>残り3ツモなら数十分〜1時間くらいでやれるかな？
無理
N順目で(2^5)^N通りだとする。
2^5=512=14*34と近似している
2^10=10^3と近似する。
そうすると
２順目先まで読むと1000倍の時間がかかる事がわかる。
K順目まで読むのに1秒かかったとすれば
K+2順目まで読むのには1000秒=15分
k+4順目まで読むのには15000分
まあ、実装してみればわかるよ。

強化学習って単語の意味がわってるなら
なぜ使うといいかを解説してあげるよ。