L'ensemble de nos livrables forme un outil d'aide à la décision fonctionnel qui donnent un avantage au joueur qui l'utilise. Sur les parties de choix des objectifs et de calcul de chemins, notre système expert a impressionné l'expert tant il est meilleur que l'IA pré-existante, et ceci se vérifie dans les résultats de test.
Sur huit exigences (cf CDC) identifiées et validées par le client au lancement du projet, cinq sont entièrement couvertes. Trois ne le sont que partiellement, ceci étant notamment dû à des changements de direction du projet et à des objectifs encore mal définis au début du projet.
La ENF_3 car notre système est compliqué à utiliser dans les dernières phases de jeu.
La ENF_4 est aussi mal couverte puisque notre système ne permet pas de protocoles de test exhaustifs qui soit plus courts qu'une partie de jeu.
La EF_2 est partiellement couverte car beaucoup de cas complexes demandant une utilisation très poussée de notre synthèse et de nos modélisations.
Voici notre matrice de risques initiale, présentée dans la gestion de projet avec les résultats observés en fin de projet.
Le risque R.1 s'est avéré, puisque nous n'avons pas aucune donnée démontrant un avantage concurrentiel significatif, dû à un manque de joueurs sur nos tests et à des modalités de test trop longues sur des parties entières.
Après en avoir discuté avec notre client, nous pensons avoir sur-estimé la gravité de ce risque car un avantage concurrentiel sur la globalité de la partie était trop ambitieux. Nous avons également des données solides sur la conformité de notre outil par rapport aux choix de l'expert, qui, malgré le biais certain, est un joueur qui gagne effectivement plus souvent.
Le risque R.2 a bien été évité à différents degrés de formalisation selon les phases de jeu, pour le début de partie c'est-à-dire pour choisir les objectifs, mettre en place les chemin optimaux et poser les wagons . Pour le cœur de la partie, la synthèse couvre bien la majorité des cas comme l'aurait considéré l'expert, mais les règles sont complexes et difficiles à utiliser.
L'aspect de lecture psychologique de l'adversaire n'est pas formalisé, mais c'était une limite déjà prévue au lancement du projet.
Durant tout notre projet, nous avons été en contact avec un seul expert qui a donc un style de jeu particulier, différents des autres joueurs. Le pourcentage de conformité de notre algorithme est élevé (75%) ce qui est un résultat très satisfaisant. Cependant celui-ci n'est pas étonnant car les décisions prises par le programme d’intelligence artificielle sont dirigées par les règles de notre expert.
Les données en entrée doivent alors être remises en question. Nous avons cependant essayé de nous mettre en contact avec d'autres experts en leur proposant de répondre à un questionnaire. Malheureusement nous n'avons pas pu faire parvenir ce questionnaire par notre expert qui n'a donc pas pu déterminer si notre algorithme ne correspond qu'au choix de notre expert ou se rapproche de choix faits par d'autres experts.
L'algorithme fonctionne de la même manière au début de chaque partie. A force de jouer contre cette IA, l'adversaire peut commencer à inférer sur les stratégies utilisées par l'IA et ainsi la bloquer. Le système expert, lorsque bloqué, re-calcule des chemins qui sont significativement moins bons, un bon blocage peut alors le mettre en déroute.
Lors du premier entretien avec notre expert, nous avons appris que la dernière phase du jeu était un moment de tension et de stress, ce qui n'est pas modélisable pour le moment par une intelligence artificielle. Suite à ça, nous aurions pu nous intéresser plus particulièrement à l'aspect psychologique du jeu en quantifiant la prise de risque à chaque tour ou en observant une éventuelle évolution d’une semaine à l’autre sur les choix faits dans les mêmes conditions initiales.
Ce projet a été un premier pas vers la création d'une aide à la décision au jeu des Aventuriers du Rail cependant toute la partie n'a pas été implémentée informatiquement. Il serait possible d'ajouter des fonctionnalités comme indiquer à quel moment piocher, à quel moment poser des wagons ou gérer la fin de partie avec le stress et le choix de re-piocher des objectifs ou non. Pour ce faire, il faudrait notamment coder les variables de pioche et transcrire les règles de la phase 3 qui sont les plus complexes. Tout ce travail serait guidé par nos livrables de synthèse et de modélisations et d'explication du code.