ทันเอไอ

นักวิจัยเสนอวิธีจัดคิวเวิร์กโฟลว์ AI ลดความล่าช้าส่วนเกิน

งานวิจัยใหม่บน arXiv เสนอวิธีแยกเวลาพร้อมทำงานกับการส่งคิว ช่วยลดความล่าช้าของเวิร์กโฟลว์เอเจนต์ AI ได้สูงสุด 71.4%

เมื่อวันที่ 10 กันยายน 2026 ทีมผู้วิจัยรวม 7 คน ได้เผยแพร่บทความวิชาการบนคลังบทความ arXiv หมายเลข 2609.10964 ในหมวดวิทยาการคอมพิวเตอร์ โดยนำเสนอแนวทางจัดการคิวแบบใหม่สำหรับระบบเวิร์กโฟลว์ของเอเจนต์ปัญญาประดิษฐ์ (Agentic LLM Workflows) ซึ่งปกติประกอบด้วยการเรียกโมเดลสลับกับการใช้เครื่องมือ ทำให้เวลาแล้วเสร็จขึ้นอยู่กับจังหวะการปล่อยงาน

ระบบรันไทม์ทั่วไปมักใช้ค่านโยบายปล่อยงานทันทีที่พร้อมใช้งาน (eager release policy) ซึ่งภายใต้ภาวะที่มีภาระงานหนาแน่น อาจทำให้เกิดงานที่ปล่อยออกไปแล้วแต่ยังไม่เสร็จค้างสะสมจำนวนมาก งานเหล่านี้จะไม่สามารถจัดลำดับใหม่ได้ ส่งผลให้ความล่าช้าส่วนท้าย (Tail Latency) เพิ่มสูงขึ้น

เพื่อแก้ปัญหานี้ คณะผู้วิจัยจึงพัฒนาวิธีจัดลำดับการปล่อยงานโดยคำนึงถึงความเสี่ยงส่วนท้าย (Tail-risk-aware turn release scheduling) ระบบจะร่วมตัดสินใจว่าควรปล่อยงานใดเป็นลำดับถัดไป และควรคงปริมาณงานที่ค้างไว้ในระบบเท่าใด โดยใช้เป้าหมายทางสถิติแบบ mean-CVaR (Conditional Value-at-Risk) เพื่อประเมินความเสี่ยงด้านความล่าช้าที่เปลี่ยนแปลงไปตามสถานการณ์

จากการทดสอบจำลองด้วยการเล่นซ้ำบันทึกการทำงานจากชุดข้อมูล SWE-bench และ SWE-Gym ชุดละ 100 งาน ทดสอบร่วมกับโมเดล Llama-3.3-70B ที่อัตราการเข้าของงาน 0.9 เวิร์กโฟลว์ต่อวินาที ผลปรากฏว่าวิธีดังกล่าวช่วยลดเวลาเสร็จสิ้นเวิร์กโฟลว์ที่เปอร์เซ็นไทล์ 95 (P95) ได้สูงสุดถึง 71.4% หรือเร็วขึ้น 3.50 เท่า จากเดิม 1,986.3 วินาที เหลือ 568.0 วินาที

อย่างไรก็ตาม ขอบเขตการทดลองในปัจจุบันยังเป็นการใช้บันทึกชุดข้อมูลจำกัดและการรันเปรียบเทียบในเงื่อนไขเฉพาะ ทำให้ยังไม่สามารถสรุปผลครอบคลุมระบบขนาดใหญ่ทุกรูปแบบได้ทันที