Tay Za Brand Logo
Tay Za

Tay Za ၏ application များနှင့် စနစ်တည်ဆောက်မှုများ

Fintech၊ automation၊ စားသောက်ဆိုင် SaaS၊ machine learning နှင့် assistive AI ဆိုင်ရာ လုပ်ငန်းများ။

လက်ရှိအသုံးပြုနေသော စီမံကိန်းများ

Fintech / အလိုအလျောက်စနစ်
အသုံးပြုနိုင်သည်

MyanTop မိုဘိုင်းဖုန်းငွေဖြည့် အလိုအလျောက်စနစ်

Next.js 15SupabasePostgreSQLNext-Intl
150k+တစ်လလျှင် API ခေါ်ဆိုမှု
2.4k+အသုံးပြုနေသော အသုံးပြုသူများ
<0.1%ဖော်ပြထားသော အမှားနှုန်း
Wallet RPC locksလက်ကျန်ငွေ စီမံခန့်ခွဲမှု
MyanTop မိုဘိုင်းဖုန်းငွေဖြည့် အလိုအလျောက်စနစ် Preview
P2P ဈေးကွက် / လုံခြုံရေး
အသုံးပြုနိုင်သည်

SecureXchange (ဘတ်-ကျပ် ငွေလဲလှယ်မှု)

LINE LIFF SDKDeno Edge FunctionsPostgres CDCTypeScript
Real-time CDC feedငွေလဲနှုန်း အပ်ဒိတ်များ
LINE push notificationsအသိပေးချက်များ
Server-sideနှုန်းထားတွက်ချက်မှု
0% reportedငွေလွှဲမှု လှည့်စားခြင်း
SecureXchange (ဘတ်-ကျပ် ငွေလဲလှယ်မှု) Preview
စားသောက်ဆိုင် SaaS / Multi-tenant စနစ်
အသုံးပြုနိုင်သည်

MenuGo (QR ဖြင့် စားသောက်ဆိုင် အော်ဒါတင်ခြင်း)

Fastify v4React 19 + VitePostgreSQL 16 + DrizzlePostgres RLSTanStack Query v5SSE Realtime
HMAC-SHA256QR လုံခြုံရေး
Realtime via SSEမီးဖိုချောင် ပြသမှု
ESC/POS thermalပြေစာများ
10အလိုအလျောက် စမ်းသပ်မှုအစုများ
MenuGo (QR ဖြင့် စားသောက်ဆိုင် အော်ဒါတင်ခြင်း) Preview

နည်းပညာဆိုင်ရာ အသေးစိတ်များ

Quantitative ခွဲခြမ်းစိတ်ဖြာမှု / ML

Trading AI (USD-M Futures ခွဲခြမ်းစိတ်ဖြာမှု)

PyTorch LSTMFastAPIReact 18 / ViteXGBoost + SHAP
အော်ဒါဆောင်ရွက်မှု: Analysis only
Model ရှင်းလင်းချက်များ: SHAP
ဒေတာစီးဆင်းမှု: FastAPI WebSocket
ဒေတာသိမ်းဆည်းမှု: SQLite

ဖြေရှင်းရမည့် ပြဿနာ

Crypto futures ဈေးကွက်တွင် အပြောင်းအလဲကြီးမားခြင်း၊ signal နှင့် noise အချိုးနိမ့်ခြင်း၊ model ၏ ခန့်မှန်းချက်ကို ရှင်းပြရန် ခက်ခဲခြင်းတို့ ရှိသည်။

တည်ဆောက်ခဲ့သည့် ဖြေရှင်းချက်

Nvidia CUDA ပေါ်တွင် အလုပ်လုပ်သော XGBoost classifier နှင့် PyTorch LSTM ကို ပေါင်းစပ်ထားသည့် analysis-only futures ခွဲခြမ်းစိတ်ဖြာမှုစနစ်ကို တည်ဆောက်ခဲ့သည်။ FastAPI WebSocket streaming နှင့် SHAP ဖြင့် ရှင်းပြနိုင်သော feature analysis တို့ ပါဝင်သည်။

Computer Vision / အသုံးပြုနိုင်မှု

AuraVision (အကူအညီပေးသော spatial AI)

OpenCV / YOLOGemini 3 FlashLlamaIndex / ChromaDBPython Multiprocessing
အရာဝတ္ထု ရှာဖွေခြင်း: YOLO
ပတ်ဝန်းကျင် နားလည်ခြင်း: Gemini multimodal
အကြောင်းအရာ ရှာဖွေခြင်း: LlamaIndex / RAG
ရည်ရွယ်ချက်: Accessibility

ဖြေရှင်းရမည့် ပြဿနာ

အမြင်အာရုံချို့တဲ့သူများသည် သွားလာရာတွင် အတားအဆီးများကို ရှောင်ရှားရန်နှင့် ပတ်ဝန်းကျင်ပြောင်းလဲမှုကို ချက်ချင်းသိရှိရန် အခက်အခဲများ ကြုံတွေ့ရသည်။

တည်ဆောက်ခဲ့သည့် ဖြေရှင်းချက်

YOLOE-26N-Seg object locator၊ multiprocessing face identification queue၊ Gemini-3-Flash multimodal scene understanding နှင့် LlamaIndex ကို အသုံးပြုသော adaptive RAG memory ပါဝင်သည့် spatial AI စနစ်ကို တည်ဆောက်ခဲ့သည်။

စမ်းသပ်ခန်း

Prototype များ၊ micro-SaaS MVP များနှင့် တည်ဆောက်မှုအတွေ့အကြုံများ။

GitHub ကြည့်ရန်