Agent-এর সামনে দুটি choice থাকে:
Exploitation: এখন পর্যন্ত সবচেয়ে ভালো মনে হওয়া action নেওয়া।
Exploration: নতুন action চেষ্টা করে আরও ভালো option আছে কি না দেখা।
ধরুন আপনি food app-এ সবসময় পরিচিত restaurant থেকে order করেন। এটি exploitation। মাঝে মাঝে নতুন restaurant চেষ্টা করা exploration। শুধু exploitation করলে ভালো নতুন option miss হতে পারে; আবার অতিরিক্ত exploration করলে known ভালো result-ও হারাতে হয়।
Epsilon-greedy strategy-তে বেশিরভাগ সময় best-known action নেওয়া হয়, আর অল্প probability-তে random action try করা হয়।
Exploration নতুন information সংগ্রহ করে, আর exploitation বর্তমান knowledge ব্যবহার করে reward নেয়। ভালো RL policy-কে দুটির মধ্যে balance করতে হয়।