# Suggest-Bet-BE - Tek Gerçek Kaynak (OZET.md)

Son güncelleme: 17 Şubat 2026  
Kapsam: Bu dosya, projeyi devralmak/geliştirmek için gereken ana teknik bilgileri tek yerde toplar.  
Kaynak: Doğrudan repo kodu (`prisma/schema.prisma`, `src/*`, `ai-engine/*`) üzerinden derlenmiştir.

---

## 1. Ürün Hedefi

Suggest-Bet-BE, canlı ve geçmiş maç verileri üzerinden AI tahminleri üretir.

Ana ürün akışı:

1. Kullanıcı frontend’de `live_matches` tablosundan maçı seçer.
2. Backend seçilen maçı AI engine’e gönderir (V20+ tek maç paketi).
3. AI engine çoklu market olasılık paketi üretir.
4. Kullanıcı bu önerilerden kuponunu manuel kurar.
5. Aynı altyapı yaklaşan maç otomasyonları/sosyal medya çıktısı için tekrar kullanılır.

---

## 2. Teknoloji Stack

- Backend API: NestJS + TypeScript
- ORM/DB: Prisma + PostgreSQL
- Queue: BullMQ
- Cache: Redis (`cache-manager-redis-yet`)
- AI Engine: Python + FastAPI + XGBoost (+ ensemble logic)
- Scheduler: `@nestjs/schedule` Cron
- Auth: JWT + refresh token
- i18n: `nestjs-i18n`

---

## 3. Kod Yapısı (Özet)

### 3.1 NestJS

Temel yol: `/Users/piton/Documents/Suggest-Bet-BE/src`

Önemli modüller:

- `auth`
- `users`
- `admin`
- `matches`
- `predictions`
- `coupons`
- `analysis`
- `feeder`
- `health`
- `leagues`

Sistem seviyesinde:

- `database` (Prisma servisleri)
- `tasks` (cron işleri)
- `common/queues` (BullMQ global queue config)

### 3.2 AI Engine

Temel yol: `/Users/piton/Documents/Suggest-Bet-BE/ai-engine`

Önemli bileşenler:

- `main.py` (FastAPI endpointleri)
- `services/single_match_orchestrator.py` (ana orchestration)
- `models/v20_ensemble.py` (ana tahmin motoru)
- `core/calculators/*`
- `core/engines/*`
- `features/*`
- `models/xgboost/*` (model artefact)

---

## 4. Veritabanı Şeması - Ne Nerede?

Kaynak: `/Users/piton/Documents/Suggest-Bet-BE/prisma/schema.prisma`

### 4.1 Temel Sport Veri Tabloları

- `countries`: ülke bilgileri
- `leagues`: lig bilgileri (`country_id`, `sport`)
- `teams`: takım bilgileri (`sport`, `logo_url`)
- `players`: oyuncu kayıtları
- `matches`: kalıcı maç kaydı (FT/historical dahil)
- `live_matches`: canlı/akış bazlı maç kaydı (JSON odds/lineups/sidelined dahil)

### 4.2 Odds Tabloları

- `odd_categories`: market başlıkları (MS, OU, BTTS vb.)
- `odd_selections`: kategori alt seçimleri ve oran değerleri
- `odds_history`: oran değişim geçmişi

### 4.3 Maç İçi Detay Tabloları

- `match_team_stats`: takım istatistikleri (futbol+basketbol alanları)
- `match_player_participation`: kadro/ilk 11 katılımı
- `match_player_events`: gol/kart/değişiklik olayları
- `match_player_stats`: oyuncu istatistikleri
- `match_officials`: hakem/yardımcı hakem vb.
- `official_roles`: hakem rol sözlüğü

### 4.4 AI Tabloları

- `match_ai_features`: hesaplanmış feature cache/tabanı
- `predictions`: match bazlı cache edilmiş prediction JSON
- `ai_predictions_log`: tahmin/sonuç performans logu

### 4.5 Kullanıcı/Kupon Tabloları

- `users`
- `refresh_tokens`
- `usage_limits`
- `user_coupons`
- `user_coupon_items`
- `analyses`

### 4.6 Sistem Tabloları

- `app_settings`: state/checkpoint gibi key-value ayarlar
- `translations`: runtime çeviri girdileri

### 4.7 İlişki Mantığı (kısa)

- `matches` merkezi entity’dir.
- Odds: `matches -> odd_categories -> odd_selections -> odds_history`
- Kadro/event/stats: `matches` + `teams` + `players`
- Kupon item: `user_coupon_items.match_id -> matches.id`

---

## 5. API Envanteri (Backend)

Base prefix: `/api`

### 5.1 Auth (`/auth`)

- `POST /register`
- `POST /login`
- `POST /refresh`
- `POST /logout`

### 5.2 Predictions (`/predictions`)

- `GET /health`
- `GET /upcoming`
- `GET /value-bets`
- `GET /history`
- `GET /:matchId`
- `POST /generate`
- `POST /smart-coupon`

Not (çalışma modu):

- `REDIS_ENABLED=false` iken `QueueModule` ve `PredictionsModule` AppModule importundan çıkarılır; bu modda `/api/predictions/*` route'ları yüklenmez.
- `REDIS_ENABLED=true` iken queue + predictions endpointleri aktif olur.

### 5.3 Coupons (`/coupon`)

- `POST /analyze-match`
- `POST /daily-banko`
- `POST /suggest`
- `POST /create`
- `GET /my-stats`
- `GET /history`

### 5.4 Matches (`/matches`)

- `POST /query`
- `GET /`
- `GET /leagues/active`
- `GET /:id`

### 5.5 Leagues (`/leagues`)

- `GET /countries`
- `GET /countries/:id`
- `GET /`
- `GET /:id`
- `GET /teams/search`
- `GET /teams/:id`
- `GET /teams/:id/matches`
- `GET /teams/h2h`

### 5.6 Health (`/health`)

- `GET /`
- `GET /ready`
- `GET /live`

### 5.7 Analysis (`/analysis`)

- `POST /analyze-matches`
- `GET /history`

### 5.8 Users (`/users`)

- `GET /me`

### 5.9 Admin (`/admin`)

- `GET /users`
- `GET /users/:id`
- `DELETE /users/:id`
- `GET /settings`
- `GET /usage-limits`
- `POST /usage-limits/reset-all`
- `GET /analytics/overview`

---

## 6. AI Engine API Envanteri

Ana dosya: `/Users/piton/Documents/Suggest-Bet-BE/ai-engine/main.py`

Ana route’lar:

- `GET /`
- `GET /health`
- `POST /v20plus/analyze/{match_id}`
- `POST /v20plus/coupon`
- `GET /v20plus/daily-banker`

Geriye uyumluluk alias’ları:

- `POST /predict/v20/{match_id}`
- `POST /v20/analyze/{match_id}`
- `POST /smart-coupon`
- `POST /v20/coupon`

Not: Backend uygulaması artık yalnızca `v20plus` route'larını çağırır.

---

## 7. V20+ Ana Tahmin Mimarisi (Şu anki temel)

Ana servis: `ai-engine/services/single_match_orchestrator.py`

Akış:

1. Maç verisini getir (`live_matches` öncelik, `matches` fallback)
2. Odds çıkar (`live_matches.odds` JSON, yoksa relational odds fallback)
3. Lineup çıkar:
   - `live_matches.lineups` JSON parse (`id` / `playerId` / `personId` destekli)
   - yoksa `match_player_participation` (aynı match, `is_starting=true`) fallback
   - yine yoksa tarih bazlı muhtemel XI fallback: ilgili takımın maç tarihinden önceki FT maçlarında en sık başlayan 11 oyuncu (home/away tarafları ayrı hesaplanır, karıştırılmaz)
4. V20 ensemble çalıştır (`models/v20_ensemble.py`)
5. Tek sözleşmede prediction package döndür

Package ana alanları:

- `match_info`
- `data_quality`
- `risk`
- `engine_breakdown`
- `main_pick`
- `bet_advice`
- `bet_summary`
- `supporting_picks`
- `aggressive_pick`
- `scenario_top5`
- `score_prediction`
- `market_board`
- `reasoning_factors`

Pick karar alanları (özellikle `main_pick` ve `supporting_picks`):

- `raw_confidence`
- `calibrated_confidence`
- `min_required_confidence`
- `edge`
- `play_score`
- `playable`
- `bet_grade` (`A`/`B`/`C`/`PASS`)
- `stake_units`
- `decision_reasons`

Bu sözleşme frontend + kupon + otomasyon için ortak temel kabul edilir.

---

## 8. Queue ve Asenkron İşler

Queue tanımı:

- Queue adı: `predictions-queue`
- Job tipleri:
  - `predict-match`
  - `smart-coupon`

Kod:

- `src/modules/predictions/queues/predictions.types.ts`
- `src/modules/predictions/queues/predictions.queue.ts`
- `src/modules/predictions/queues/predictions.processor.ts`
- `src/common/queues/queue.module.ts`

---

## 9. Cron/Task Envanteri

Dosyalar:

- `src/tasks/data-fetcher.task.ts`
- `src/tasks/live-updater.task.ts`
- `src/tasks/limit-resetter.task.ts`

Başlıca işler:

- 15 dk: canlı maç fetch (`fetchLiveMatches`)
- 15 dk: live score update (`updateLiveScores`)
- 30 dk: finished match finalize (`finalizeFinishedMatches`)
- Günlük 03:00: usage limit reset
- Günlük 04:00: eski data cleanup
- Günlük 00:00: subscription expiry check

---

## 10. Çalıştırma Komutları (Repo Gerçeği)

Kaynak: `package.json`

- Dev server: `npm run start:dev`
- Build: `npm run build`
- Test: `npm run test`
- E2E: `npm run test:e2e`
- Lint: `npm run lint`

Feeder scriptleri:

- `npm run feeder:historical`
- `npm run feeder:fill-gaps`
- `npm run feeder:basketball`
- `npm run feeder:live`
- `npm run cleanup:live`

AI/backtest scriptleri (sık kullanılan):

- `python3 ai-engine/scripts/backtest_v20plus_today.py`
- `python3 ai-engine/scripts/backtest_v20plus_today.py --date YYYY-MM-DD`
- `python3 ai-engine/scripts/backtest_v20plus_today.py --date YYYY-MM-DD --end-date YYYY-MM-DD`

---

## 11. Env Değişkenleri (Zorunlu/Önemli)

Kaynak: `src/config/env.validation.ts`

Kritikler:

- `NODE_ENV`, `PORT`
- `DATABASE_URL`
- `JWT_SECRET`
- `JWT_ACCESS_EXPIRATION`, `JWT_REFRESH_EXPIRATION`
- `REDIS_ENABLED`
- `REDIS_HOST`, `REDIS_PORT`, `REDIS_PASSWORD`
- `DEFAULT_LANGUAGE`, `FALLBACK_LANGUAGE`
- `THROTTLE_TTL`, `THROTTLE_LIMIT`

Opsiyoneller:

- `ENABLE_MAIL`, `ENABLE_S3`, `ENABLE_WEBSOCKET`, `ENABLE_MULTI_TENANCY`
- Mail/S3 alanları

AI endpoint host’u:

- Backend tarafında `AI_ENGINE_URL` env’i zorunlu olarak set edilmelidir (önerilen: `http://ai-engine:8000`).

---

## 12. Model Artefact Durumu (Özet)

XGBoost artefact klasörü:

- `/Users/piton/Documents/Suggest-Bet-BE/ai-engine/models/xgboost`

Aktif yüklenen pkl’ler:

- `xgb_ms.pkl`
- `xgb_ou25.pkl`
- `xgb_btts.pkl`
- `xgb_ht_ft.pkl`

Not:

- Bazı marketlerde `.json` dosyaları bulunabilir; inferans tarafı pkl odaklıdır.

---

## 13. Temizlenen/Legacy Kod Notu

V20+ geçişinde kaldırılan örnek dead code:

- `ai-engine/services/coupon_builder_v2.py`
- `src/modules/predictions/dto/python-prediction.dto.ts`
- birkaç eski debug/test Python scripti

Not:

- Repo’da kullanıcı kaynaklı başka değişiklikler olabilir; silme/temizlik öncesi `git status` ile doğrulama şart.

---

## 14. Bilinen Riskler / Teknik Borç

1. Repo genelinde `src/scripts/*` altında mevcut TypeScript/lint hataları var (bu dosyalar ana runtime dışında).
2. Bazı ortamlarda `dist/` klasörü permission/root ownership problemi build sürecini bozabiliyor.
3. Tahmin kalitesi için lineup/odds kapsamı kritik; eksik veri durumunda confidence düşürme stratejisi uygulanmalı.
4. Contract testleri ve backtest raporlarının CI içine alınması henüz yeterli değil.
5. ~~V20+ bet calibration şu an hafif katsayı tabanlı; pazar bazlı (MS/OU/BTTS) düzenli kalibrasyon pipeline'ı (ör. weekly recalibration) ile desteklenmeli.~~ **ÇÖZÜLDÜ**: Isotonic Regression calibration sistemi eklendi (Şubat 2026).
6. `xgb_ou15.pkl` ve `xgb_ou35.pkl` bazı ortamlarda eksik olabilir; bu durumda ilgili marketler fallback mantıkla çalışır, kalite düşebilir.

---

## 15. Isotonic Regression Calibration Sistemi (Şubat 2026)

### 15.1 Genel Bakış

V20+ tahmin modelinin olasılık çıktılarını kalibre etmek için **Isotonic Regression** tabanlı bir calibration sistemi eklendi.

**Neden Calibration?**

- XGBoost modelleri genellikle aşırı güvenli (overconfident) tahminler üretir
- Örnek: Model %70 derken gerçek kazanma oranı %60 olabilir
- Isotonic Regression, tahmin edilen olasılıkları gerçek sonuç oranlarına map eder

### 15.2 Dosya Yapısı

```
ai-engine/models/
├── calibration.py              # Ana calibration modülü
└── calibration/                # Eğitilmiş modeller (otomatik oluşturulur)
    ├── ms_home_calibrator.pkl
    ├── ms_home_metrics.json
    ├── ou25_calibrator.pkl
    ├── ou25_metrics.json
    └── ...
```

### 15.3 Kullanım

```python
from models.calibration import get_calibrator

calibrator = get_calibrator()

# Tek bir olasılığı kalibre et
raw_prob = 0.75
calibrated_prob = calibrator.calibrate("ou25", raw_prob)
# Örnek: 0.75 → 0.68 (daha gerçekçi)
```

### 15.4 Eğitim Scriptleri

```bash
# Tüm marketler için calibration eğitimi
python3 ai-engine/scripts/train_calibration.py

# Belirli marketler
python3 ai-engine/scripts/train_calibration.py --markets ou25 btts ms_home

# Tarih aralığı ile
python3 ai-engine/scripts/train_calibration.py --start 2026-01-01 --end 2026-02-15

# Sadece top ligler
python3 ai-engine/scripts/train_calibration.py --top-leagues-only
```

### 15.5 Backtest ve Doğrulama

```bash
# Calibration karşılaştırması
python3 ai-engine/scripts/backtest_calibration.py --start 2026-01-01 --end 2026-02-15
```

**Çıktı Örneği:**

```
Market      N        Raw        Calibrated    Improvement  Status
ou25        1245     0.2134     0.1987        +0.0147      ✓ Better
btts        1189     0.2245     0.2101        +0.0144      ✓ Better
ms_home     1230     0.2456     0.2398        +0.0058      ✓ Better
```

### 15.6 Metrikler

| Metrik           | Açıklama                   | İdeal Değer    |
| ---------------- | -------------------------- | -------------- |
| **Brier Score**  | Olasılık tahmin doğruluğu  | 0 (mükemmel)   |
| **ECE**          | Expected Calibration Error | 0 (mükemmel)   |
| **Sample Count** | Eğitim örnek sayısı        | >1000 önerilir |

### 15.7 Desteklenen Marketler

- `ms_home`, `ms_draw`, `ms_away` - Maç Sonucu
- `ou15`, `ou25`, `ou35` - Alt/Üst
- `btts` - Karşılıklı Gol
- `ht_home`, `ht_draw`, `ht_away` - İlk Yarı Sonucu
- `dc` - Çifte Şans
- `ht_ft` - İlk Yarı/Maç Sonucu

### 15.8 Weekly Recalibration Önerisi

En iyi sonuçlar için haftalık olarak calibration modellerini yeniden eğitin:

```bash
# Cron job (her Pazartesi 05:00)
0 5 * * 1 cd /path/to/ai-engine && python3 scripts/train_calibration.py --top-leagues-only
```

### 15.9 Backtest Sonuçları ve Optimizasyonlar (Şubat 2026)

**V20 Ensemble Backtest Özeti (107 maç, 17-18 Şubat 2026):**

| Market           | Doğruluk  | Değerlendirme |
| ---------------- | --------- | ------------- |
| Alt/Üst 1.5      | **82.2%** | 🔥 En yüksek  |
| Çifte Şans       | **76.6%** | 🔥 Yüksek     |
| İY Alt/Üst 0.5   | **75.7%** | 🔥 Yüksek     |
| Alt/Üst 2.5      | **65.4%** | 👍 İyi        |
| Maç Sonucu (1X2) | 57.0%     | 👍 Orta       |
| Alt/Üst 3.5      | 56.1%     | 👍 Orta       |
| KG Var/Yok       | 47.7%     | ⚠️ Düşük      |
| İlk Yarı Sonucu  | 41.1%     | 💀 Çok düşük  |

**Confidence Bucket Analizi:**

| Confidence Aralığı | Doğruluk   | Öneri                  |
| ------------------ | ---------- | ---------------------- |
| 80%+               | **100.0%** | Kesin banko            |
| 60-80%             | 70.0%      | Güvenilir              |
| **40-60%**         | **83.3%**  | 🔥 **Sürpriz yüksek!** |
| 0-40%              | 49.4%      | Riskli                 |

**Önemli Bulgular:**

- 40-60% confidence aralığı beklenenden çok daha yüksek doğruluk gösteriyor (83.3%)
- Bu nedenle MIN_CONFIDENCE threshold 60%'tan **40%'a düşürüldü**
- Yüksek doğruluklu marketler (DC, OU15, HT_OU05, OU25) önceliklendirildi

**Guaranteed Pick Optimizasyonu:**

```python
# Önceki (eski) değerler
MIN_CONFIDENCE = 60.0

# Yeni (optimize edilmiş) değerler
MIN_CONFIDENCE = 40.0  # Backtest sonucuna göre
HIGH_ACCURACY_MARKETS = {"DC", "OU15", "HT_OU05", "OU25"}  # Öncelikli marketler
```

**Market Calibration Değerleri (Backtest'e göre güncellendi):**

```python
market_calibration = {
    "OU15": 0.82,  # 82.2% accuracy - EN YÜKSEK
    "DC": 0.77,    # 76.6% accuracy
    "HT_OU05": 0.76, # 75.7% accuracy
    "OU25": 0.65,  # 65.4% accuracy
    "MS": 0.57,    # 57.0% accuracy
    "BTTS": 0.48,  # 47.7% accuracy - düşük
}
```

---

## 16. İlgili Yeni Dokümanlar

- API response sözleşmesi: `mds/API_RESPONSE_SCHEMA.md`

---

## 15. Karar: Bundan Sonra Tek Referans

Bu dosya (`mds/OZET.md`) tek ana referanstır.

Her büyük değişiklikten sonra şu alanlar güncellenecek:

- 5. API envanteri
- 7. V20+ mimari
- 9. Task/Cron envanteri
- 12. Model artefact durumu
- 14. Riskler

Böylece context reset olsa bile proje devamlılığı bu dosyadan sağlanır.

---

## 17. Son Konuşma Güncellemesi (16 Şubat 2026)

Bu bölüm, son diyalogda netleşen teknik durumları özetler:

1. HT/FT `.pkl` boyutu neden çok yüksek?

- `xgb_ht_ft.pkl` yaklaşık `313.55 MB` ölçüldü.
- Model tipi `CalibratedClassifierCV (cv=5)` ve her fold içinde `XGBClassifier` var.
- HT/FT marketi `9 sınıf` olduğu için ağaç sayısı katlanıyor (`n_estimators=720`, `num_class=9`, `cv=5`).
- Sonuç: boyut büyük ama mevcut eğitim konfigürasyonuyla beklenen bir durum; zorunlu değil, yeniden eğitimle küçültülebilir.

2. Neden farklı `match_id` ile aynı HT/FT sonucu çıktı?

- DB'siz hızlı testte `match_id` feature olarak kullanılmıyor.
- Modele aynı feature vektörü verildiği için farklı ID’lerde aynı olasılık çıktısı üretiyor.
- Gerçek maça özel farklı sonuç için feature’ların match bazında DB’den üretilmesi gerekir.

3. HT/FT testini kolaylaştırmak için yapılan API güncellemesi

- `ai-engine/main.py` içine yeni endpoint eklendi:
  - `GET /v20plus/analyze-htft/{match_id}?timeout_sec=30`
- Bu endpoint sadece HT/FT odaklı özet döndürür:
  - `ht_ft_probs`, `surprise_hunter`, `ht_ft_reversal_radar`, `main_pick`, `bet_summary`
- Timeout koruması var (uzun süre asılı kalmayı engeller, timeoutta `504` döner).

4. DB bağlantı davranışı (localhost/127) güncellemesi

- `ai-engine/data/db.py` içinde host zorlaması kaldırıldı.
- Artık `DATABASE_URL` içindeki host ne ise (`localhost`, `postgres`, vb.) aynen kullanılır.
- `connect_timeout` ekleme mantığı korundu (`PGCONNECT_TIMEOUT`, default `5`).

5. Docker içi DB port düzeltmesi

- `docker-compose.yml` içinde container-to-container DB bağlantılarında yanlış port vardı (`15432`).
- Düzeltilenler:
  - `app` servisi DB URL: `postgres:15432`
  - `ai-engine` servisi DB URL: `postgres:15432`
- Not: Hosttan erişim için `127.0.0.1:15432` map’i ayrı ve doğru.

6. Deploy ve büyük model artefact notu

- GitHub dosya limiti nedeniyle büyük `.pkl` dosyaları normal push ile yönetilemeyebilir.
- Daha doğru yaklaşım: model artefact’ı harici depodan indirmek (S3/release artifact) ve deploy sırasında bootstrap etmek.

---

## 18. Son Çalışma Güncellemesi (17 Şubat 2026) - HT/FT Analiz ve Düzeltmeler

Bu bölüm, kullanıcı talebiyle yapılan HT/FT odaklı tüm analiz ve kod değişikliklerini toplu özetler.

### 18.1 Hedef ve Kapsam

Hedef:

- `top_leagues.json` içindeki lig ID’lerine göre filtrelenmiş maçlarda HT/FT patternini çıkarmak.
- `1/1`, `2/1`, `1/2`, `X/2` gibi sonuçların hangi koşullarda arttığını bulmak.
- Sonucu model davranışına (kalibrasyon/öncelik dağılımı) yansıtmak.

Kapsam:

- Veri kaynağı: `matches`, `live_matches`, `odd_categories`, `odd_selections`, `leagues`, `teams`.
- Lig filtresi: doğrudan `/Users/piton/Documents/Suggest-Bet-BE/top_leagues.json`.

### 18.2 Top-Leagues HT/FT Bulguları (Özet İstatistik)

Top leagues football örneklemi:

- `n = 21,069`

HT/FT dağılımı:

- `1/1: 26.43%`
- `2/2: 16.94%`
- `X/X: 15.85%`
- `X/1: 14.92%`
- `X/2: 10.57%`
- `2/1: 2.73%`
- `1/2: 2.30%`

HT -> FT geçiş:

- HT `1` ise FT `1`: `78.02%`
- HT `2` ise FT `2`: `68.35%`
- HT `X` ise FT `X`: `38.35%`, FT `1`: `36.09%`, FT `2`: `25.56%`

Reversal (1/2 + 2/1) devre farkına göre:

- Devre farkı `1`: `10.83%`
- Devre farkı `2`: `3.18%`
- Devre farkı `3`: `0.64%`

Oran (MS 1X2) ilişkisi:

- Home fav maçlarda `1/1` belirgin yüksek.
- Away fav maçlarda `2/2` belirgin yüksek.
- Favori devre geriye düşerse `2/1` veya `1/2` olasılığı belirgin artıyor.

Sonuç:

- `1/1` biası tamamen bug kaynaklı değil; veri dağılımı gerçekten `1/1` ağırlıklı.
- Ancak odds sinyali doğru parse edilmezse model tarafsız/fallback davranıp `1/1`i gereğinden fazla öne çekebiliyor.

### 18.3 Kök Nedenler (Bug ve Davranış)

1. Odds parser market eşleşmesi fazla genişti:

- `Maç Sonucu` için substring kontrolü, `İlk Yarı/Maç Sonucu` gibi marketlerle çakışıyordu.
- `2,5 Alt/Üst` kontrolü, `2,5 Kart Puanı Alt/Üst` ile çakışıyordu.
- `Karşılıklı Gol` kontrolü, `1. Yarı Karşılıklı Gol` ile çakışıyordu.
- Sonuç: Ana market odds’ları overwrite oluyordu.

2. Bazı maçlarda odds fallback defaultlarına düşülüyordu:

- Bu durum favori taraf sinyalini bozuyordu.

3. `Decimal` tipleri bazı yerlerde float bölme hatası üretiyordu:

- Prediction akışı kırılıyor veya testler fail oluyordu.

### 18.4 Yapılan Kod Değişiklikleri

1. HT/FT prior odds-koşullu hale getirildi (`home_fav/away_fav/balanced`):

- Dosya: `ai-engine/models/v20_ensemble.py`
- Eklenenler:
  - `FOOTBALL_TOP_PRIOR_HOME_FAV`
  - `FOOTBALL_TOP_PRIOR_AWAY_FAV`
  - `FOOTBALL_TOP_PRIOR_BALANCED`
  - `_favorite_side_from_ms_odds`
  - `_get_top_odds_conditioned_prior`
  - prior blending içinde odds-koşullu prior entegrasyonu

2. Odds defaultları nötrleştirildi (home bias azaltımı):

- Dosya: `ai-engine/models/v20_ensemble.py`
- Dosya: `ai-engine/services/single_match_orchestrator.py`
- Dosya: `ai-engine/core/engines/odds_predictor.py`
- Yeni default: `ms_h=2.65`, `ms_d=3.20`, `ms_a=2.65`

3. Odds parser tam eşleşme mantığına geçirildi:

- Dosya: `ai-engine/services/single_match_orchestrator.py`
- Değişiklik:
  - substring yerine normalize + exact category match
  - `MS`, `OU15`, `OU25`, `OU35`, `BTTS`, `DC` alanları güvenli eşleşme

4. Decimal tip güvenliği eklendi:

- Dosya: `ai-engine/core/engines/odds_predictor.py`
  - `_odds_to_prob` içinde `float()` cast
- Dosya: `ai-engine/features/sidelined_analyzer.py`
  - DB stats alanlarına (`goals/assists/starts/matches`) güvenli float cast

5. HT/FT config ayarları eklendi/güncellendi:

- Dosya: `ai-engine/config/ensemble_config.yaml`
- Eklenen kritikler:
  - `risk.htft_prior_odds_blend_top`
  - `risk.htft_prior_odds_blend_top_with_league`
  - `risk.htft_favorite_balance_gap`

### 18.5 Test Komutları ve Sonuçlar

Kullanılan script:

- `python3 ai-engine/scripts/test_ht_ft_match.py --match-id <id>`

Örnek sonuçlar:

1. `Coventry vs Middlesbrough` (`8z03io3g443y73gwxbxk66590`)

- Top1: `1/1` (`21.12%`)

2. `Girona vs Barcelona` (`2elfffvt87h2apmhh2c0et3pw`)

- Odds doğru parse sonrası:
  - `ms_h=6.38`, `ms_d=5.24`, `ms_a=1.19` (away favori)
- Top1 HT/FT:
  - `2/2` (`23.08%`)

Bu test, parser ve odds-koşullu prior düzeltmesinin çalıştığını doğrular.

### 18.6 Operasyonel Not

- HT/FT yüzdeleri `confidence` değil, sınıf olasılığıdır (`probability`).
- Tek maçta yüzde düşükken farklı sonuç gerçekleşebilir; kalite ölçümü tek maç değil toplu backtest ile yapılmalıdır.

---

## 19. Son Çalışma Güncellemesi (17 Şubat 2026) - Veri Bütünlüğü, Type Uyumu, Uçtan Uca Test

Bu bölümde, `live_matches` üzerinden gelen verinin eksiksiz parse edilmesi, Python tarafındaki alanların type sözleşmesine uyumu ve tahmin paketine doğru aktarım için yapılan kritik düzeltmeler yer alır.

### 19.1 Hedef

- Oran kategori parse hatalarını engellemek.
- Eksik takım/lineup verisinde yanlış tahmin üretimini kesmek.
- `lineups`, `sidelined`, `referee`, `odds`, takım formu ve lig pozisyonu gibi sinyalleri tek maç analizine güvenli taşımak.
- Python tarafındaki sözleşmeyi TypeScript/uygulama beklentisiyle uyumlu hale getirmek.

### 19.2 Yapılan Kod Düzeltmeleri

1. Team feature key eşleşmeleri düzeltildi:

- Dosya: `ai-engine/core/engines/team_predictor.py`
- `possession -> avg_possession`, `shots_on_target -> avg_shots_on_target`, `corners -> avg_corners`

2. Sahte lineup defaultları kaldırıldı:

- Dosya: `ai-engine/features/squad_analysis_engine.py`
- `or 11 / or 18` fallbackleri temizlendi; gerçek sayılar kullanılıyor.

3. Player predictor lineup gate ve confidence iyileştirildi:

- Dosya: `ai-engine/core/engines/player_predictor.py`
- `lineup_available` artık her iki takımda da en az 11 oyuncu şartına bağlı.
- Lineup yokken confidence daha agresif düşürülüyor; alt sınır clamp ile korunuyor.

4. Referee feature fallback güçlendirildi:

- Dosya: `ai-engine/core/engines/referee_predictor.py`
- `match_id` ile gelen veri zayıfsa ve `referee_name` varsa isim bazlı daha güçlü örneklem seçiliyor.

5. Tek maç orchestrator veri sözleşmesi genişletildi:

- Dosya: `ai-engine/services/single_match_orchestrator.py`
- `MatchData` eklendi:
  - `home_goals_avg`, `home_conceded_avg`, `away_goals_avg`, `away_conceded_avg`
  - `lineup_source`
- Zorunlu gate:
  - `home_team_id` veya `away_team_id` yoksa analiz iptal (`None`).
- Yeni yardımcılar:
  - `_calculate_team_form`
  - `_estimate_league_position`
- `_extract_lineups` artık `(home, away, source)` döner:
  - `confirmed_live`, `confirmed_participation`, `probable_xi`, `none`
- `market` kararlarında:
  - `probable_xi` lineup-sensitive marketlerde ceza alır.
  - Zorunlu odds eksikse market `market_odds_missing` ile playable olmaz.
- Data quality:
  - Gerçek odds ile default odds ayrıştırılır.
  - `lineup_source` kalite ve reasoning alanına taşınır.

6. Testler yeni sözleşmeye göre güncellendi:

- Dosya: `ai-engine/tests/test_single_match_orchestrator.py`
- Yeni testler:
  - takım id eksikse match load reject
  - required odds yoksa market block

### 19.3 Çalıştırılan Testler

- Python unit test:
  - `python3 -m unittest discover -s ai-engine/tests -v`
  - Sonuç: `19/19 PASS`

- Jest:
  - `npx jest --runInBand`
  - Sonuç: `2 suite / 4 test PASS`

- DB smoke doğrulama:
  - Team ID eksik future match artık analiz edilmiyor.
  - Complete veri içeren match normal analiz üretiyor.

### 19.4 Veri Kalitesi Bulgusu (Neden Bazı Maçlar Zayıf Kalıyor?)

- `future30` içinde `live_matches` satırlarında `league_id/home_team_id/away_team_id` çok yüksek oranda boş olabiliyor.
- Aynı pencerede `odds/lineups/referee/sidelined` da çoğu zaman boş kalabiliyor.
- Sonuç: model kapasitesi yüksek olsa da giriş verisi boşsa “sürpriz yakalama” veya “garanti market” üretimi sınırlanır.

Bu yüzden yeni yaklaşım:

- Eksik kritik alan varsa tahmini zorla üretme.
- Veri kaynağını `lineup_source` gibi kalite etiketleriyle açıkça işaretle.
- Eksik market odds varsa o marketi otomatik ele.

### 19.5 Basketbol Fazı (Bir Sonraki Adım Planı)

Futbol için kritik parse/type/quality sorunları stabilize edildi. Sıradaki odak basketbol:

1. Basketbol market sözlüğü ve parser matrisi:

- 1X2 yerine basketbola özgü marketleri (`ML`, `spread`, `total`) ayrı haritala.

2. Basketbol feature contract:

- `match_team_stats` içindeki basketbol alanlarını (pace, rebound, turnover, 3P vb.) zorunlu/opsiyonel diye netleştir.

3. Lineup/injury impact modeli (basketbol):

- İlk 5 ve rotasyon oyuncusu etkisini pozisyon ve usage ile ağırlıkla.

4. Basketbol için ayrı confidence calibration:

- Futbol kalibrasyon katsayılarını basketbola taşımadan lig bazlı yeniden ayarla.

5. Basketbol E2E test paketi:

- `live_matches -> orchestrator -> package -> market gating` zincirini basketbol maçları için ayrı fixture setiyle doğrula.

## 20) Swagger Endpoint Envanteri (2026-02-17)

### 20.1 Yapılanlar

1. Swagger tag kapsamı genişletildi:

- Dosya: `src/main.ts`
- Eklenen tagler: `Matches`, `Leagues`, `Analysis`, `Coupon`, `Predictions`

2. `users/me` endpointi Swagger’da eksiksiz tanımlandı:

- Dosya: `src/modules/users/users.controller.ts`
- Eklendi:
  - `@ApiOperation({ summary: 'Get current authenticated user profile' })`
  - `@ApiOkResponse({ type: UserResponseDto })`

3. Tüm backend endpointlerinin otomatik JSON özeti üretildi:

- Yeni script: `src/scripts/export-swagger-endpoints-summary.ts`
- NPM komutu: `npm run swagger:summary`
- Üretilen çıktı: `mds/backend_endpoints_swagger_summary.json`

### 20.2 JSON Özeti İçeriği

Üretilen JSON dosyasında her endpoint için:

- HTTP method + path
- controller/method kaynak bilgisi
- endpoint summary/description
- auth gereksinimi (`bearer`, `@Public`)
- path/query/header/cookie parametre tipleri
- body şeması (Swagger’da varsa) + TypeScript body type hint
- response status listesi + şema referansları (Swagger’da varsa) + TypeScript return type
- tag bazlı endpoint sayıları

### 20.3 Not

- `PredictionsModule`, `AppModule` içinde `REDIS_ENABLED` koşuluna bağlı olduğu için export scripti kapsamlı envanter için `REDIS_ENABLED=true` ile Swagger dokümanı üretir.