ทันเอไอ

ทีมนักวิจัยเปิดตัว MoFlow ระบบสร้างเวิร์กโฟลว์ AI ที่ปรับสมดุลต้นทุนและความแม่นยำได้หลายเป้าหมายพร้อมกัน

งานวิจัยใหม่บน arXiv เสนอ MoFlow เครื่องมือสร้างกระบวนการทำงานของ AI Agent ที่แก้ปัญหาการปรับแต่งหลายเป้าหมายโดยไม่ต้องฝึกโมเดลใหม่ซ้ำๆ

คณะผู้วิจัยจากมหาวิทยาลัยนอเทรอดาม (University of Notre Dame) และไอบีเอ็ม (IBM) ได้เผยแพร่งานวิจัยชิ้นใหม่บนคลังเอกสารวิชาการ arXiv เมื่อวันที่ 29 กันยายน 2026 โดยนำเสนอโมเดลที่มีชื่อว่า MoFlow ย่อมาจาก Multi-Objective Agentic Workflow Generation ซึ่งออกแบบมาเพื่อแก้ปัญหาการสร้างกระบวนการทำงานของเอเจนต์ปัญญาประดิษฐ์ (Agentic Workflow) ที่ต้องคำนึงถึงปัจจัยหลายด้านพร้อมกัน

ในปัจจุบัน การสร้างเวิร์กโฟลว์ของ AI มักจะมุ่งเน้นไปที่ความแม่นยำเพียงอย่างเดียว หรือใช้วิธีนำเป้าหมายหลายอย่างมาบวกรวมกันด้วยน้ำหนักคงที่ ทำให้ตัวสร้างเวิร์กโฟลว์แต่ละตัวยึดติดกับจุดสมดุลเพียงรูปแบบเดียว หากความต้องการของผู้ใช้เปลี่ยนไป เช่น ต้องการลดต้นทุนหรือลดความหน่วง (latency) นักพัฒนาจะต้องฝึกฝนโมเดลใหม่ตั้งแต่ต้น

เพื่อแก้ปัญหานี้ MoFlow จึงได้เปลี่ยนกระบวนการสร้างเวิร์กโฟลว์ให้กลายเป็นกระบวนการตัดสินใจแบบมัลติเป้าหมาย (Multi-Objective Markov Decision Process) และแก้ไขด้วยเทคนิคการค้นหาต้นไม้แบบมอนติคาร์โล (Convex-Hull Monte Carlo Tree Search) ร่วมกับการสำรองชุดข้อมูลแบบออปติมิสติก ทำให้ทุกโหนดในระบบสามารถเก็บชุดทางเลือกที่หลากหลายแทนที่จะเป็นเพียงค่าตัวเลขเดียว

จุดเด่นสำคัญของ MoFlow คือความสามารถในการรองรับความต้องการที่หลากหลายของผู้ใช้งานได้ทันทีผ่านการเรียกดูข้อมูล (lookup) โดยไม่ต้องเสียเวลาฝึกฝนโมเดลใหม่ซ้ำๆ นอกจากนี้ จากการทดสอบในเกณฑ์มาตรฐาน 6 รายการ ซึ่งครอบคลุมทั้งด้านคณิตศาสตร์ การเขียนโค้ด และการตอบคำถาม พบว่า MoFlow สามารถทำผลงานได้อย่างน่าพอใจ