add remaining posts

posts/2024/15-thawat-khumphaen.md

@@ -0,0 +1,24 @@
+---
+date: "31-7-24"
+title: "Teeth segmentation using Res-UNet"
+builder: "ธวรรธน์ คุ้มแผน(แซน)"
+builder_info: "สาธิตมหาวิทยาลัยราชภัฏนครปฐม / นครปฐม"
+thumbnail: "/images/2024/15/01.png"
+links:
+    github: "https://github.com/SanThawat/aibuilder-deploy"
+    facebook: ""
+    blog: "https://medium.com/@sand32kpan/25ec1d5c7c86"
+---
+
+![image](/images/2024/15/01.png)
+
+- แรงบันดาลใจ: แรงบันดาลใจของผมมาจากสิ่งที่ผมได้เจอมากับตัวเอง จากการที่ผมมีฟันคุด 4 ซี่ ซึ่ง 1 ในนั้นเป็นฟันคุด มันไปเบียดฟันข้างๆทำให้ฟันกรามที่โดนเบียดผุไปด้วย ผมรู้สึกเสียใจมากที่ต้องสูญเสียฟันแท้ตั้งแต่ตอนอายุ 18 ปี แต่มันก็ทำให้ผมได้เห็นวิธีการทำงานของหมอฟัน ตั้งแต่การวินิจฉัยด้วยตาเปล่าจากภายนอก การ X-rays ฟันทั้งแบบ ฺBitewing X-ray(แบบเฉพพาะซี่) และ Panoramic X-rays(แบบเห็นทั้งฟัน ไซนัส และกระดูกขากรรไกร) ขั้นตอนในการถอนฟันคุด การอุดฟัน รวมถึงการนัดเช็คระ15ยะฟันข้างๆฟันคุดว่ามีรอยผุมั้ย 
+- เป้าหมาย: ผมอยากที่จะทำโครงงานนี้ขึ้นมาเพื่อช่วยให้คุณหมอทำงานได้สะดวกขึ้นและช่วยตรวจสอบฟันซี่อื่นๆที่อาจจะไม่ได้เกี่ยวกับบริเวณฟันที่มีปัญหา เพื่อเพิ่มประสิทธิภาพในการวินิจฉัย
+- dataset จาก kaggle(Teeth Segmentation on dental X-ray images) โดยข้างใน Dataset นี้ จะมี Image และ Mask และ Json file อยู่อย่างละ 598 file
+- จากการนำ Teeth Segmentation on dental X-ray images dataset มาใช้ในการเทรนโมเดล Res-Unet โดยใช้ Adam optimizer, learning rate = 0.000006, batch size = 5, ไม่มีการ Flip หรือ Rotation ภาพ เมื่อนำมา test จะได้ Dice score = 0.9039711356163025
+- future plan คือการทำให้โมเดลสามารถตรวจจับฟันผุ และฟันคุดได้
+
+### แรงจูงในในการเข้าร่วมโครงการ (จากใบสมัครเข้าร่วมเมื่อ 10 สัปดาห์ที่แล้ว)
+
+> เนื่องจากผมเคยสมัคร ai builder มาแล้วครั้งนึงในปีที่แล้วซึ่ง<strong> <u>ผมไม่ติด</u></strong> ทำให้ผมได้พัฒนาตัวเองให้เก่งขึ้นจากการเรียนรู้ด้วยตนเอง และจากการเข้าค่ายต่างๆ ผมเห็นว่าทางโครงการรับนักเรียนที่จบม.6ในปีนี้ด้วย ผมจึงได้สมัครเข้ามา เป้าหมายของผมคือการสร้าง ai ที่มีประโยชน์ต่อสังคม ผมจึงได้สมัครเข้าร่วมโครงการนี้เพื่อหาความรู้และพัฒนาทักษะในการทำ ai เนื่องจากผมได้ติดมหาวิทยาลัยในสาขาวิศวกรรมหุ่นยนต์และระบบอัตโนมัติ ผมจึงอยากใช้เวลาในช่วงปิดเทอมนี้พัฒนาตัวเองให้เก่งขึ้นอีก เพื่อจะได้นำ ai ไปประยุกต์ใช้กับงานด้านหุ่นยนต์ ผมยังเป็น beginner ในการทำ ai ผมจึงอยากได้ mentor ที่คอยเป็นที่ปรึกษาให้ผม ซึ่งโครงการนี้มี mentor คอยให้คำปรึกษา ผมคิดว่าการมี mentor และการลงมือทำ จะทำให้ผมได้รู้จัก ai มากขึ้น และคำแนะนำจาก mentor จะมีประโยชน์กับตัวผมเป็นอย่างมาก<strong> ผมจะมุ่งมั่น ตั้งใจ และรับฟังคำแนะนำจาก mentor เพื่อที่จะนำความรู้ที่ได้จากโครงการ ai builder นี้มาพัฒนานาตนเอง และนำไปใช้เกิดประโยชน์ต่อสังคมให้ได้มากที่สุด สุดท้ายนี้ผมเชื่อว่า " ai ที่ผมสร้างขึ้นมาจะสามารถช่วยเหลือสังคมและทำให้โลกใบนี้ดีขึ้นได้ "</strong>
+

posts/2024/16-bunyaphon-chaimongkolsup.md

@@ -0,0 +1,26 @@
+---
+date: "31-7-24"
+title: "Thytra (Thyroid Ultrasound Image Classification for Disease Diagnosis)"
+builder: "บุณยาพร ชัยมงคลทรัพย์(เบล)"
+builder_info: "สระบุรีวิทยาคม / สระบุรี"
+thumbnail: "/images/2024/16/01.png"
+links:
+    github: "https://github.com/BunyaphonChaimongkolsup/Deploy-AIB2024-Thytra"
+    facebook: ""
+    blog: "https://medium.com/@bunyaphon536/thytra-thyroid-ultrasound-image-classification-for-disease-diagnosis-e26591bd1b82"
+---
+
+![image](/images/2024/16/01.png)
+
+- โมเดลจำเเนกรูปภาพอัลตราซาวนด์เพื่อตรวจมะเร็งไทรอยด์ โดยใช้ข้อมูลจาก Kaggle (Algerian Ultrasound Images Thyroid Dataset : AUITD) ของโรงพยาบาลเเอลจิเรียในเมืองเซติฟ เป็นภาพจากเครื่องอัลตราซาวนด์ Toshiba Viamo , Toshiba Aplio 300 เเละ Toshiba Aplio XG
+- ได้เเรงบรรดาลใจมาจากที่ตนเองเป็นโรคเกี่ยวกับต่อมไทรอยด์
+- Benign 620 รูป , Malignant 584 รูป , Normal thyroid 171 รูป
+- Train set = 1100 , Test set = 275 (80% / 20%) ทำการจำเเนกรูปภาพว่าเป็น normal (ไทรอยด์ปกติ) , benign (เนื้องอกไม่อันตราย) หรือ malignant (เนื้องอกชนิดร้าย)
+- เเพทย์ที่ไม่ได้เชี่ยวชาญเฉพาะด้านต่อมไทรอยด์ มีความแม่นยำในการแปลผลภาพอัลตราซาวนด์ด้วยสายตาประมาณ 55–70% เเละเเพทย์ที่เชี่ยวชาญ มีความแม่นยำในการแปลผลภาพอัลตราซาวนด์ด้วยสายตาประมาณ 80–90% โดยใช้เวลาเฉลี่ย 10–20 นาที หากเป็นภาพที่ซับซ้อนก็ต้องใช้เวลานานขึ้น
+- เปรียบเทียบสถาปัตยกรรม Vision Transformer, Resnet50, VGG16 ผลปรากฎว่า Vision Transformer ได้ค่าความแม่นยำสูงที่สุด
+- โมเดลสามารถจำเเนกภาพได้ค่า f1-score อยู่ที่ 93 %
+
+### แรงจูงในในการเข้าร่วมโครงการ (จากใบสมัครเข้าร่วมเมื่อ 10 สัปดาห์ที่แล้ว)
+
+> ตอนเด็กๆหนูเป็นคนที่ชื่นชอบหุ่นยนต์เป็นอย่างมาก มันทำให้หนูสงสัยมาตลอดว่า ทำไมสิ่งที่ไม่มีชีวิต ถึงได้สามารถเคลื่อนไหวเหมือนกับมันเป็นสิ่งมีชีวิต ทั้งที่มันเป็นเเค่เศษเหล็กเเท้ๆ หนูเลยได้ลองหาข้อมูลเพิ่ม จนได้มารู้จักกับคำว่า ai หนูได้เคยศึกษา k-nearest neighbors , decision tree , classification มาบ้างเเละก็เข้าใจเเค่งูๆปลาๆอยู่ดี จนวันนี้หนูได้รู้จักกับโครงการ ai builder เเละหนูคิดว่าโครงการนี้เเหละ ที่จะช่วยให้หนูได้เรียนรู้จนสามารถพัฒนาความสามารถของตัวเองให้เติบโตได้อย่างรวดเร็ว เเละได้รับคำเเนะนำต่างๆทั้งจากพี่ๆ mentor ta รวมถึงเพื่อนๆที่มีใจรักคอมเหมือนกัน หนูขอบคุณมากๆที่มีโครงการนี้ขึ้นมา เพราะโครงการนี้ทำให้หนูได้เห็นโปรเจคเจ๋งๆจากหลายๆคนเเละโครงการนี้ยังเเบ่งปันความรู้เจ๋งๆที่สามารถดูได้ฟรีบนยูทูป หนูซาบซึ้งมากจริงๆค่ะ สุดท้ายนี้หนูหวังว่าสักวันหนูจะมีโปรเจคของตัวเองเเสดงอยู่ที่เพจ ai builder หนูสัญญาว่าจะทำให้เต็มที่เเละนำคำเเนะนำทุกอย่างมาเเก้ไขเพื่อให้ได้ผลงานใน version ที่ดีที่สุด
+

posts/2024/17-nattapong-pakdeeviboon.md

@@ -0,0 +1,25 @@
+---
+date: "31-7-24"
+title: "Traffic law question answering "
+builder: "ณัฐพงษ์ ภักดีวิบูลย์(รันช์)"
+builder_info: "นวมินทราชินูทิศ สตรีวิทยา พุทธมณฑล / กรุงเทพมหานคร"
+thumbnail: "/images/2024/17/01.png"
+links:
+    github: "https://github.com/Runnies23/Traffic-law-question-answering"
+    facebook: ""
+    blog: "https://medium.com/@nattapongryan230707/traffic-law-question-answering-ai-builder-eda0bf121b1d"
+---
+
+![image](/images/2024/17/01.png)
+
+- สร้างTraffic law question answering เพราะว่าอยากที่รู้ข้อกฎหมายเกี่ยวกับการจราจรว่าการกระทำเเบบไหนนั้นผิดกฎหมาย 
+- จะเป็นการทำ RAG (Retrieval Augment Generation) รวมกับการทำ 2 stage retrieval 
+- ในการทำ RAG จะต้องมี data ที่เก็บไว้เป็นเเหล่งอ้างอิง นำเอกสารกฎหมายของพระราชบัญญิติการจราจรมาทำเป็น structure data 
+- testset เป็นข้อมูลสำหรับการทดสอบที่ประกอบด้วยคำถาม 103 ข้อ ซึ่งคำถามเหล่านี้ถูกออกแบบมาเพื่อวัดประสิทธิภาพของโมเดลที่ใช้ในการตอบคำถามเกี่ยวกับกฎหมายจราจร คำถามเหล่านี้เป็นคำถามทั่วไปที่พบได้ในการจราจร
+- ทดลองกับ 3 Model ด้วยกัน 1. BM25 2. BGE-M3 3. ME5 ผลออกมาBGE M3 มีคะเเนนมากที่สุดเลยได้ศึกษาเพิ่มเติมเเละเจอการคำนวนคะเเนน 5 เเบบ 1. Dense 2. Sparse 3.Multi vector 4.Dense + Sparse 5. Dense + Sparse + Multi vector เนื่องจากทำ 2 stage retrieval ก็เลยจะเป็นที่จะต้องนำ top k passage ไปเข้า reranker โดย rerank เราจะใช้ BGE M3 reranker เเละจากนั้นส่งคำตอบไปให้ large language model 
+- ข้อเสนอแนะ (เพิ่มเติม) เนื่องจากเป็นกฎหมายเลยจะมีการอัพเดทอยู่เรื่อยดังนั้นต้องรวบรวมจนถึงฉบับล่าสุด เพิ่มความเเม่นยำของการทำ retrieve ให้มีมากยิ่งขึ้น
+
+### แรงจูงในในการเข้าร่วมโครงการ (จากใบสมัครเข้าร่วมเมื่อ 10 สัปดาห์ที่แล้ว)
+
+> ผมเป็นอีกคนนึงที่ได้เติบโตมาพร้อมกับเทคโนโลยี เท่าที่จำความได้ ผมก็ชอบสิ่งนี้ไปเเล้ว ความสนใจและความหลงใหลในเทคโนโลยีไม่เพียงแต่ปลูกฝังความคิดสร้างสรรค์และการแก้ไขปัญหาในตัวผม ในช่วงเวลาที่ผ่านมาผมได้รู้จักผู้คนที่มีความสามารถทางด้านนี้หลายๆคน เเลัวชอบสายงานเป็นอย่างมาก เเละไม่นานมานี้ผมได้รู้จักกับ ai ที่เป็นอีกสิ่งหนึ่งที่เข้ามามีผลต่อชีวิตความเป็นอยู่ของผมเป็นอย่างมาก จึงพยายามที่จะเรียนรู้ด้วยตัวเองในหัวข้อต่างๆอย่างเเละได้เรียนรู้จากรายการsuper ai engineer ss4 ที่เป็นการเรียนใน mooc ในเรื่องของ machine learning, neural network ,image processing,กับการทำ eda data เเละ data virtualization , การเขียนภาษา python โดยการพัฒนา ai จะเป็นอาชีพที่มีการเติบโตเป็นอย่างมากในช่วง 10 ปีข้างหน้านี้ ไม่ว่าจะเป็น machine learning engineer , data science , data engineer ผมอยากที่ประสบการณ์การได้โครงงานจริง เพื่อที่จะสั่งสมประสบการณ์ที่ได้ทำ ai ให้มากยิ่งขึ้น
+

posts/2024/18-suppamok-tosranon.md

@@ -0,0 +1,24 @@
+---
+date: "31-7-24"
+title: "Book Identifier by BGE-m3 model"
+builder: "ศุภโมกข์ ธูสรานนท์(จิมมี่)"
+builder_info: "เซนต์คาเบรียล / กรุงเทพมหานคร"
+thumbnail: "/images/2024/18/01.png"
+links:
+    github: "https://github.com/The-Jimmy/ai-builder-bookIdentifier "
+    facebook: ""
+    blog: "https://medium.com/@dajimmy.m/book-identifier-by-bge-m3-model-8dba59ea4d6a "
+---
+
+![image](/images/2024/18/01.png)
+
+- Model for identifying popular english books from a brief description of that book with BGE-m3 model
+- I got the dataset from CMU Book Summary Dataset containing 16344 book summary and I added 8 questions per book, 130,732 questions overall, with Google AI Gemini
+- I did not do any training on BGE-m3 because of time limitations and problems with answer keys, I explained more in my Medium blog.
+- The model has an accuracy of 0.278 before reranking and 0.111 after reranked. But after carefully manually analyzing the prediction from 30 books. I have found out that most of the ones that the model got wrong, the predicted one is either a book with the same genre or book with a similar plot.
+
+
+### แรงจูงในในการเข้าร่วมโครงการ (จากใบสมัครเข้าร่วมเมื่อ 10 สัปดาห์ที่แล้ว)
+
+> จากการที่ผมได้ไปเข้าหลายๆโครงการและค่ายที่เกียวกับ ai และ machine learning มา ผมก็ได้รู้ว่าผมมีความสนใจในด้านนี้และอยากที่จะศึกษาต่ออย่างจริงจัง ผมจึงได้มาเจอโครงการนี้และบวกกับรุ่นพี่ที่ได้แนะนำโครงการนี้มา ผมจึงมีความสนใจและใฝ่ฝันที่จะเข้าโครงการนี้ ทั้งเพือที่จะพัฒนาตัวเองและอยากที่จะเขียนโครงการที่สามารถนำไปใช้ได้ในชีวิตจริง ผมอยากที่จะเรียนรู้การเก็บข้อมูลให้แม่นยำและรวดเร็วจากหลายๆแห่ง หลังจากที่ผมได้เรียนจบโครงการนี้แล้ว ผมอยากที่จะมาทำ research ของผมเกี่ยวกับการตรวจจับโรคจากภาพ mri หรือ x-ray เพื่อที่จะได้ช่วยบุคลากรทางการแพทย์ในการดูและวิเคราะห์โรคได้เร็วขึ้น
+