深層強化学習のモデルのバリデーションについて

Question

やや漠然として質問で恐縮なのですが、質問させてください。
ある営業のモデルをFitted Q Networkで強化学習を用いて作成しました。

行動：営業の人の行動パターン
状態：顧客の購買マインドセット
報酬：顧客の購買マインドセットの変化に応じたスコア

のようなモデルを作成しました。
収束はある程度していると思うのですが、強化学習で、このモデルの妥当性を
検証するために、収束を見る以外の方法はあるでしょうか。

本などを読むとゲームの例が目立っており、実際にゲームをして、自分が
負けないと、強いモデルができたかどうかが分からないように認識しております。

元々、営業の人にこのような顧客ステージであれば、このような
行動をすればよいとサジェスチョンをしたいのですが、収束では分かりにくく、
例えば、機械あり学習でいうところのaccuracyのような具体的な指標が欲しいような
気がしています。

googleや論文などで検索しているのですが、あまり良いヒットがないように思われます。
何か、妙案をお持ちの方はいらっしゃるでしょうか。

漠然とした質問で恐縮ですが、何卒、よろしくお願い申し上げます。