Centralny serwis predykcyjny dla wydarzeń binarnych
Zbudowaliśmy wielomodelowy system predykcyjny, który prognozuje wyniki wydarzeń binarnych (tak/nie) z Polymarket i danych wewnętrznych, łącząc Rust, Pythona i wiele modeli LLM w produkcyjnym pipeline'ie o czasie odpowiedzi poniżej 30 sekund.
Porozmawiajmy o podobnym projekciePytanie: Will BTC close above 80k by the end of Q4?
LLM ensemble
0.71
News signal
0.63
Final
0.68
Wyzwanie
Klient potrzebował kompleksowego rozwiązania, które umożliwiłoby prognozowanie wyników wydarzeń binarnych - zarówno tych dostępnych publicznie na platformie Polymarket, jak i generowanych wewnętrznie przez jego zespół.
- • pytania w formacie tak/nie w języku angielskim,
- • zwracana probabilistyczna odpowiedź i wiarygodne uzasadnienie,
- • skalowalność i czas reakcji < 30 sekund,
- • obsługa wielu zapytań równocześnie.
Nasze rozwiązanie
Zaprojektowaliśmy i wdrożyliśmy centralny serwis predykcyjny, który przyjmuje zapytania poprzez API, przetwarza je w wieloetapowym pipeline'ie i zwraca oszacowane prawdopodobieństwo zajścia danego wydarzenia wraz z objaśnieniem.
System opiera się na połączeniu:
- • wydajności Rusta,
- • elastyczności i ekosystemu Pythona,
- • mocy wielu modeli językowych (LLM) w różnych rolach.
Jak to działa - architektura rozwiązania
1. Przyjęcie zapytania
Użytkownik wysyła pytanie w formacie Yes/No na dedykowany endpoint. Serwis zapisuje je w bazie danych i inicjuje pipeline przetwarzania.
2. Predykcja z użyciem modeli LLM
Pytanie kierowane jest równolegle do kilku modeli językowych, różniących się możliwościami i przeznaczeniem. Każdy z nich otrzymuje specjalnie przygotowany prompt, aby wyznaczyć:
- • prawdopodobieństwo zajścia wydarzenia,
- • reasoning stojący za odpowiedzią.
3. Automatyczne zbieranie informacji
Równolegle działa moduł analizy informacji:
- • pobiera aktualne artykuły i wiadomości związane z tematem,
- • korzysta z zapytań do Perplexity,
- • przekazuje wyniki do LLM, który skraca treść, ocenia trafność w skali 1-5 i przygotowuje skondensowaną formę.
4. Łączenie danych i finalna agregacja
Ostatni moduł integruje:
- • wyniki z wielu LLM-ów,
- • skrócone artykuły i ich wagi,
- • zero-knowledge reasoning,
- • pierwotne pytanie.
Na tej podstawie generowana jest ostateczna prognoza - liczba z zakresu 0.0-1.0 oraz uzasadnienie.
5. Wydajność dzięki wielowątkowości
System działa w pełni wielowątkowo, co pozwala:
- • przetwarzać jedno pytanie różnymi konfiguracjami LLM-ów,
- • dobierać model do zadania (Haiku/GPT-4o-mini do skracania tekstu, Sonnet/Opus/GPT-4o do analizy predykcyjnej),
- • osiągnąć przepustowość do 20 pytań na minutę.
Stack technologiczny
- Rust - core serwisu
- Python - logika LLM / data
- Orkiestracja wielu LLM-ów
- Integracja z Polymarket
- Moduł news & Perplexity
- Monitoring & observability
Architektura pod produkcję
System został zaprojektowany z myślą o stabilności i skalowalności: wielowątkowość, kontrola timeoutów, fallbacki między modelami oraz szczegółowe logowanie i metryki.
Rezultaty
Projekt spełnił i przekroczył wszystkie założenia klienta, dostarczając wiarygodne prognozy, szybki czas reakcji i produkcyjną stabilność.
Celność - dane klienta
80%
Wydarzenia generowane przez klienta.
Celność - pytania wewnętrzne
75%
Predykcje dla wewnętrznych eksperymentów.
Celność - Polymarket
60-68%
Na publicznych wydarzeniach rynkowych.
Czas generowania predykcji
< 30 s
Przy równoległej obsłudze wielu zapytań.
Potrzebujesz darmowej konsultacji?
Skontaktuj się z nami, a my przygotujemy dla Ciebie niezobowiązującą propozycję współpracy, idealnie dopasowaną do Twoich potrzeb. Chętnie odpowiemy na Twoje pytania, omówimy szczegóły projektu i zaproponujemy najlepsze rozwiązania, które pomogą Ci osiągnąć zamierzone cele.
Porozmawiajmy
Sprawdź najnowsze informacje ze świata AI na naszym blogu
Odkryj, jak AI wspiera rozwój firm, optymalizuje procesy i przynosi realne korzyści, przeglądając case studies, artykuły eksperckie i praktyczne wskazówki.
Sprawdź naszego bloga