# V9 AI Engine Development - 17 Ocak 2026

Bu oturumda yapılan tüm değişikliklerin özeti.

---

## 🎯 Hedef

Mevcut V8 modelinden daha iyi tahmin yapan V9 AI modeli geliştirmek. Özellikle:
- Maç sonucu, Alt/Üst, KG tahminleri
- Günlük kupon önerileri
- Value betting fırsatlarını tespit

---

## ✅ Tamamlanan İşler

### 1. V9 Feature Engine'leri (6 yeni modül)

| Dosya | Açıklama |
|-------|----------|
| `ai-engine/features/upset_engine.py` | Sürpriz maç tespiti (Galatasaray-Liverpool gibi) |
| `ai-engine/features/momentum_engine.py` | Form trendi, seriler, psikolojik momentum |
| `ai-engine/features/poisson_engine.py` | Matematiksel xG, exact score olasılıkları |
| `ai-engine/features/context_engine.py` | Derbi tespiti, sezon dönemi, maç önemi |
| `ai-engine/features/elo_system.py` | V2: Venue-adjusted ELO, lig kalitesi faktörü |
| `ai-engine/features/referee_engine.py` | Hakem profilleri: kart, penaltı, ev sahibi eğilimi |

#### Upset Engine Özellikleri:
- Atmosfer skoru (yüksek atmosferli stadyumlar)
- Motivasyon asimetrisi (küme düşme vs şampiyon)
- Yorgunluk faktörü (maç yoğunluğu, seyahat mesafesi)
- Tarihsel upset oranı

#### Momentum Engine Özellikleri:
- Gol atma/yeme trendi (artan/azalan)
- Galibiyet/yenilmezlik/yenilgi serileri
- Son maç psikolojik etkisi
- Form yönü (improving/declining/stable)

#### Poisson Engine Özellikleri:
- Expected Goals (xG) hesaplama
- Exact score olasılıkları (0-0, 1-0, 1-1, vb.)
- Over/Under olasılıkları (matematiksel)
- BTTS (Karşılıklı Gol) olasılıkları

#### Context Engine Özellikleri:
- Derbi tespiti (GS-FB, El Clasico, vb.)
- Sezon dönemi (early/mid/late/final)
- Şampiyonluk yarışı, küme düşme hattı
- Motivasyon skoru

#### ELO V2 Özellikleri:
- Venue-adjusted ELO (ev/deplasman ayrı)
- Lig kalitesi faktörü (Premier League=1.15, Süper Lig=1.00)
- Form ELO (son maçlara ağırlıklı)
- Win probability hesaplama

---

### 2. V9 Training Script

**Dosya:** `ai-engine/scripts/train_ultimate_v9.py`

**Özellikler:**
- XGBoost + LightGBM + CatBoost (3'lü ensemble)
- Time-series cross validation
- 6 hedef: MS, KG, AU25, AU15, AU35, DC
- V9 feature engine entegrasyonu

---

### 3. Live Matches Odds Desteği

**Schema Değişikliği:** `prisma/schema.prisma`
```prisma
model LiveMatch {
  // ...
  odds             Json?    @map("odds")
  oddsUpdatedAt    DateTime? @map("odds_updated_at")
}
```

**Yeni Cron Job:** `src/tasks/data-fetcher.task.ts`
- `fetchOddsForLiveMatches()` - Her 15 dakikada çalışır
- Mackolik'ten oranları çeker
- JSON olarak `live_matches.odds` kolonuna kaydeder

**Odds Formatı:**
```json
{
  "MS": {"1": 2.10, "X": 3.40, "2": 3.20},
  "AU25": {"Alt": 2.05, "Üst": 1.75},
  "KG": {"Var": 1.85, "Yok": 1.95}
}
```

---

### 4. Kod Temizliği

**Silinen Dosyalar (13 adet, ~134KB):**
- `ai-engine/ultimate_predictor_v7.py`
- `ai-engine/basketball_predictor_v1.py`
- `ai-engine/match_analyzer.py` (89KB)
- `ai-engine/scripts/train_ultimate_v7.py`
- `ai-engine/scripts/backtest_v7.py`
- `ai-engine/scripts/test_v3_prediction.py`
- `ai-engine/scripts/predict_trabzon_v3.py`
- `ai-engine/scripts/batch_predict_v3.py`
- `ai-engine/scripts/analyze_single.py`
- `ai-engine/scripts/check_match_id.py`
- `ai-engine/scripts/dump_match_json.py`
- `ai-engine/scripts/sample_stats.py`
- `ai-engine/scripts/discovery_mackolik.py`

---

## 📊 V8 vs V9 Karşılaştırma (Hedef)

| Bahis Türü | V8 Accuracy | V9 Hedef |
|------------|-------------|----------|
| Maç Sonucu | %61.7 | %65+ |
| 2.5 Alt/Üst | %67.8 | %72+ |
| KG | %63.7 | %68+ |
| Çifte Şans | %77.7 | %80+ |
| İlk Yarı | %52.7 | %58+ |

---

## 🔜 Sonraki Adımlar

1. **4 gün sonra:** Veri toplama tamamlandığında `train_ultimate_v9.py` çalıştır
2. **Backtest:** V8 vs V9 accuracy karşılaştırması
3. **Kupon Generator:** Risk modları + kombine seçici ekle
4. **Production Deploy:** V9 modelini aktif et

---

## 📁 Değişen Dosyalar

```
ai-engine/
├── features/
│   ├── __init__.py (güncellendi)
│   ├── upset_engine.py (yeni)
│   ├── momentum_engine.py (yeni)
│   ├── poisson_engine.py (yeni)
│   ├── context_engine.py (yeni)
│   └── elo_system.py (güncellendi - V2)
└── scripts/
    └── train_ultimate_v9.py (yeni)

prisma/
├── schema.prisma (güncellendi)
└── migrations/
    └── manual_add_odds_to_live_matches.sql (yeni)

src/tasks/
└── data-fetcher.task.ts (güncellendi)
```

---

## 🗄️ Veritabanı Değişiklikleri

```sql
-- Çalıştırıldı: 17 Ocak 2026 00:14
ALTER TABLE "live_matches" 
ADD COLUMN IF NOT EXISTS "odds" JSONB,
ADD COLUMN IF NOT EXISTS "odds_updated_at" TIMESTAMP(3);
```

---

## 💡 Mimari Kararlar

1. **Tek Model Tüm Ligler:** Her lig için ayrı model yerine, lig feature'larıyla tek model
2. **Hibrit Odds Saklama:** Ayrı tablo yerine `live_matches.odds` JSON kolonu
3. **3'lü Ensemble:** XGBoost + LightGBM + CatBoost ortalaması
4. **Feature Engine Paterni:** Singleton instance + `get_features()` metodu

---


---

## 📌 Güncellemeler - 17 Ocak 2026 (Part 2)

### 5. Yeni Feature Engine'ler
İki yeni güçlü feature engine eklendi:

#### `ai-engine/features/referee_engine.py`
Hakem verilerini analiz eder (`MatchOfficial` tablosundan).
- **Özellikler:** Ortalama sarı/kırmızı kart, penaltı oranı, ev sahibi kayırma (home bias), lig ortalamasına göre agresiflik.
- **Teknik:** `dataclasses` ile type-safe yapı.

#### `ai-engine/features/squad_analysis_engine.py`
Detaylı kadro analizi yapar.
- **Özellikler:** 
  - İlk 11 / Yedek ayrımı
  - Oyuncu formu (son 5 maç: gol, asist, dakika)
  - Key Player analizi (takımın en çok gol atan oyuncuları oynuyor mu?)
  - Pozisyon dağılımı (Defans, Orta Saha, Forvet sayısı)
  - Kadro gücü farkı karşılaştırması

**Toplam Engine Sayısı:** 7 adet (Upset, Momentum, Poisson, Context, ELO V2, Referee, Squad Analysis)

---

### 6. Eğitim Altyapısı İyileştirmeleri

#### 🚀 Google Colab Entegrasyonu
Eğitimin lokal CPU'da yavaş olması (30-60 dk) nedeniyle Google Colab (GPU) için altyapı hazırlandı.
- **Notebook:** `ai-engine/notebooks/train_v9_colab.ipynb` (XGBoost GPU, LightGBM, CatBoost GPU)
- **Veri Export:** `ai-engine/scripts/export_training_data.py`

#### export_training_data.py Optimizasyonu
İlk versiyonda satır satır DB sorgusu yaptığı için 21 saat süreceği hesaplandı.
- **Optimize:** Momentum ve Context gibi ağır engine'ler için bulk query yaklaşımı tartışıldı.
- **Geçici Çözüm:** Şimdilik sadece hızlı engine'ler (ELO, Poisson) ile export alınıyor. İleride bulk query ile rewrite edilecek.

### 7. Veritabanı Bağlantısı
- AWS SSM Tunneling ile `localhost:15432` portu üzerinden prod DB bağlantısı sağlandı.
- `.env` dosyası güncellendi.