มัลเบอร์รีคีเฟอร์ เป็นเครื่องดื่มจากผลหม่อนสุกที่ผ่านการหมัก ผลิตจากน้ำสกัดจากผลหม่อนสุก มีลักษณะปรากฎเป็นสีแดงชมพูซึ่งเป็นสีของสารแอนโทไซยานินตามธรรมชาติในผลหม่อน โดยแอนโทไซยานินมีคุณสมบัติเป็นสารต้านอนุมูลอิสระ มีสารพรีไบโอติกฟรุคโทโอลิโกแซคคาไรด์ จุลินทรีย์โพรไบโอติก Lactobacillus และ Saccharomeces มีรสชาติหวานอมเปรี้ยว มีความซ่า มีแอลกอฮอล์เล็กน้อย รสชาติและความซ่าเกิดจากเทคโนโลยีการผลิต ซึ่งใช้กระบวนการหมักจากจุลินทรีย์ มัลเบอร์รีคีเฟอร์ จัดเป็นเครื่องดื่มฟังค์ชัน (Functional Beverage) ที่ผลิตจากพืช (Plant Based Beverage) เหมาะกับผู้ที่แพ้น้ำตาลแลคโทส รวมถึงผู้ที่ไม่บริโภคเครื่องดื่มที่ผลิตจากน้ำนม ดื่มแล้วรู้สึกสดชื่น
ผลหม่อนสุก เป็นผลิตผลจากหม่อนซึ่งมีการไปแปรรูปเป็นแยมหม่อน น้ำหม่อน ไวน์หม่อน การนำผลหม่อนมาแปรรูปเป็นเครื่องดื่มคีเฟอร์ในกลุ่มของ water kefir เป็นแนวคิดที่เพิ่มความหลากหลายให้กับเครื่องดื่มจากผลหม่อนโดยใช้เทคโนโลยีการหมักด้วจุลินทรีย์แลคโทบาซิลลัส และยีสต์ ได้เป็นเครื่องดื่มจากพืชที่มีความโดดเด่นด้านสี รสชาติ
คณะเทคโนโลยีการเกษตร
โครงการนี้ได้สร้างระบบดูแลต้นไม้ในหอพักผ่านระบบ IoT ( Internet of Things ) โดยการพัฒนาโปรแกรมผ่านบอร์ด ESP-32 ควบคุมการรดน้ำต้นไม้อัตโนมัติ โดยสั่งการผ่าน สมาร์ทโฟน สามารถใช้งานระบบปฏิบัติการทั้ง iOS และ Android โครงการนี้จะช่วยให้การปลูกต้นไม้ในหอพักเป็นเรื่องง่ายและสะดวกมากยิ่งขึ้น
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
งานวิจัยการออกแบบต้นแบบเมตาเวิร์สหอภาพยนตร์ (องค์การมหาชน) เป็นการศึกษารูปแบบการสร้างประสบการณ์เสมือนจริง (Immersive Experience) โดยมีวัตถุประสงค์ 3 ข้อคือ เพื่อ 1) ศึกษารูปแบบแนวคิดและเทคโนโลยีที่ใช้ในการสร้างประสบการณ์การรับรู้ดิจิทัลเสมือนจริง 2) สร้างสรรค์งานออกแบบประสบการณ์การรับรู้ดิจิทัลเสมือนจริงและนำเสนอบนโลกต้นแบบเมตาเวิร์สหอภาพยนตร์ ใช้การวิจัยเชิงปฏิบัติ 3) ประเมินผลการออกแบบและสรุปเป็นองค์ความรู้การออกแบบนิทรรศการเสมือนจริง โดยวิธีวิจัยเชิงคุณภาพ จัดให้มีการทดสอบตัวต้นแบบ พร้อมทั้งสัมภาษณ์แบบกลุ่ม สอบถามทัศนคติและประเมินความพึงพอใจ ผลการวิจัยพบว่า หลักการออกแบบต้นแบบเมตาเวิร์สหอภาพยนตร์นั้น ประกอบไปด้วย 1) การใช้แนวคิดการออกแบบสถาปัตยกรรม 2) แนวคิดการออกแบบนิทรรศการ 3) แนวคิดการออกแบบประสบการณ์ จากนั้นจึงเข้าสู่กระบวนการสร้างงานในโลกเสมือนจริง ประกอบไปด้วย 1) สร้างโมเดลโครงสร้าง3มิติ 2) สร้างการใช้งานปฏิสัมพันธ์ 3) การออกแบบนิทรรศการ 4) ดำเนินการทดสอบตัวต้นแบบ จากนั้นทดสอบพร้อมประเมินผล โดยมีขั้นตอนคือ 1) ทดสอบโดยผู้ทดสอบ 10 คน 2) สัมภาษณ์แบบกลุ่มทั้ง 4 ประเด็นคือ ประเด็นหมวดประสบการณ์โดยรวม ประเด็นหมวดหอภาพยนตร์เนื้อหาคุณค่า ประเด็นหมวดการออกแบบเมตาเวิร์ส และประเด็นหมวดส่งเสริมการเรียนรู้ในพิพิธภัณฑ์ ผลการประเมินการออกแบบหมวดที่หนึ่ง 1) หมวดประสบการณ์โดยรวม ได้รับประสบการณ์ที่ดี ร้อยละ 70 การใช้งานเสถียร ร้อยละ 50 อุปสรรคในการรับชมร้อยละ 90 เสียงบรรยายดังรบกวนร้อยละ 50 รับชมภาพยนตร์ติดขัดร้อยละ 40 มีความต้องการคำอธิบายการใช้งาน ร้อยละ 60 ต้องการสัญลักษณ์นำทางร้อยละ 70 หมวดที่สอง 2) หมวดหอภาพยนตร์ สามารถรับรู้และเข้าใจเนื้อหาร้อยละ 80 หมวดที่สาม 3) หมวดเมตาเวิร์ส ได้มีการสื่อสารพูดคุยปฏิสัมพันธ์ร้อยละ 70 หมวดที่สี่ 4) หมวดการส่งเสริมการเรียนรู้ในพิพิธภัณฑ์ เห็นว่าสามารถส่งเสริมให้เกิดการเรียนรู้ได้ร้อยละ 90 จากผลสรุปการประเมินการออกแบบต้นแบบเมตาเวิร์สหอภาพยนตร์เพื่อสร้างประสบการณ์ดิจิทัลเสมือนจริง พบว่าประสบการณ์ที่ผู้ทดสอบได้รับ อยู่ในเกณฑ์ดี คือร้อยละ 70 แต่ปัญหาที่พบจะอยู่ที่ระบบและอุปกรณ์ที่รองรับการทดสอบยังไม่เสถียรเนื่องจากความพร้อมของเทคโนโลยีในปัจจุบัน (2566) ส่วนอุปสรรคในการใช้งานประสบการณ์ปฏิสัมพันธ์ภายในจำเป็นต้องมีการทดสอบและปรับปรุงซ้ำหลายครั้ง ส่วนเรื่องของคุณค่าการสนับสนุนการเรียนรู้ถือว่าอยู่ในเกณฑ์ดี
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