스마트 온실에서 작물 재배를 위한 기후 제어는 복잡한 문제입니다. 최근 강화 학습(RL) 기반의 인공지능(AI)이 이 문제 해결에 활용되고 있지만, AI가 어떤 기준으로 난방, 환기, CO2 공급 등 다양한 제어 행동을 하는지 명확히 알기 어려웠습니다. 이러한 불투명성은 농업 전문가들이 AI 시스템을 신뢰하고 실제 환경에 적용하는 데 큰 걸림돌이 되어왔습니다.
이 문제를 해결하기 위해, 최근 연구에서는 '보정 우선 보상 구성요소 감사(Calibration-First Reward-Component Auditing)' 프레임워크를 제안했습니다. 이 프레임워크는 강화 학습 에이전트가 받는 전체 보상(reward)을 온도, CO2, 습도, 증기압 부족(VPD), 차광막, 액추에이터 작동 등 개별 제어 행동에 대한 구성요소로 분해합니다. 이를 통해 시뮬레이션 훈련 단계부터 실제 온실 환경에서의 적용, 그리고 과거 자율 온실 챌린지(Autonomous Greenhouse Challenge) 데이터에 이르기까지, AI의 각 제어 행동이 어떤 보상 구성요소에 의해 유도되었는지 일관되고 재현 가능하게 분석할 수 있습니다. 특히 '그린라이트-짐(GreenLight-Gym)'이라는 환경에서 이 프레임워크를 적용하여, AI 정책이 각 상황에서 어떤 제어 결정을 내렸는지 투명하게 보여줍니다.
이러한 보상 구성요소 감사는 스마트 온실 AI 제어 시스템의 투명성과 해석 가능성(interpretability)을 크게 향상시킬 수 있습니다. 농업 전문가나 제어 엔지니어는 AI가 특정 시점에 왜 난방을 켜고, CO2를 주입하며, 환기를 하는지 등 개별 제어 행동의 근거를 명확히 이해할 수 있게 됩니다. 이는 AI 시스템에 대한 신뢰를 높이고, 실제 온실 환경에 AI를 도입할 때 발생할 수 있는 잠재적 위험을 줄이는 데 기여할 것입니다. 궁극적으로는 AI와 인간 전문가가 협력하여 온실 작물 생산성을 극대화하고 자원 효율성을 높이는 데 중요한 발판이 될 수 있습니다.