หนังสือเล่มนี้มุ่งให้ความรู้พื้นฐานการจัดการธุรกิจเทคโนโลยี โดยมีกรณีศึกษาที่ครอบคลุมธุรกิจเทคโนโลยีในหลากหลายสาขา
องค์ความรู้ด้านการจัดการธุรกิจเทคโนโลยี ถือเป็นเรื่องใหม่ ยังไม่เป็นที่รู้จักในวงกว้าง เมื่อเปรียบเทียบกับ สาขาอื่นๆ เช่น การตลาด หรือ การจัดการทรัพยากรมนุษย์ เป็นต้น
วิทยาลัยการจัดการนวัตกรรมและอุตสาหกรรม
Air Rack เป็นผลิตภัณฑ์ที่ออกแบบมาเพื่อตอบโจทย์ธุรกิจที่มีข้อจำกัดด้านพื้นที่และงบประมาณในการสร้างห้องเซิร์ฟเวอร์ ระบบระบายความร้อน และการจัดการเสียงรบกวน ระบบนี้ช่วยให้สามารถใช้งานอุปกรณ์ไอทีในพื้นที่เปิดได้อย่างมีประสิทธิภาพ โดยรองรับทั้งการทำงานแบบ On-premise และ On-cloud ผ่านการแปลงข้อมูลจากเซ็นเซอร์เป็นข้อมูลดิจิทัลและแสดงผลผ่าน Dashboard ผู้ใช้สามารถควบคุม ติดตาม และวิเคราะห์ข้อมูลได้จากระยะไกล อีกทั้งระบบยังช่วยลดการใช้พลังงานไฟฟ้าและค่าใช้จ่ายในการบริหารจัดการห้องเซิร์ฟเวอร์แบบเดิมได้อย่างมีนัยสำคัญ
คณะวิทยาศาสตร์
วัสดุตัวเร่งปฏิกิริยาเชิงแสงที่ตกแต่งด้วยวัสดุนาโนโลหะ (Bi-Metallic NPs/ Photocatalyst) ได้ถูกสังเคราะห์ ในการสลายอะฟลาทอกซิน บี1 ตัวเร่งปฏิกิริยาเชิงแสงที่ตกแต่งด้วยวัสดุนาโนโลหะถูกสังเคราะห์ด้วยคลื่นอัลตราโซนิก (Ultrasonic waves) วัสดุถูกนำมาศึกษาคุณลักษณะทางเคมีโดยการใช้เทคนิค Transmission electron microscope (TEM), X-ray photoelectron spectroscopy (XPS), X-ray diffraction analysis (XRD), Fourier transform infrared spectrometer (FT-IR), Zeta potential analyzer และ UV-visible spectrophotometer อนุภาคนาโนโลหะบนตัวเร่งปฏิกิริยาเชิงแสงถูกนำมาทดสอบประสิทธิภาพในการย่อยสลาย AFB1 ในน้ำเสียจากน้ำทิ้งครัวเรือนภายใต้แสงวิสิเบิล โดยนำมาวิเคราะห์ด้วยโครมาโตกราฟีของเหลวสมรรถนะสูง ช่วงความยาวคลื่น 365 นาโนเมตร พบว่าสามารถกำจัด AFB1 ได้อย่างมีประสิทธิภาพถึง 100 % ภายในเวลา 2 นาที ประสิทธิภาพที่เหนือชั้นนี้เป็นผลมาจาก โครงสร้างที่มีรูพรุนสูง พื้นที่ผิวจำเพาะที่เพิ่มขึ้น และอัตราการรวมตัวใหม่ของอิเล็กตรอน-โฮลที่ลดลง แสดงให้เห็นว่าวัสดุนาโนที่ได้พัฒนาประสบความสำเร็จในการสลาย AFB1
คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า