Thanawat Piyasawetkul

Thanawat Piyasawetkul

Pharmaceutical Sciences Student Skilled in AI

Sitemap

A list of all the posts and pages found on the site. For you robots out there, there is an XML version available for digesting as well.

Pages

Posts

ทำความรู้จักกับ Quantum AI จากงาน SITE2025

2 minute read

Published:

ผมได้มีโอกาสเข้าร่วมงาน SITE2025 เมื่อวันเสาร์ที่ 5 ก.ค. 68 ที่ผ่านมา และได้ฟังบรรยายที่น่าสนใจมากมาย และหัวข้อบรรยายที่ล้ำยุค และผมสนใจมากที่สุดคือเรื่อง Quantum AI บรรยายโดย รศ.ดร.ศิริเดช บุญแสง, อาจารย์ผู้เชี่ยวชาญ Quantum computing และ คุณธีรวัฒน์ ทองลอย, PhD candidate ด้าน Quantum AI ผมจึงขอนำโน๊ตที่ผมจดมาเรียบเรียงใหม่ และเล่าให้ทุกท่านได้อ่านครับ:

JC04 - Reflect, Retry, Reward

less than 1 minute read

Published:

LLM ตัวเล็กเอาชนะตัวใหญ่ได้ยังไง? นักวิจัยเผยวิธีใหม่ที่ทำให้ LLM ตัวเล็กสามารถทำงานได้ดีกว่า LLM ที่ใหญ่กว่า ถึง 10 เท่า วันนี้ผมมีเปเปอร์ที่น่าสนใจมากสำหรับ Journal Club ในวันนี้ “Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning ที่ช่วยให้ LLM เรียนรู้จากความผิดพลาดของตัวเองได้อย่างชาญฉลาด!

มนุษย์ฉลาดกว่า AI จริงไหม? แล้วพารามิเตอร์ของ LLM คือเซลล์สมองหรือเปล่า?

1 minute read

Published:

🧠🤖 LLM อย่าง ChatGPT มี “พารามิเตอร์” เป็นหลักพันล้าน เช่น LLaMA 3 มี 70B (70 พันล้านพารามิเตอร์) แล้วถ้ามนุษย์เรามี เซลล์สมอง (neuron) อยู่ประมาณ 86 พันล้านเซลล์ (1) แปลว่าเราฉลาดกว่ารึเปล่า?

JC03 - งานวิจัยจาก Microsoft เผย “ยิ่งถามเยอะ AI ยิ่งตอบผิด” !

less than 1 minute read

Published:

ChatGPT และรวมถึงแชท AI ต่างๆ อย่าง Gemini หรือ Claude เป็นตัวอย่างของ Large language model (LLM; แบบจำลองภาษา) ด้วยความฉลาดของมันในการตอบคำถาม ทำให้การใช้ LLM เป็นที่แพร่หลาย ตอนนี้คนหลายคนเริ่มถาม LLM มากกว่า ถาม Google search แล้ว แต่รู้ไหมว่าการถามหลายรอบแบบนี้ อาจทำให้ AI ตอบผิดมากขึ้น?

JC02 - เคยสงสัยมั้ยว่า AI “เข้าใจ” องค์ความรู้เฉพาะทางได้ยังไง?

less than 1 minute read

Published:

งานวิจัยล่าสุดจาก Microsoft เจาะลึก “เบื้องหลัง” การทำงานของ AI ว่าสิ่งที่มันตอบเรานั้น มาจากการ “จำ” หรือจาก “วิธีคิด” ที่จำเพาะต่อองค์ความรู้เฉพาะทางกันแน่

portfolio

publications

Prediction of Spheroid Cell Death Using Fluorescence Staining and Convolutional Neural Networks

Published in Chemical Research in Toxicology, 2023

Abstract: Three-dimensional (3D) cell culture is emerging for drug design and drug screening. Skin toxicity is one of the most important assays for determining the toxicity of a compound before being used in skin application. Much work has been done to find an alternative assay without animal experiments. 3D cell culture is one of the methods that provides clinically relevant models with superior clinical translation compared to that of 2D cell culture. In this study, we developed a spheroid toxicity assay using keratinocyte HaCaT cells with propidium iodide and calcein AM. We also applied the transfer learning-containing convolutional neural network (CNN) to further determine spheroid cell death with fluorescence labeling. Our result shows that the morphologies of the spheroid are the key features in determining the apoptosis cell death of the HaCaT spheroid. Our CNN model provided good statistical measurement in terms of accuracy, precision, and recall in both validation and external test data sets. One can predict keratinocyte spheroid cell death if that spheroid image contains the fluorescence signals from propidium iodide and calcein AM. The CNN model can be accessed in the web application at https://qsarlabs.com/#spheroiddeath.

Citation: Srisongkram, T., Syahid, N. F., Piyasawetkul, T., Thirawatthanasak, P., Khamtang, P., Sawasnopparat, N., Tookkane, D., Weerapreeyakul, N., & Puthongking, P. (2023). Prediction of Spheroid Cell Death Using Fluorescence Staining and Convolutional Neural Networks. Chemical Research in Toxicology, 36(12), 1980–1989. https://doi.org/10.1021/acs.chemrestox.3c00257

AppHerb: Language Model for Recommending Traditional Thai Medicine

Published in AI, 2025

Abstract: Trust in Traditional Thai Medicine (TTM) among Thai people has been reduced due to a lack of objective standards and the susceptibility of the general population to false information. The emergence of generative artificial intelligence (Gen AI) has significantly impacted various industries, including traditional medicine. However, previous Gen AI models have primarily focused on prescription generation based on Traditional Chinese Medicine (TCM), leaving TTM unexplored. To address this gap, we propose a novel fast-learning fine-tuned language model fortified with TTM knowledge. We utilized textual data from two TTM textbooks, Wat Ratcha-orasaram Ratchaworawihan (WRO), and Tamra Osot Phra Narai (NR), to fine-tune Unsloth’s Gemma-2 with 9 billion parameters. We developed two specialized TTM tasks: treatment prediction (TrP) and herbal recipe generation (HRG). The TrP and HRG models achieved precision, recall, and F1 scores of 26.54%, 28.14%, and 24.00%, and 32.51%, 24.42%, and 24.84%, respectively. Performance evaluation against TCM-based generative models showed comparable precision, recall, and F1 results with a smaller knowledge corpus. We further addressed the challenges of utilizing Thai, a low-resource and linguistically complex language. Unlike English or Chinese, Thai lacks explicit sentence boundary markers and employs an abugida writing system without spaces between words, complicating text segmentation and generation. These characteristics pose significant difficulties for machine understanding and limit model accuracy. Despite these obstacles, our work establishes a foundation for further development of AI-assisted TTM applications and highlights both the opportunities and challenges in applying language models to traditional medicine knowledge systems in Thai language contexts.

Citation: Piyasawetkul, T., Tiyaworanant, S., & Srisongkram, T. (2025). AppHerb: Language Model for Recommending Traditional Thai Medicine. AI, 6(8), 170. https://doi.org/10.3390/ai6080170

talks

teaching