto » à l'épreuve
Sur Internet, plusieurs « IA de loterie » gratuites promettent de prédire les prochains numéros avec des réseaux de neurones (LSTM). Ce labo en reconstruit trois et les entraîne avec TensorFlow.js sur les 3 180 vrais tirages MillionDAY, directement dans votre navigateur, sans rien envoyer. Vous voyez ensuite la « grille » du modèle et, surtout, combien de fois il a eu raison sur les tirages mis de côté, comparé à ce que donne le pur hasard.
🔮 IA & test › · 🧪 Laboratoire de stratégies (backtest) ›
Les trois modèles
A · LotteryAi
Source: CorvusCodex · MIT
Embedding → LSTM → Dense(softmax). Le réseau reçoit chaque tirage en entrée et doit ressortir le même tirage (x = y). La prédiction est le classement des neurones de sortie, plus 1.
Constat : Comme tous les neurones de sortie entrent dans le classement, la « grille » est toujours 1, 2, 3 …, quelles que soient les données. La « précision » d'entraînement atteint pourtant 100 %, car le réseau apprend seulement que le plus grand numéro est toujours en dernière position.
B · PowerballAi
Source: CorvusCodex · MIT
Le même réseau. La prédiction remélange les numéros du dernier tirage connu ; le numéro bonus est le neurone de sortie le plus probable.
Constat : Le script original plante avec son propre format de données (erreur d'index : 6 rangs pour 5 colonnes). Ici tourne la variante manifestement voulue : la grille est simplement le tirage précédent, et le bonus tombe toujours entre 1 et le nombre de colonnes.
C · Mega Millions AI
Source: iandickson222
Un LSTM(64) par position avec le tirage précédent en entrée, un softmax sur tous les numéros par position ; entraînement avec EarlyStopping. Prédiction : le numéro le plus probable à chaque position.
Constat : Un vrai modèle de séquence, mais chaque position n'apprend que le numéro le plus fréquent à cette place (petits numéros devant, grands derrière) et produit souvent des doublons. Les bons numéros restent dans la marge du hasard.
Les originaux définissent des couches LSTM de 256 000 et 409 800 neurones : des centaines de gigaoctets de poids, le script ne tourne sur aucune machine. Ici, les couches sont réduites à 16 – 128 neurones ; tout le reste (architecture, fonction de perte, partage 80/20 ou 90/10, règle de prédiction) est repris tel quel.
Courbe d'entraînement
La « précision » vérifie seulement si le neurone le plus probable se trouve à la position du plus grand numéro ; avec des tirages triés, c'est toujours la dernière. 100 % ne veut donc rien dire.
Résultat
« Grille » du modèle pour le prochain tirage
Test honnête : tirages mis de côté
| Bons numéros | Modèle | Hasard (attendu) |
|---|
Les dernières grilles du test
| Date | Prédiction | Bons numéros |
|---|
Questions sur le labo IA
Un LSTM peut-il prédire les prochains numéros ?
Non. Un LSTM apprend des motifs dans des séquences : langage, cours de bourse, capteurs. Les tirages MillionDAY sont des événements aléatoires indépendants et sans mémoire : le tirage d'aujourd'hui ne contient aucune information sur celui de demain. Le réseau ne peut donc que reproduire la distribution des fréquences passées, identique pour tous les numéros.
Pourquoi ces programmes affichent-ils 100 % de précision ?
Parce que la métrique mesure autre chose. Les scripts donnent le tirage en entrée et en cible ; la « précision » signifie alors seulement que le réseau trouve la position du plus grand numéro, toujours la dernière avec des tirages triés. Cela n'a rien à voir avec une prédiction.
Qu'est-ce qui distingue ce labo des originaux ?
L'architecture, la fonction de perte, le partage des données et la règle de prédiction sont repris. Seules les couches LSTM irréalistes sont réduites, et il y a une évaluation qui manque aux originaux : chaque grille est formée avec les données d'avant le tirage et comparée à l'espérance exacte du hasard.
Le taux de bons numéros dépasse-t-il parfois le hasard ?
Avec peu de tirages de validation, le résultat fluctue beaucoup ; un p inférieur à 0,05 arrive en moyenne une fois sur 20 essais. En variant fenêtres, époques et modèles, on finit toujours par trouver un écart : c'est le hasard, pas une découverte.