ในยุคที่ข้อมูลรีวิวสินค้าบนแพลตฟอร์มอีคอมเมิร์ซมีจำนวนมาก การสรุปความคิดเห็นให้เข้าใจง่ายและใช้งานได้จริงจึงเป็นสิ่งสำคัญ งานวิจัยนี้นำเสนอระบบวิเคราะห์รีวิวสินค้าด้วย Aspect-Based Sentiment Analysis (ABSA) ซึ่งเป็นเทคนิคใน Natural Language Processing (NLP) ที่สามารถแยกแยะแง่มุมสำคัญของรีวิว (เช่น การจัดส่ง คุณภาพสินค้า บรรจุภัณฑ์) และวิเคราะห์อารมณ์ (บวก ลบ หรือเป็นกลาง) ของแต่ละแง่มุม ระบบนี้ช่วยให้ผู้บริโภคและร้านค้าสามารถเข้าถึงข้อมูลเชิงลึกได้อย่างมีประสิทธิภาพ โครงการนี้ได้พัฒนา AI สำหรับการวิเคราะห์ ABSA ภาษาไทย โดยใช้ WangchanBERTa ซึ่งฝึกบนข้อมูลภาษาไทย และเปรียบเทียบกับโมเดลต่างๆ เช่น TF-IDF + Logistic Regression, Word2Vec + BiLSTM, และ Multilingual BERT (mBERT/XLM-R) เพื่อประเมินประสิทธิภาพในด้านความแม่นยำ ความเร็ว และการใช้ทรัพยากร นอกจากนี้ยังมีการแสดงผลผ่าน Dashboard Visualization เพื่อให้ผู้ใช้เข้าใจแนวโน้มของรีวิวได้อย่างรวดเร็ว ผลลัพธ์ที่คาดหวังคือการพัฒนาเครื่องมือ AI ที่ใช้งานจริงในอุตสาหกรรมอีคอมเมิร์ซ ช่วยให้ผู้บริโภคตัดสินใจซื้อสินค้าได้ง่ายขึ้น และช่วยร้านค้าในการปรับปรุงผลิตภัณฑ์และบริการได้อย่างมีประสิทธิภาพ
ปัจจุบันการซื้อขายสินค้าออนไลน์เติบโตขึ้นอย่างรวดเร็ว ทำให้ข้อมูลรีวิวสินค้าจากผู้บริโภคมีปริมาณเพิ่มขึ้นเป็นจำนวนมาก รีวิวเหล่านี้มีบทบาทสำคัญในการตัดสินใจซื้อของลูกค้าและการปรับปรุงคุณภาพสินค้าของร้านค้า อย่างไรก็ตาม ปริมาณข้อมูลที่มากเกินไปและความหลากหลายของรูปแบบการแสดงความคิดเห็นทำให้การสรุปและวิเคราะห์ข้อมูลเหล่านี้เป็นไปได้ยาก ผู้บริโภคต้องใช้เวลามากในการอ่านรีวิวจำนวนมากเพื่อสรุปแนวโน้มความคิดเห็น ในขณะที่ร้านค้าประสบปัญหาในการวิเคราะห์ข้อมูลรีวิวเพื่อปรับปรุงผลิตภัณฑ์และบริการ เพื่อแก้ไขปัญหานี้ งานวิจัยนี้นำเสนอการประยุกต์ใช้ Aspect-Based Sentiment Analysis (ABSA) ซึ่งเป็นเทคนิคใน Natural Language Processing (NLP) ที่สามารถแยกแยะ แง่มุมสำคัญของรีวิวสินค้า (Aspects) และวิเคราะห์ อารมณ์ของแต่ละแง่มุม (Sentiments) โดยอัตโนมัติ การนำเทคนิคนี้มาใช้จะช่วยให้ผู้บริโภคสามารถรับข้อมูลเชิงลึกจากรีวิวได้ง่ายขึ้น และช่วยให้ร้านค้าสามารถใช้ข้อมูลรีวิวเพื่อปรับปรุงสินค้าและบริการอย่างมีประสิทธิภาพ โครงงานนี้ยังมุ่งเน้นการศึกษาว่า แนวทาง AI แบบใดมีประสิทธิภาพสูงสุดในการทำ ABSA สำหรับภาษาไทย โดยเปรียบเทียบ วิธีการประมวลผลภาษาธรรมชาติแบบดั้งเดิม กับเทคนิคการเรียนรู้เชิงลึกที่ทันสมัย เพื่อให้ได้แนวทางที่เหมาะสมที่สุด พร้อมทั้งพัฒนา Dashboard Visualization ที่ช่วยให้ข้อมูลรีวิวถูกนำเสนอในรูปแบบที่เข้าใจง่ายและสามารถนำไปใช้งานจริงในอุตสาหกรรมอีคอมเมิร์ซ
คณะวิทยาศาสตร์
ผู้ป่วยโรคภูมิแพ้ผิวหนังมีจำนวนมากเป็นอันดับที่สอง ในจำนวนผู้ป่วยโรคผิวหนัง ซึ่งโรคภูมิแพ้ผิวหนังนี้ยังไม่มียารักษา ทำได้แค่บรรเทารักษาตามอาการ ทำให้เกิดเป็นโรคเรื้อรัง มีโอกาสที่เชื้อฉวยโอกาสจะเข้าไปก่อโรคเพิ่มจากแผลของผู้ป่วย ทำให้ผู้ป่วยมีอาการแทรกซ้อนจากการติดเชื้อชนิดอื่น การศึกษาในครั้งนี้จึงสนใจศึกษาการลดโอกาสในการติดเชื้อฉวยโอกาสในผู้ป่วยโรคภูมิแพ้ผิวหนัง โดยใช้สารสกัดจากธรรมชาติ ซึ่งสนใจใบพลูคาวและดีปลี เนื่องจากมีข้อมูลสนับสนุนเรื่องการยับยั้งเชื้อจุลินทรีย์ โดยการนำใบของพืชทั้ง 2 ชนิด มาสกัดแบบหยาบ แช่ใน ethanol 95% เป็นเวลา 7 วัน กรองด้วยกรวยกรอง buchner นำสารสกัดที่ได้ไปทดสอบ phytochemical เพื่อวิเคราะห์องค์ประกอบ phenolic, flavonoid, tannin, anthocyanin, DPPH และนำไปทดสอบฤทธิ์ในการต้านจุลชีพ ซึ่งในการทดลองประกอบด้วยแบบคทีเรียแกรมบวกและแกรมลบ 5 ชนิด ได้แก่ E. coli, Bacillus subtilis, Pseudomonas aeruginosa, Staphylococcus aureus, Staphylococcus epidermidis โดยผู้ทำการวิจัยคาดว่าจะสามารถนำไปต่อยอดและนำไปพัฒนาในการรักษาผู้ป่วยโรคภูมิแพ้ผิวหนังได้
คณะวิศวกรรมศาสตร์
โครงการสหกิจนี้มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพกระบวนการผลิต Hydrogen Manufacturing Unit 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) โดยการใช้แบบจำลองกระบวนการ AVEVA Pro/II และ แบบจำลอง Machine Learning เพื่อจำลองกระบวนการ ผลการศึกษาพบว่า แบบจำลอง AVEVA Pro/II สามารถทำนายผลลัพธ์ โดยมีความคลาดเคลื่อนอยู่ในช่วง 0–35% มีความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA สูงถึง 12% เกินเกณฑ์ 10% ที่บริษัทยอมรับได้ จึงได้พัฒนาแบบจำลอง Machine Learning โดยการปรับไฮเปอร์พารามิเตอร์ของอัลกอริทึมแบบ Random Forest ผลการศึกษาพบว่าแบบจำลองมีความแม่นยำสูง มีค่า Mean Squared Error (MSE) มีค่า 8.48 และ 0.18 สำหรับข้อมูลกระบวนการ และ ข้อมูลห้องปฏิบัติการ และ R-squared มีค่า 0.98 และ 0.88 สำหรับข้อมูลชุดเดียวกัน และพบว่าสามารถทำนายผลลัพธ์ได้แม่นยำกว่าแบบจำลอง AVEVA Pro/II ในทุกๆ ตัวแปร สามารถลดความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA เหลือเพียง 4.75 และ 1.35% สำหรับอัตราการผลิต 180 และ 220 ตันต่อวันตามลำดับ จึงได้นำแบบจำลองมาทำการ Optimization ตัวแปรกระบวนการ พบว่าสามารถให้ข้อแนะนำในการปรับค่าตัวแปรต่างๆ ได้ โดยสามารถเพิ่มผลผลิตไฮโดรเจนได้ 7.8 ตันต่อวัน และสร้างผลกำไรเพิ่มขึ้น 850,966.23 บาทต่อปี
คณะอุตสาหกรรมอาหาร
งานวิจัยนี้ศึกษาฟิล์มบรรจุภัณฑ์แอคทีฟจากพอลิไวนิลแอลกอฮอล์ (PVA) และเส้นใยนาโนเซลลูโลส (NFC) โดยเติมอนุภาคซิลเวอร์นาโน (AgNPs) ที่สังเคราะห์จากสารสกัดสมอไทย ซึ่งมีฤทธิ์ต้านเชื้อแบคทีเรียและเชื้อรา ฟิล์มที่พัฒนาขึ้นถูกทดสอบสมบัติทางกล การยับยั้งจุลินทรีย์ และการย่อยสลายทางชีวภาพ ผลการวิจัยพบว่าการเติม AgNPs จากสมอไทยช่วยเพิ่มประสิทธิภาพในการปกป้องผลิตภัณฑ์และยืดอายุการเก็บรักษาสตรอเบอร์รีได้อย่างมีประสิทธิภาพ ทั้งยังเป็นมิตรต่อสิ่งแวดล้อม