โครงงานนี้นำเสนอการพัฒนาแชทบอทปัญญาประดิษฐ์ (AI) ที่ออกแบบมาเพื่อจัดการกับช่องโหว่ด้านความปลอดภัยทางไซเบอร์ โดยเฉพาะอย่างยิ่งที่เกี่ยวข้องกับ Common Vulnerabilities and Exposure (CVE) และระบบ Common Vulnerability Scoring System (CVSS) โครงงานนี้มีศักยภาพในการปรับปรุงแนวปฏิบัติด้านความปลอดภัยทางไซเบอร์อย่างมีประสิทธิภาพ โดยการมีเครื่องมือที่เข้าถึงได้ง่ายและให้ข้อมูลสำหรับการทำความเข้าใจและลดความเสี่ยงจากช่องโหว่
ในยุคที่การรักษาความปลอดภัยทางไซเบอร์มีการพัฒนาอย่างรวดเร็ว องค์กรต่างๆต้องเผชิญกับความท้าทายมากมายในการระบุและลดความเสี่ยงจากช่องโหว่ต่างๆ ภัยคุกคามทางไซเบอร์ที่มีความซับซ้อนเพิ่มขึ้นทำให้จำเป็นต้องมีเครื่องมือที่มีประสิทธิภาพและประสิทธิผลเพื่อช่วยให้นักทดสอบเจาะระบบสามารถประเมินช่องโหว่และผลกระทบที่อาจเกิดขึ้นได้ วิธีการปัจจุบันมักเกี่ยวข้องกับการค้นหาด้วยตนเองผ่านฐานข้อมูลขนาดใหญ่ ซึ่งอาจใช้เวลานานและมีโอกาสเกิดข้อผิดพลาดจากมนุษย์ แชทบอทที่ใช้ปัญญาประดิษฐ์สามารถทำให้กระบวนการนี้มีประสิทธิภาพมากขึ้น โดยให้ข้อมูลที่รวดเร็วและแม่นยำเกี่ยวกับช่องโหว่เฉพาะ รวมถึงคำอธิบาย คะแนน CVSS และระดับความรุนแรง
คณะวิศวกรรมศาสตร์
โครงงานนี้มุ่งเน้นการพัฒนาระบบอ่านป้ายทะเบียนรถยนต์แบบอัตโนมัติ ซึ่งรองรับทั้งป้ายทะเบียนรูปแบบปกติและพิเศษของประเทศไทย โดยใช้เทคโนโลยี Machine Learning เพื่อเพิ่มประสิทธิภาพในการอ่านป้ายทะเบียน ระบบนี้สามารถรองรับข้อมูลได้ทั้งภาพนิ่งและวิดีโอ ผู้ใช้สามารถลงทะเบียนและชำระค่าบริการแบบ Subscription เพื่อนำส่งข้อมูลให้ระบบประมวลผลผ่าน RESTful API, WebSocket, และกล้อง IP ที่ลงทะเบียนกับระบบ
คณะวิศวกรรมศาสตร์
งานวิจัยนี้มีวัตถุประสงค์เพื่อตรวจสอบปลอมปนของข้าวสารพันธุ์ขาวดอกมะลิ 105 ตามอายุการเก็บรักษา ด้วยเทคนิคเนียร์อินฟราเรดสเปกโทรสโกปี โดยใช้ฟูเรียร์ทรานฟอร์มเนียร์อินฟราเรดสเปกโทรสโกปี (FT-NIR) จำนวนคลื่น 12,500 – 4,000 cm-1 (800 – 2,500 nm) ซึ่งอายุการเก็บรักษาของข้าวที่แตกต่างกันส่งผลต่อคุณภาพข้าวหุงสุก งานวิจัยนี้แบ่งเป็น 2 ส่วน 1) เพื่อตรวจสอบความเป็นไปในการแยกข้าวสารตามอายุการเก็บรักษา 1 2 และ 3 ปี แบบจำลองที่ดีที่สุดสร้างด้วย Ensemble ร่วมกับ Second Derivative มีค่าความถูกต้อง (Accuracy) เท่ากับ 96.3% 2) ตรวจสอบการปลอมปนตามอายุการเก็บรักษา โดยปลอมปนที่ 0% (ข้าว 2 และ 3 ปีทั้งหมด), 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90% และ 100% (ข้าว 1 ปีทั้งหมด) แบบจำลองที่ดีที่สุดสร้างด้วย Gaussian Process Regression (GPR) ร่วมกับ Smoothing + Multiplicative Scatter Correction (MSC) โดยมีค่าสัมประสิทธิ์การกำหนด (r²) ค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ยของการทำนาย (RMSEP) ค่าความคลาดเคลื่อนเฉลี่ย (Bias) และค่าความสามารถในการทำนาย (RPD) เท่ากับ 0.92 8.6% 0.9% และ 3.6 ตามลำดับ แสดงให้เห็นว่าแบบจำลองการปลอมปนสามารถนำไปประยุกต์ใช้ได้สำหรับการตรวจสอบการแยกประเภทข้าวตามอายุการเก็บรักษา 1 ปี 2 ปี และ 3 ปี นอกจากนั้นค่าสีของข้าวที่อายุการเก็บรักษาต่างกันมีค่าสี L* และ b* ต่างกันอีกด้วย
คณะเทคโนโลยีการเกษตร
โครงการนี้ได้สร้างระบบดูแลต้นไม้ในหอพักผ่านระบบ IoT ( Internet of Things ) โดยการพัฒนาโปรแกรมผ่านบอร์ด ESP-32 ควบคุมการรดน้ำต้นไม้อัตโนมัติ โดยสั่งการผ่าน สมาร์ทโฟน สามารถใช้งานระบบปฏิบัติการทั้ง iOS และ Android โครงการนี้จะช่วยให้การปลูกต้นไม้ในหอพักเป็นเรื่องง่ายและสะดวกมากยิ่งขึ้น