Un jeu de hasard… qui n'en est pas vraiment un
Pierre-feuille-ciseaux passe pour le tirage au sort par excellence. Il ne l'est pas : dès que vous jouez, vous laissez des traces. On répète un coup qui vient de gagner, on change après une défaite, on évite de rejouer trois fois la même chose. Ces réflexes forment un motif, et un motif, ça s'apprend. J'ai donc opposé au joueur une IA qui ne tire rien au sort : elle vous observe, elle vous modélise.
La prédiction par chaîne de Markov
Le cœur de la démo est une chaîne de Markov. L'idée : votre prochain coup dépend surtout du dernier (ou des deux derniers) que vous avez joués. Je tiens donc une table de transitions — « après avoir joué pierre, ce joueur enchaîne sur feuille 6 fois, ciseaux 2 fois, pierre 1 fois » — et je la mets à jour à chaque manche. C'est un modèle d'ordre 1 pour le dernier coup, que je double d'un modèle d'ordre 2 sur les deux derniers, plus fin quand la partie s'allonge.
Estimer votre coup, jouer le contre
À chaque tour, l'IA additionne ces signaux — fréquence brute, transition d'ordre 1, transition d'ordre 2, les ordres supérieurs pesant plus lourd — pour estimer le coup que vous avez le plus de chances de jouer. Puis elle joue simplement son contre : si elle vous croit prêt à sortir la pierre, elle pose la feuille. Tant que vous suivez une habitude, même inconsciente, elle prend l'avantage — et l'indicateur « elle a anticipé… » vous le signale.
La seule parade : jouer vraiment au hasard
Comment bat-on un adversaire qui exploite vos régularités ? En n'en ayant aucune. La théorie des jeux le démontre : l'unique stratégie imbattable est de jouer chaque coup avec une probabilité d'un tiers, indépendamment de tout ce qui précède. C'est l'équilibre de Nash du jeu — un point fixe où aucune régularité ne subsiste à exploiter, et où l'espérance de gain retombe à l'équilibre. Le paradoxe est instructif : contre un modèle prédictif, la meilleure défense n'est pas de mieux réfléchir, mais de renoncer à toute intention.
Ce qu'une petite démo dit d'un vrai système
Derrière ce jeu de trois boutons se cache la mécanique de nombreux systèmes que je construis en production : apprendre d'un historique, estimer l'action la plus probable, décider en conséquence. Recommandation, détection d'anomalie, anticipation d'usage — mêmes fondations. Et la même exigence : un modèle qui reste lisible, mesurable et honnête sur ses limites. Savoir modéliser un comportement, c'est aussi savoir précisément là où le modèle cesse d'avoir prise.
