This capstone project develops an AI-powered chatbot to address cybersecurity vulnerabilities, leveraging the Common Vulnerabilities and Exposures (CVE) system and the Common Vulnerability Scoring System (CVSS). The chatbot will provide accessible and informative support for understanding and mitigating these vulnerabilities, potentially leading to significant improvements in cybersecurity practices.
ในยุคที่การรักษาความปลอดภัยทางไซเบอร์มีการพัฒนาอย่างรวดเร็ว องค์กรต่างๆต้องเผชิญกับความท้าทายมากมายในการระบุและลดความเสี่ยงจากช่องโหว่ต่างๆ ภัยคุกคามทางไซเบอร์ที่มีความซับซ้อนเพิ่มขึ้นทำให้จำเป็นต้องมีเครื่องมือที่มีประสิทธิภาพและประสิทธิผลเพื่อช่วยให้นักทดสอบเจาะระบบสามารถประเมินช่องโหว่และผลกระทบที่อาจเกิดขึ้นได้ วิธีการปัจจุบันมักเกี่ยวข้องกับการค้นหาด้วยตนเองผ่านฐานข้อมูลขนาดใหญ่ ซึ่งอาจใช้เวลานานและมีโอกาสเกิดข้อผิดพลาดจากมนุษย์ แชทบอทที่ใช้ปัญญาประดิษฐ์สามารถทำให้กระบวนการนี้มีประสิทธิภาพมากขึ้น โดยให้ข้อมูลที่รวดเร็วและแม่นยำเกี่ยวกับช่องโหว่เฉพาะ รวมถึงคำอธิบาย คะแนน CVSS และระดับความรุนแรง
คณะอุตสาหกรรมอาหาร
Tepache is a traditional Mexican fermented beverage commonly made using pineapple peels, which naturally contain sugars and the enzyme bromelain. These components contribute to its distinctive aroma and unique flavor. This project aims to develop a health-enhancing tepache by fermenting pineapple peels with probiotic yeast and lactic acid bacteria. Additionally, prebiotics, including inulin and xylo-oligosaccharides, are incorporated as nutrients to support probiotic growth. The resulting synbiotic tepache promotes gut microbiota balance, exhibits antioxidant properties, and enhances the immune system, making it a functional and beneficial beverage for consumers.
คณะบริหารธุรกิจ
CO Breathalyzer with Voice Response is the device to measured the level of CO residual in a person's lung who consume tobacco. Measuring residual CO in human breath can identify the tobacco addiction level instead of measuring nicotine in blood.
คณะแพทยศาสตร์
This study explores the application of deep convolutional neural networks (CNNs) for accurate pill identification, addressing the limitations of traditional human-based methods. Using a dataset of 1,250 images across 10 household remedy drugs, various CNN architectures, including YOLO models, were tested under different conditions. Results showed that natural lighting was optimal for imprinted pills, while a lightbox improved detection for plain pills. The YOLOv5-tiny model demonstrated the best detection accuracy, and efficientNet_b0 achieved the highest classification performance. While the model showed strong results, its generalization is limited by sample size and drug variability. Nonetheless, this approach holds promise for enhancing medication safety and reducing errors in outpatient care.