Chatbot pro predikce fotbalu

Inteligentní asistent pro predikce

Naším cílem bylo jasné: vytvořit chatbot, který přijme dotaz uživatele (např. názvy týmů), získá různorodá data ze Sportradar, analyzuje je pomocí AI a předloží strukturovanou předpověď:

Řízení komplexity

Jak je vidět na diagramu níže, integrace více datových bodů (detaily nadcházejícího zápasu, historické vzájemné zápasy, týmové statistiky) a jejich zpracování pro AI analýzu může vést k velmi rozsáhlému a obtížně spravovatelnému workflow, pokud je postaveno monoliticky.

Vytvořit a udržovat takto rozsáhlý jeden flow může být náročné. Jak jsme to zvládli? Rozdělili jsme jej na části.

Modulární design s vlastními nástroji pomocí ‘Run Flow’

Místo jednoho obřího workflow jsme zvolili modulární přístup s využitím silné funkce FlowHunt: komponenta Run Flow. Tato komponenta umožňuje jednomu flow (tzv. „parent“) spustit další flow (tzv. „child“ nebo „sub-flow“) a získat jeho výsledek.

Vytvořili jsme několik menších, specializovaných flow, z nichž každý funguje jako vlastní nástroj zodpovědný za jeden úkol:

1. Nástroj „Získat detaily nadcházejícího zápasu“ (Sub-Flow):

   • Vstup: Přijímá parametry jako ID týmů nebo ID zápasu.
   • Akce: Obsahuje HTTP Request node nakonfigurovaný na volání konkrétního endpointu Sportradar API pro získání budoucích zápasů a jejich detailů.
   • Výstup: Vrací strukturovaná data o konkrétním nadcházejícím zápasu (datum, čas, místo, soutěž atd.).
   • [Obrázek: Koncepční screenshot nebo zjednodušené schéma malého flow s Input -> HTTP Request (Sportradar Schedule) -> Output]

2. Nástroj „Získat historické vzájemné zápasy“ (Sub-Flow):

   • Vstup: Přijímá parametry jako ID obou soupeřících týmů.
   • Akce: Obsahuje HTTP Request node nakonfigurovaný na volání endpointu Sportradar API pro získání výsledků minulých zápasů mezi těmito týmy.
   • Výstup: Vrací strukturovaný seznam historických zápasů včetně dat, skóre a vítězů.
   • [Obrázek: Koncepční screenshot nebo zjednodušené schéma malého flow s Input -> HTTP Request (Sportradar History) -> Output]

3. (Volitelné) Další nástroje: Podobné sub-flow lze vytvořit pro získání aktuální formy týmu, tabulky ligy, hráčských statistik apod., každý volající relevantní endpointy Sportradar.

Krok 1: Stavba vlastních sub-flow nástrojů

Každý sub-flow je vytvářen samostatně a zaměřuje se pouze na svůj konkrétní úkol získávání dat. Díky tomu je jejich tvorba, testování i údržba jednodušší.

Krok 2: Orchestrace hlavním flow

Hlavní chatbot flow je nyní mnohem přehlednější. Plní roli orchestrátora:

1. Chat Input: Zachytí úvodní dotaz uživatele (např. názvy týmů).
2. AI Agent: Hlavní AI Agent (např. Tool Calling Agent) node přijímá výstupy z obou Run Flow komponent.
3. Run Flow (Získat nadcházející zápas): Vytváří vlastní nástroje na základě různých endpointů Sportradar API.
4. Chat Output: Zobrazuje finální analýzu od AI Agenta.

Krok 3: Zadání AI, aby využíval výstupy nástrojů

AI Agent v hlavním flow je nyní zadáván jinak. Místo surových API dat dostává strukturované výstupy z našich vlastních nástrojů. Prompt jej instruuje, aby syntetizoval informace z těchto konkrétních výstupů nástrojů:

You are a helpful assistant that uses the tools at its disposal to answer questions you answer questions about YOURCOMPANY.xyz but also about soccer games and giving predictions based on the info you receive from the tools at your disposal, YOU ARE AN ASSISTANT ON A BETTING WEBSITE SO MAKE SURE TO ANSWER ONLY RELEVANT QUESTIONS ABOUT YOURCOMPANY.xyz , OR BETTING, SPORTS, AND CASINOS IN GENERAL.

TOOLS:

when a user asks for any information that requires you to use tools and to have competitor_id or competition id or even season id give the name of the team IN ENGLISH AND TRANSLATE TO ENGLISH IF ITS NOT to seasons_tool and it will give you the teams all the mentioned ids.

If the user asked about todays games or questions about todays games theres no need to ask any additional questions. ALWAYS AND ALWAYS use the todays_matches tool and give the user EVERY SINGLE match that hasn’t happened yet ALONG WITH TEAM NAMES AND COMPETITOR ID. BUT dont forget that no matter when using this tool give matches that haven’t happened yet never give match results for games that are already concluded.

if the user wanted predictions for an upcoming match use the predictions_tool and give it the only their competitor id for both teams THIS IS THE SAME id YOU OBTAINED FROM THE seasons_tool (format: competitor_id_1=ABC and competitor_id_2=XYZ) give the user detailed prediction rating based on the info you recieved and also output the sr:sport_event id . if the user asked more questions about this specific game you should give the match_info tool the sr:sport_event id in order to extract information about that match. give a detailed prediction based on the data you have and an estimated precentage on who will mostlikely win and who the user should bet on. IF YOU ALREADY DONT HAVE THE COMPETITOR ID IN YOUR HISTORY YOU CAN ASK THE USER FOR THE TEAM NAMES.

USE DOCUMENT RETRIEVER TO ANSWER GENERAL QUERIES IF THERE ARE NO ANSWERS IN DOCUMENT RETRIEVER YOU CAN ALSO USE GOOGLE SEARCH TOOL AND URL RETRIEVER TO ANSWER USER QUERIES WHEN YOU DONT KNOW WHAT TO ANSWER.

you can use team_info tool to gather information about a team but you should send the tool the team’s competitor id.

if you want standings of a current league or who is going to go to the next round or specific information on a team in this season of the current league you can use the standings_tool by obtaining the season id from the seasons_tool by giving this tool the name of the league or team and giving it to the standings_tool BUT KEEP IN MIND THAT IF THERE ARE 2 TEAMS and we are talking about stats and yellow cards in a specific game YOU STELL HAVE TO USE THE predictions_tool

if the user asked about detailed info like corner amount or red cards or etc. you can obtain season id and competitor id from seasons tool and give it to detail_stats tool to get all that information. If the user asked questions that you couldnt find within your tools you can search google for answers. WHEN GIVING REPORT OF OUTPUT OF A TOOL, ALWAYS MAKE SURE TO INCLUIDE EVERY SINGLE DETAIL OF THE TOOL OUTPUT FOR THE USER REGARDLESS OF USER’S INPUT INCLUDE THE FOLLOWING DATA IF ACCESSIBLE: YELLOW CARD corner_kicks offsides OWN GOALS substituted_out substituted_in shots_on_target shots_off_target shots_blocked red_cards own_goals goals_scored

Výsledek: Komplexita pod kontrolou

Použitím Run Flow pro tvorbu modulárních vlastních nástrojů jsme přeměnili potenciálně obří a těžko laditelné workflow na zvládnutelný systém. Hlavní flow jasně organizuje sběr dat a AI agent se koncentruje čistě na analýzu pomocí čistých, strukturovaných dat z dedikovaných sub-flow. Tento přístup přinesl požadovaný detailní predikční výstup a zároveň udržel vývojový proces přehledný.

Závěr: Stavte chytřeji, ne složitěji

Tento chatbot pro predikce se Sportradar ukazuje, jak FlowHunt umožňuje tvořit sofistikované AI aplikace komunikující s externími zdroji dat. Hlavně ale zdůrazňuje, jak jsou funkce jako Run Flow klíčové pro zvládání komplexity díky modulárnímu designu. Rozdělením velkých úkolů na menší, opakovaně použitelné „custom tool“ flow můžete vytvářet výkonná, udržitelná a škálovatelná AI řešení efektivněji.

Chystáte se na komplexní workflow? Prozkoumejte FlowHunt.io a využijte modularitu při stavbě své další AI aplikace!

Začněte se svým prvním flow

Tým AI flow inženýrů Flowhunt je připraven vám pomoci s automatizací pomocí AI.

Vyzkoušejte Flowhunt
Promluvte si s expertem