Recruitment is a crucial process that enables organizations to select candidates whose qualifications match the requirements of a given position. However, this process often faces challenges related to data management, delays, and human bias. This research aims to design and develop an intelligent web application for employee recruitment using artificial intelligence (AI) technology to evaluate and score candidates' suitability for job positions. The system leverages data analysis techniques on resumes and a qualification-matching process based on predefined criteria. Developed using Agile principles, the system employs Natural Language Processing (NLP) to analyze resumes, assess candidates’ qualifications, skills, and experience, and utilizes Machine Learning to predict and rank suitability. The system consolidates data from multiple sources into a unified database to reduce redundancy and input errors. Additionally, it presents insights through a dashboard, enabling HR teams to make more effective hiring decisions.
กระบวนการสรรหาพนักงานมีความซับซ้อนและใช้เวลานาน เนื่องจากองค์กรต้องจัดการข้อมูลจากหลายช่องทาง เช่น เว็บไซต์สมัครงาน หน้าเว็บของบริษัท และการแนะนำจากพนักงานภายใน ซึ่งแต่ละช่องทางอาจมีแบบฟอร์มสมัครงานที่แตกต่างกัน ทำให้การรวมรวมข้อมูลผู้สมัครลงในฐานข้อมูลเดียวกันเกิดข้อผิดพลาดและซ้ำซ้อน เนื่องจากการกรอกข้อมูลยังต้องดำเนินการโดยฝ่ายทรัพยากรบุคคลด้วยตนเอง ส่งผลให้เกิดความล่าช้าในการวิเคราะห์ข้อมูล และทำให้การพิจารณาคุณสมบัติเบื้องต้นของผู้สมัครไม่มีประสิทธิภาพเพียงพอ อีกทั้ง ระบบเดิมที่ใช้ Google Sheets ในการจัดการข้อมูลมีข้อจำกัดในการจัดการข้อมูลขนาดใหญ่ ส่งผลให้เกิดความล่าช้าและขาดประสิทธิภาพในการแสดงผลข้อมูลของผู้สมัคร ส่งผลต่อการตัดสินใจในการคัดเลือกบุคลากรที่เหมาะสมกับตำแหน่งงาน จากปัญหาดังกล่าว คณะผู้วิจัยจึงได้พัฒนาเว็บแอปพลิเคชันอัจฉริยะที่สามารถรวมข้อมูลจากหลายแหล่งให้อยู่ในระบบเดียวกัน ลดความซ้ำซ้อน และลดโอกาสเกิดข้อผิดพลาดของมนุษย์ โดยใช้เทคโนโลยี AI และ Machine Learning ในการวิเคราะห์และให้คะแนนความเหมาะสมของผู้สมัครอย่างแม่นยำ พร้อมทั้งพัฒนาแดชบอร์ดที่ช่วยให้ฝ่ายทรัพยากรบุคคลสามารถดูข้อมูล วิเคราะห์ และตัดสินใจคัดเลือกบุคลากรได้รวดเร็วยิ่งขึ้น ทำให้กระบวนการสรรหาพนักงานมีประสิทธิภาพและลดภาระงานของฝ่ายสรรหาได้อย่างมีนัยสำคัญ
คณะวิศวกรรมศาสตร์
This Project has been undertaken to address the need for skill development and knowledge enhancement in pneumatic systems and automation control, which are crucial in today’s manufacturing industry. Pneumatic systems play a vital role in various production processes, including machine control, automated devices, and assembly lines. However, the Department of Measurement and Control Engineering currently lacks a laboratory dedicated to the study and experimentation of pneumatic systems due to the deterioration and lack of maintenance of the previously used equipment. This has resulted in students missing the opportunity to practice essential skills required in the industrial sector. The authors of this thesis recognize the necessity of reviving and developing a pneumatic laboratory that can effectively support teaching, learning, and research activities. This project focuses on studying and developing industrial robotic arm control systems and pneumatic systems, integrating modern technologies such as Programmable Logic Controllers (PLC) and AI Vision. These systems are intended to be applicable to real-world industrial contexts. The outcomes of this project are expected to not only enhance the understanding of relevant technologies but also aim to transform the laboratory into a vital learning hub for current and future students. Furthermore, this initiative seeks to improve the competitiveness of students in the job market and support the development of innovations in the manufacturing industry in the years to come.
คณะวิทยาศาสตร์
Currently, climate change and human activities are causing rapid deterioration of coral reefs worldwide. Monitoring coral health is essential for marine ecosystem conservation. This project focuses on developing an Artificial Intelligence (AI) model to classify coral health into four categories: Healthy, Bleached, Pale, and Dead using Deep Learning techniques. With pre-trained convolutional neural network (CNN) for image classification. To improve accuracy and mitigate overfitting, 5-fold Cross-Validation is employed during training, and the best-performing model is saved. The results of this project can be applied to monitor coral reef conditions and assist marine scientists in analyzing coral health more efficiently and accurately. This contributes to better conservation planning for marine ecosystems in the future.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
---