Reward হলো action নেওয়ার পরে environment থেকে পাওয়া numerical feedback। এটি agent-কে বলে action-টি goal-এর জন্য কতটা ভালো বা খারাপ ছিল।
যেমন:
Goal-এ পৌঁছানো → +10
ভুল পথে যাওয়া → -1
Obstacle-এ ধাক্কা → -5
Agent শুধু immediate reward বেশি করার চেষ্টা করে না; দীর্ঘমেয়াদে মোট reward বেশি করার চেষ্টা করে। Reward ভুলভাবে design করলে agent এমন shortcut শিখতে পারে, যা score বাড়ায় কিন্তু আসল উদ্দেশ্য পূরণ করে না।
Reward হলো agent-এর feedback signal। ভালো reward design এমন behavior উৎসাহিত করে, যা system-এর প্রকৃত objective-এর সঙ্গে aligned।