Copamind

CI Python Ruff mypy License: MIT

Plataforma local e open source de inteligência esportiva: coleta dados de futebol, treina modelos preditivos locais, simula a Copa 2026 milhares de vezes e responde perguntas via chat com RAG, MCP e múltiplos LLMs locais executados em sequência — sempre com transparência e reprodutibilidade.

Aviso: projeto sem vínculo oficial com FIFA, seleções, federações ou organizadores. As probabilidades são experimentais e educacionais, não representam garantia de resultado e não incentivam apostas.

---

Recursos

• 📊 Modelos preditivos: Elo, Poisson/Dixon-Coles, ensemble e calibração isotônica (Brier/Log-Loss/ECE)
• 🎲 Simulação Monte Carlo do torneio (chances por fase e de título), reprodutível por seed
• 🏆 Bolão de IAs Locais — ~30 modelos LM Studio preveem cada partida do mata-mata; placar, vencedor, pênaltis, probabilidades e jogadores-chave; runner model-first com progresso ao vivo
• 📐 Analytics FIFA v2 — 13 índices derivados por equipe (attack, defense, keeper, control, pressing, transition, volatility, champion_profile, upset_risk, etc.) com anti-leakage por snapshot
• 📰 Context Notes — notas contextuais manuais (lesão, rotação, tática) injetadas como evidência estruturada nos prompts; extrator automático de notícias via LLM
• 🔍 RAG com busca híbrida (vetorial + léxico) e proteção contra prompt injection
• 🤖 Orquestração de LLMs locais (LM Studio/Ollama): sequencial, model-first, retry e benchmark por fase
• 🔌 MCP (copamind-mcp): ferramentas read-only e de escrita para o agente/IDE
• 🖥️ Portal estático (apps/portal/) com tabela-resumo de previsões, ranking das LLMs, dashboard de seleções/jogadores e aba Tabela e Jogos
• 🧾 Linhagem e reprodutibilidade em cada resultado (origem, snapshot, evidências)

Diferencial

Não é um chatbot que "chuta" o campeão. As probabilidades vêm de modelos de ML calibrados (Elo, Poisson, CatBoost, ensemble, Monte Carlo); os LLMs apenas interpretam, consultam e explicam. Cada resposta registra de onde veio o dado, qual modelo calculou, onde os modelos divergiram e qual snapshot foi usado.

Veja o plano completo em CopaMind_2026_MASTER_PLAN.md, o backlog em TASKS.md, as decisões em DECISIONS.md e o cronograma em ROADMAP.md.

Demonstração

Chances de título + caminho até o título (simulação Monte Carlo):

Bolão de IAs (leaderboard + curva de calibração):

Arquitetura

Hardware recomendado

• Windows 11 (também roda em Linux), Docker Desktop, VS Code
• Python 3.12
• GPU NVIDIA com 8 GB de VRAM (RTX 5070 Laptop) — evolução para servidor 24 GB já prevista (perfis de hardware)
• 32 GB de RAM
• LM Studio e/ou Ollama para os LLMs locais

Instalação

Windows (PowerShell)

git clone https://github.com/Phemassa/copamind-2026.git
cd copamind-2026
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -e ".[data,dev]"
Copy-Item .env.example .env

Linux / macOS (bash)

git clone https://github.com/Phemassa/copamind-2026.git
cd copamind-2026
python -m venv .venv
source .venv/bin/activate
pip install -e ".[data,dev]"
cp .env.example .env

Uso rápido

# Verificar o ambiente (Python, dependências, configs, serviços locais)
copamind doctor

# Subir o Qdrant (RAG) via Docker
docker compose -f docker/compose.yaml up -d

# Subir a API
copamind api serve
# health check:
curl http://127.0.0.1:8000/health

Dashboard

copamind ingest sample     # carrega o dataset de exemplo
pip install -e ".[ui]"      # instala Streamlit/Plotly
copamind ui serve          # abre o dashboard bilíngue (EN/PT-BR)

Desenvolvimento

pre-commit install     # hooks de qualidade
ruff check .           # lint
ruff format .          # formatação
mypy                   # tipos
pytest                 # testes + cobertura

Estado do projeto (09/07/2026)

Fase ativa: Quartas de final (França×Marrocos · Espanha×Bélgica · Noruega×Inglaterra · Argentina×Suíça). Final: 19/07/2026.

Núcleo entregue (160+ testes): dados/ingestão (E1), user reports (E2), Elo + forma (E3a), Poisson/Dixon-Coles (E4), ensemble + calibração (E3b), simulação Monte Carlo (E4b), RAG (E5), MCP (E6), orquestração de LLMs + benchmark (E7), dashboard Streamlit (E8a/E8b), portal estático (E9) e Bolão de IAs com runner model-first (E11). Analytics FIFA v2 com 13 índices, context notes com extrator LLM e tabela-resumo de previsões implementados. Veja TASKS.md e o ROADMAP.md.

Conteúdo para divulgação

copamind content ranking --locale pt-BR   # card de chances de título (Markdown)
copamind content match --home T-NTL --away T-SDR --locale en

Dados reais (OpenFootball)

# Baixe um worldcup.json de https://github.com/openfootball/worldcup.json
copamind ingest worldcup caminho/para/worldcup.json

Contribuição e segurança

• CONTRIBUTING · SECURITY · MODEL_CARD
• Conventional Commits; qualidade obrigatória (ruff, mypy, pytest) antes do PR.

Licença

MIT.