Gemini, TensorFlow et notre propre station météo — Ce qui vient ensuite
Nous mettons en place quelque chose que, pour autant que nous puissions en juger, aucun trader de marchés de prédiction n'a fait auparavant : posséder le pipeline de données de bout en bout. La plupart des bots dans cet espace s'arrêtent aux API météo publiques. StormBot évolue vers un stack où les données démarrent à nos propres capteurs physiques et se terminent au règlement on-chain.
Station au sol StormBot — Austin, Texas
La construction est en cours d'un installation dédiée à la mesure météorologique à l'extérieur d'Austin, au Texas. Ce n'est pas un montage de jardin. Le site est équipé d'instruments météorologiques de qualité professionnelle — thermomètres de haute précision, capteurs barométriques, anémomètres, pluviomètres et sondes d'humidité — chacun calibré selon les normes de l'OMM.
Pourquoi s'embêter ? Parce que les carnets météo de Polymarket se résolvent contre Données des stations Weather Underground, et ces stations ont des biais connus — effets d'îlot de chaleur urbain, placement maladroit des capteurs, dérive lente de calibration. Exploiter notre propre station et la recouper en continu avec les relevés WU nous permet de modéliser l'écart précis entre les modèles de prévision et les données qui règlent réellement chaque marché. Personne d'autre ne dispose de ce signal.
Date opérationnelle visée : T3 2026
Google Gemini aux côtés de Claude
Gemini est intégré comme deuxième modèle de raisonnement qui fonctionne en parallèle avec Claude. Chaque modèle analyse les mêmes candidats indépendamment, et le moteur recoupe les deux avis avant qu'un ordre ne soit acheminé. L'accord est traité comme une confiance accrue ; le désaccord signale le trade pour examen. Deux modèles de pointe convergeant vers la même décision est un signal plus fort que n'importe quel modèle seul.
Un réseau TensorFlow personnalisé
Un sur mesure Modèle TensorFlow est entraîné sur plus de cinq ans de prévisions historiques associées aux résultats de résolution de Polymarket pour les villes et dates correspondantes. Son travail est d'apprendre les schémas que les modèles basés sur la physique manquent systématiquement — l'écart constant entre les stations WU et les prévisions officielles dans certaines villes, les régimes qui produisent des variations de température plus importantes que prévu — et de les faire remonter en temps réel comme une troisième estimation de probabilité indépendante qui se place à côté du cœur d'ensemble et des modèles de raisonnement.