แพลตฟอร์มที่มีจุดประสงค์ในการเชื่อมโยงนักศึกษาจากทุกคณะและสาขาวิชาเพื่อส่งเสริมการทำ กิจกรรมร่วมกัน และพัฒนาทักษะทางสังคมและการทำงานร่วมกันอย่างมีประสิทธิภาพ โดยเน้นไปที่การ ส่งเสริมการเรียนรู้และการพัฒนาตนเองผ่านการทบทวนบทเรียนและการเรียนรู้ร่วมกันที่มีความสัมพันธ์กับ ทุกคณะและสาขาวิชาในมหาวิทยาลัย สร้างพื้นที่สำหรับการเจรจาและแลกเปลี่ยนเรียนรู้ และสนับสนุนการ ทำกิจกรรมร่วมกันเพื่อสร้างสัมพันธภาพและความร่วมมือในกลุ่มนักศึกษา
จากสถิติโดยเฉลี่ยแล้วในแต่ละวันคนเราจะพบเจอคนแปลกหน้าประมาณ 47 คน นั้นเท่ากับว่าเรา จะพบเจอคนหน้าตาใหม่ๆมากถึง 17,155 คน ต่อปี ซึ่งในการพบเจอกันของผู้คนโดยปกติแล้วเป็นเรื่องที่ เป็นไปไม่ได้เลยที่จะเจอคนที่ชอบหรือมีความต้องการอะไรคล้ายๆกัน เราจึงเกิดแนวคิดที่จะนำพาคนเหล่านั้นให้มาเจอกันได้ง่ายขึ้นจากการสร้างแอปพลิเคชัน ที่จะ ส่งเสริมการทำกิจกรรมร่วมกันของนักศึกษาทั้งจาก ต่างคณะและภายในคณะ เดียวกัน และยังส่งเสริมการ ทบทวนบทเรียน ทำแบบฝึกหัด เพื่อพัฒนาความรู้ในบทเรียนร่วมกัน ที่จะมีรายวิชาจากทุกคณะ และทุก สาขาภายใต้คอนเซ็ปต์ที่ว่า KMITL GO and grow up together
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
คณะวิทยาศาสตร์
จากการเข้ามาถึงของนวัตกรรมทางมัลติมีเดียอย่างเกมทำให้การเข้าถึงสื่อไม่เหมือนเดิม สร้างความแปลกใหม่ให้กับการเสพสื่อ โดยโอเวอร์สเตียร์เป็นโครงงานที่ใช้ประโยจน์จากสื่อประเภทเกมเพื่อทำให้ผู้ใช้สามารถสัมผัสประสบการณ์การขับรถคล้ายกับการขับรถบนสนามแข่ง
คณะวิทยาศาสตร์
ในปัจจุบัน การเปลี่ยนแปลงสภาพภูมิอากาศและกิจกรรมของมนุษย์ส่งผลให้แนวปะการังทั่วโลกเผชิญกับภาวะเสื่อมโทรมอย่างรวดเร็ว การตรวจสอบสุขภาพของปะการังจึงมีความสำคัญอย่างยิ่งต่อการอนุรักษ์ระบบนิเวศทางทะเล โครงการนี้มุ่งเน้นการพัฒนาแบบจำลองปัญญาประดิษฐ์ (AI) เพื่อจำแนกสุขภาพของปะการังออกเป็นสี่ประเภท ได้แก่ ปะการังแข็งแรง (Healthy), ปะการังฟอกขาว (Bleached), ปะการังซีด (Pale), และปะการังตาย (Dead) โดยใช้โครงข่ายประสาทเทียมเชิงลึก (Deep Learning) เป็นพื้นฐานในการฝึกสอนแบบจำแนกภาพ ในกระบวนการฝึกแบบจำลอง ได้มีการใช้เทคนิค Cross-Validation (k=5) เพื่อเพิ่มความแม่นยำ พร้อมทั้งบันทึกโมเดลที่มีประสิทธิภาพดีที่สุดหลังการฝึกผลลัพธ์ของโครงการนี้สามารถนำไปประยุกต์ใช้ในการติดตามการเปลี่ยนแปลงของแนวปะการัง และช่วยนักวิทยาศาสตร์ทางทะเลวิเคราะห์ข้อมูลได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น ซึ่งจะเป็นประโยชน์ต่อการวางแผนอนุรักษ์ระบบนิเวศทางทะเลในอนาคต