ในการใช้ระบบ Reinforcement Learning (RL) เพื่อควบคุมสภาพอากาศในเรือนกระจกอัจฉริยะ การวัดผลเพียงค่าเดียวไม่เพียงพอต่อความต้องการของผู้ปลูกหรือวิศวกรควบคุม งานวิจัยนี้จึงนำเสนอกรอบการทำงานแบบ 'Calibration-First Reward Audit' ที่ช่วยแยกแยะองค์ประกอบของผลตอบแทน (Reward) ออกเป็นส่วนๆ เช่น การควบคุมอุณหภูมิ, ระดับ CO2, ความชื้น และการทำงานของอุปกรณ์ต่างๆ
ระบบนี้ช่วยให้นักพัฒนาสามารถเปรียบเทียบการทำงานของ AI ได้ในหลากหลายสถานการณ์ ตั้งแต่การฝึกฝนในโปรแกรมจำลอง (Simulator) ไปจนถึงการใช้งานจริงในพื้นที่ที่ได้รับการปรับแต่ง โดยมีการทดสอบผ่าน GreenLight-Gym เพื่อพิสูจน์ว่าการแยกองค์ประกอบเหล่านี้ช่วยให้การวิเคราะห์พฤติกรรมของ AI ในการจัดการทรัพยากรเรือนกระจกมีความชัดเจนและน่าเชื่อถือมากขึ้น
