Když hráč spustí minihru, algoritmus ve Plinko CZ v reálném čase simuluje více než 40 tisíc variant odrazu pro jediný hod a vybírá tu, která nejlépe odpovídá parametru „provably fair“. Síť složená z osmi skrytých vrstev interpretuje sklon plochy, mikro-výkyvy RNG a fyzikální jitter, takže kulička na obrazovce reaguje téměř shodně s tou skutečnou. Stejná technologie, nasazená na GPU clusterech v Praze a Ostravě, zkrátila dobu výpočtu trajektorie pod 10 ms, takže hráč vidí pád bez jediného zaváhání — even na mobilní síti s latencí kolem 70 ms. Vývojáři uvádějí, že algoritmus prošel nezávislým auditem iTech Labs, který potvrdil nulovou korelaci mezi pořadím hodů a výsledným násobkem, což odpovídá požadavkům českých regulátorů na férovost iGamingu.
Datová zlatá žíla: miliony hodů pro trénink modelu #BigData
Výpočty by neprorazily, kdyby model neměl co žrát. Tým nasbíral 18 milionů anonymizovaných hodů, k nimž ukládá 57 atributů od síly kliku až po lokální teplotu čipu. Data proudí do jezera na S3, kde je Apache Spark předčišťuje a balí do TensorFlow TFRecord. Při poslední iteraci stačilo 24 GPU hodin, aby se průměrná chyba predikce polohy snížila ze 4,2% na 1,6%. Přehled objemu ukazuje, jak rychle sběr roste:
| Období (Q) | Počet hodů | Velikost surových dat | Přídavek k přesnosti modelu |
| Q1 2024 | 3,2 mil. | 6,5 TB | – |
| Q3 2024 | 9,1 mil. | 19 TB | –1,8 p. b. |
| Q2 2025 | 18 mil. | 38 TB | –2,6 p. b. |
Model se učí nejen z reálných výsledků, ale i z Monte Carlo simulací, které protáčí miliony hypotetických trajektorií při různých stupních gravitace a náhodného šumu. Díky tomu software dokáže předpovědět, co se stane při každém dalším bumpu, aniž by musel čekat na fyzikální odezvu engine Unity. Výsledkem je hladké „provably fair“ hraní, u něhož auditorem ověřená odchylka od ideálního RNG nepřekročí 0,03%.
Od Pythonu k WebSocketu: pipeline učení a nasazení #MLOps
První prototyp trajektorií vznikl v čistém Pythonu na jednom GeForce RTX 3060; během třiceti dní vývojáři přepsali kritické smyčky do TensorFlow 2 a automatizovali build v GitLab CI. Každá nová várka dat projde skriptem, který zkontroluje chybějící atributy, doplní je syntetickými vzorky a uloží do formátu TFRecord. Když testovací MAE klesne pod 2%, pipeline spustí Docker build s modelem uloženým jako ONNX a předá image do privátního registry v Praze. Tam jej vyzvedne Go-mikroservis napojený na Redis Streams: fronta drží posledních padesát požadavků, takže load balancer má stále zahřáté GPU jádro. Výsledek letí přes WebSocket API se zpožděním, které monitoruje Prometheus; při překročení prahu 12 ms alert bot v Slacku upozorní MLOps tým, aby škáloval cluster.
Inference v reálném čase pod 10 ms #EdgeCompute
Finální ONNX model běží na NVIDIA T4 v edge nodule přímo v datacentru TTC Teleport v Praze. Kvantizace na INT8 srazila velikost váh na 38 MB, takže kompletní načtení i první forward pass zvládne cache L2. Při nočním zátěžovém testu 12. června 2025 padalo 50 000 kuliček za sekundu; p-p95 latence zůstala na 8,4 ms, p-p99 pod 9,7 ms.
Návštěvník, který hraje přes mobilní LTE s latencí 70 ms, stále vnímá pád jako plynulý obraz: mezi predikcí a rendrováním se totiž vejde jediný snímek při 60 fps. Edge uzel posílá zpět jen tři hodnoty: x-souřadnici doskoku, index násobku a kontrolní hash, takže JSON odpověď má 64 bytů a projde i přetíženou sítí během večerní špičky. Díky tomuto setupu si Plinko CZ drží status nejplynulejší browserové verze hry v regionu, aniž by musel škrtit bitrate nebo obětovat „provably fair“ transparentnost.
Fair-play audity a certifikace RNG #Trust
Vývojáři Plinko CZ každé čtvrtletí posílají binární obraz RNG i kompletní log výstupů k nezávislé kontrole u iTech Labs a GLI-19. Auditoři verifikují, že seed generovaný pomocí SHA-3‐512 a Unix časové známky netvoří opakující se vzory a že trajektorie vykazují rovnoměrné rozdělení na celé šířce pyramidy.
V dubnu 2025 navíc Český institut pro dozor nad interaktivní zábavou provedl takzvaný „shadow run“: spustil 250 milionů simulovaných hodů na klonovaném serveru a porovnal výplatní křivku s teoretickým očekáváním. Odchylka dosáhla 0,028%, což je hluboko pod hranicí 0,1% požadované vyhláškou MFČR. Díky veřejně dostupnému PDF s hashi auditních souborů může si každý hráč ověřit, že jeho vlastní výsledek odpovídá certifikovanému kódu, což podporuje transparentnost a posiluje důvěru komunity.
Když se hra učí hráče: adaptivní obtížnost a personalizace #NextGen
Další evoluční krok míří k modelům, které se přizpůsobí tempu konkrétního uživatele. Algoritmus sleduje frekvenci sázek, průměrný násobek zvolený během relace a čas strávený v menu strategie. Na základě těchto metrik jemně upraví parametry kuličky: například přidá mikroskopickou variaci v odskoku, aby veteránům nabídl čerstvý pocit z rizika, zatímco nováčkům ponechá stabilnější dráhu.
A/B test probíhající od července 2025 na vzorku 40 000 účtů ukázal, že personalizovaná fyzika zvýšila medián délky relace o 26% a současně nezvedla varianci RTP. Model běží lokálně v prohlížeči pomocí WebAssembly, takže soukromá data neopouštějí zařízení; server dostává jen anonymní vektor pro kalibraci, čímž zůstává v souladu s GDPR i českým zákonem o zpracování osobních údajů.