เลย์ลาหุ่นยนต์โรงแรม มีหน้าที่ช่วยนำกระเป๋าไปส่งยังห้องพักแขก มี Map ช่วยนำพาไปจุดต่างๆในโรงแรม มีระบบ AI ตอบโต้พูดคุยได้ 3 ภาษาหลัก ได้แก่ ภาษาไทย ภาษาอังกฤษ และภาษาจีน
เนื่องจากปัญหาการขาดแคลนพนักงานโรงแรมในปัจจุบัน พนักงานจึงต้องทำหน้าที่หลายอย่างในเวลาเดียวกัน ทำให้ลูกค้าอาจต้องรอคิวนาน ดังนั้นเพื่อเพิ่มประสิทธิภาพการทำงานให้สะดวกและรวดเร็วยิ่งขึ้น จึงสร้างนวัตกรรมชิ้นนี้มาเพื่อช่วยลดภาระหน้าที่ของพนักงาน เช่น Bellboy, Concierge และ Receptionist เป็นต้น
คณะอุตสาหกรรมอาหาร
ไก่ปลดระวาง คือ แม่ไก่ไข่ที่มีอายุเกิน 18 เดือนถึง 2 ปี โดยเป็นไก่ที่ไม่ให้ผลผลิตแล้ว เนื้อสัมผัสของไก่ปลดระวางจัดว่ามีความเหนียวมากเมื่อเปรียบเทียบกับไก่เนื้อ ไก่ตอน และไก่บ้าน ดังนั้น เพื่อเป็นการเพิ่มมูลค่าให้แก่ไก่ปลดระวาง งานวิจัยจึงนำน้ำเนื้อไก่มาดัดแปรเนื้อสัมผัส โดยการขึ้นรูปใหม่ด้วยคาราจีแนน และนำไปทำให้เนื้อไก่นุ่มขึ้นโดยการแช่ในสารละลายโบรมิเลนที่มีความเข้มข้นต่างกัน จากการทดลอง พบว่า การขึ้นรูปใหม่ด้วยคาราจีแนน และการใช้เอนไซม์โบรมิเลน ส่งผลให้เนื้อไก่สามารถขึ้นรูปเป็นผลิตภัณฑ์ใหม่ได้ และช่วยให้เนื้อไก่นุ่มขึ้น เมื่อเปรียบเทียบกับเนื้อไก่ที่ไม่ได้ใช้คาราจีแนนและเอนไซม์โบรมิเลน
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
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-