行動提案AIの現在地と今後の戦略整理（A / B / C ルート）

本記事は、プレイ画面解析による 行動提案AI を開発する中で、

今、自分はどこまで来ているのか
これから、どの方向に進めばよいのか

を整理するための 設計メモ兼ロードマップです。

※ 特定のゲーム名・固有名詞は避け、一般化した表現を用います。

1. プロジェクトの現在地

本プロジェクトでは、以下のパイプラインがすでに実装・運用されています。

プレイ動画
  ↓
イベントログ（時刻・操作）
  ↓
状態フレーム生成（ROI / state）
  ↓
学習データ（state, action）
  ↓
行動提案モデル（Top-k）

すでにできていること

画面からの 状態抽出（手札UI / 盤面 / リソース）
行動ラベル付きデータセットの自動生成
行動分類モデルによる Top-k 提案
手札制約・コスト制約などの 安全マスク
実時間での推論パイプライン

ここまでで、

「動く行動提案AIの土台」

は完成しています。

2. 次の分岐点：A / B / C の3ルート

この段階から、プロジェクトの進め方は大きく3つに分かれます。

ルート	目的	本質
A	プロっぽく見えるAI	判断の一貫性・先読み・説明性
B	勝率を上げるAI	期待値・因果・報酬設計
C	研究として完成させる	再現性・評価・一般化

どれも正しいですが、進め方と難易度がまったく異なります。

3. Aルート：まず「プロっぽく見えるAI」を作る

ゴール

人間が見て「うまい」「分かっている」と感じる
破綻した提案をしない
少し先を読んだ 予告型の提案が出る

特徴

モデル自体を大きく変えない
推論後処理（再ランキング・理由付け）が中心
数日〜1週間で体感が変わる

具体的にやること

Top-k（3〜5）候補を必ず出す
各候補に 理由タグを付ける
- 危険 / レーン圧 / リソース / 回転 / 待ちなど
提案はすべて 未来時刻（例：+0.8秒）
ルールは却下ではなく 減点方式

評価軸

明らかに変な提案が減ったか
理由が毎回ブレていないか
人間が「構え」を作れるか

Aは「賢くする」より「納得させる」ルート

4. Bルート：勝率を上げるAIを目指す

ゴール

試合全体の期待勝率を上げる
負け筋を減らし、勝ち筋を通す

特徴

難易度が高い（研究寄り）
ログ量・評価設計が重要
成果が出るまで時間がかかる

中核になる要素

被弾リスク（danger）検知
相手リソースの推定
攻め時 / 受け時の判定
短期報酬による評価

進め方の鉄則

いきなり勝敗を学習しない
まず 負け筋を潰す
Safety layer + EV再ランキング

Bは「正解を当てる」のではなく「期待値を積む」ルート

5. Cルート：研究として完成度を高める

ゴール

何が効いたかを説明できる
再現性のある実験結果を出せる
別条件でも壊れにくい

特徴

最も地味で、最も重い
実験基盤づくりが最優先
論文・技術記事向け

必須要素

データリークのない split 設計
複数評価指標（Top-k / 破綻率 / invalid率）
ベースライン比較
アブレーション（1変数ずつ）

Cは「作る」より「測る」ルート

6. 難易度と時間感覚の比較

観点	A	B	C
実装難易度	低	高	中
思考負荷	低	高	高
成果まで	早い	遅い	遅い
失敗コスト	低	高	中

多くの場合、

A → B → C

の順で進めるのが現実的です。

7. 今後の戦略（結論）

現状の到達点を踏まえると、最適な戦略は以下です。

Aルートで「プロっぽい提案AI」を完成させる
- 判断軸の固定
- 予告型UI
- 破綻の除去
そのログ・失敗例を観察する
勝率に効きそうな要因だけを Bとして切り出す
必要になった段階で Cとして評価・一般化する

8. おわりに

このプロジェクトは、

行動提案という人間的な判断を、
画像・状態・時間の制約下でどう再現するか

というテーマを、
実装ベースで真正面から扱っている点に価値があります。

まずは「プロっぽく見えるAI」を完成させ、
その上で勝率・研究へと段階的に進める。

それが、最も確実で、最も楽しいルートです。