Air Rack is a product designed to address businesses with limited space and budget constraints for server rooms, cooling systems, and noise management. This system enables efficient use of IT equipment in open spaces, supporting both On-premise and On-cloud operations. It converts sensor data into digital information and displays it via a Dashboard, allowing users to monitor, analyze, and control the system remotely. Additionally, Air Rack significantly reduces power consumption and the costs associated with traditional server room management.
Air Rack เป็นผลิตภัณฑ์ที่ออกแบบมาเพื่อธุรกิจจำนวนมากไม่มีพื้นที่ หรืองบประมาณในการสร้างห้องเซริฟ์เวอร์, ระบบระบายความร้อน และการจัดการเสียงรบกวน ซึ่งเป็นผลมาจากการนำอุปกรณ์ไอทีออกมาในที่โล่ง ใช้งานรวมกับระบบแสดงผลและเก็บข้อมูลแบบออนไลน์ ระบบถูกออกแบบมาให้ทำหน้าที่เป็นเครื่องมือที่สามารถเก็บข้อมูลได้อย่างละเอียดและแม่นยำ ทั้งแบบ On-premise และ On Cloud ก่อนจะประมวลผลโดยแปลงสัญญาณจากเซ็นเซอร์ให้เป็นข้อมูลดิจิตอล เพื่อส่งตรงสู่หน้าจอคอมพิวเตอร์ในรูปแบบของ Dashboard ที่ประกอบไปด้วยแผนภูมิ (Charts) เกจ (Gauges) LEDs ตาราง และอื่นๆ ให้คุณสามารถควบคุมกระบวนการ ติดตาม ตรวจสอบ วิเคราะห์ และสั่งงานได้จากระยะไกล
คณะเทคโนโลยีสารสนเทศ
Facial Expression Recognition (FER) has attracted considerable attention in fields such as healthcare, customer service, and behavior analysis. However, challenges remain in developing a robust system capable of adapting to various environments and dynamic situations. In this study, the researchers introduced an Ensemble Learning approach to merge outputs from multiple models trained in specific conditions, allowing the system to retain old information while efficiently learning new data. This technique is advantageous in terms of training time and resource usage, as it reduces the need to retrain a new model entirely when faced with new conditions. Instead, new specialized models can be added to the Ensemble system with minimal resource requirements. The study explores two main approaches to Ensemble Learning: averaging outputs from dedicated models trained under specific scenarios and using Mixture of Experts (MoE), a technique that combines multiple models each specialized in different situations. Experimental results showed that Mixture of Experts (MoE) performs more effectively than the Averaging Ensemble method for emotion classification in all scenarios. The MoE system achieved an average accuracy of 84.41% on the CK+ dataset, 54.20% on Oulu-CASIA, and 61.66% on RAVDESS, surpassing the 71.64%, 44.99%, and 57.60% achieved by Averaging Ensemble in these datasets, respectively. These results demonstrate MoE’s ability to accurately select the model specialized for each specific scenario, enhancing the system’s capacity to handle more complex environments.
คณะเทคโนโลยีการเกษตร
This research investigates the traditional knowledge, biological characteristics, and bioactive compounds of Melaleuca cajuputi Powell, with a focus on its conservation and sustainable utilization. The study encompasses its applications in agriculture, healthcare, and bioenergy.
คณะวิศวกรรมศาสตร์
-