Ikuti langkah-langkah ini untuk memulai menggunakan sumber daya ini:
- Fork Repository: Klik
- Clone Repository:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Bergabunglah dengan Azure AI Foundry Discord dan temui para ahli serta pengembang lain
Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
Lebih suka Clone Secara Lokal?
Repository ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk clone tanpa terjemahan, gunakan sparse checkout:
git clone --filter=blob:none --sparse https://github.com/microsoft/edgeai-for-beginners.git cd edgeai-for-beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'Ini memberi Anda semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.
Jika Anda ingin menambahkan bahasa terjemahan lainnya yang didukung tercantum di sini
Selamat datang di EdgeAI untuk Pemula – perjalanan komprehensif Anda ke dunia transformasi Kecerdasan Buatan Edge. Kursus ini menjembatani kesenjangan antara kemampuan AI yang kuat dan penerapan praktis di perangkat edge, memberdayakan Anda untuk memanfaatkan potensi AI langsung di tempat data dihasilkan dan keputusan harus dibuat.
Kursus ini membawa Anda dari konsep dasar hingga implementasi siap produksi, mencakup:
- Model Bahasa Kecil (SLM) yang dioptimalkan untuk penerapan edge
- Optimasi yang menyadari perangkat keras di berbagai platform
- Inferensi waktu nyata dengan kemampuan menjaga privasi
- Strategi penerapan produksi untuk aplikasi perusahaan
Edge AI merupakan paradigma baru yang mengatasi tantangan kritis saat ini:
- Privasi & Keamanan: Proses data sensitif secara lokal tanpa eksposur cloud
- Kinerja Waktu Nyata: Hilangkan latensi jaringan untuk aplikasi penting waktu
- Efisiensi Biaya: Kurangi biaya bandwidth dan komputasi cloud
- Operasi Tangguh: Jaga fungsi selama kegagalan jaringan
- Kepatuhan Regulasi: Penuhi persyaratan kedaulatan data
Edge AI merujuk pada menjalankan algoritma AI dan model bahasa secara lokal pada perangkat keras, dekat dengan tempat data dihasilkan tanpa bergantung pada sumber daya cloud untuk inferensi. Ini mengurangi latensi, meningkatkan privasi, dan memungkinkan pengambilan keputusan secara real-time.
- Inferensi di perangkat: Model AI berjalan pada perangkat edge (ponsel, router, mikrokontroler, PC industri)
- Kemampuan offline: Berfungsi tanpa koneksi internet permanen
- Latensi rendah: Respon instan cocok untuk sistem real-time
- Kedaulatan data: Menyimpan data sensitif secara lokal, meningkatkan keamanan dan kepatuhan
SLM seperti Phi-4, Mistral-7B, dan Gemma adalah versi yang dioptimalkan dari LLM yang lebih besar—dilatih atau disuling untuk:
- Jejak memori yang dikurangi: Penggunaan efisien memori perangkat edge yang terbatas
- Permintaan komputasi lebih rendah: Dioptimalkan untuk performa CPU dan GPU edge
- Waktu startup lebih cepat: Inisialisasi cepat untuk aplikasi responsif
Mereka membuka kemampuan NLP yang kuat sambil memenuhi keterbatasan:
- Sistem tertanam: Perangkat IoT dan pengendali industri
- Perangkat mobile: Smartphone dan tablet dengan kemampuan offline
- Perangkat IoT: Sensor dan perangkat pintar dengan sumber daya terbatas
- Server edge: Unit pemrosesan lokal dengan sumber daya GPU terbatas
- Komputer pribadi: Skenario penerapan desktop dan laptop
| Modul | Topik | Fokus | Konten Utama | Tingkat | Durasi |
|---|---|---|---|---|---|
| 📖 00 | Pengenalan EdgeAI | Dasar & Konteks | Gambaran EdgeAI • Aplikasi Industri • Pengantar SLM • Tujuan Pembelajaran | Pemula | 1-2 jam |
| 📚 01 | Dasar-Dasar EdgeAI | Perbandingan Cloud vs Edge AI | Dasar-Dasar EdgeAI • Studi Kasus Dunia Nyata • Panduan Implementasi • Penerapan Edge | Pemula | 3-4 jam |
| 🧠 02 | Dasar Model SLM | Keluarga model & arsitektur | Keluarga Phi • Keluarga Qwen • Keluarga Gemma • BitNET • μModel • Phi-Silica | Pemula | 4-5 jam |
| 🚀 03 | Praktik Penerapan SLM | Penerapan lokal & cloud | Pembelajaran Lanjutan • Lingkungan Lokal • Penerapan Cloud | Menengah | 4-5 jam |
| ⚙️ 04 | Toolkit Optimasi Model | Optimasi lintas platform | Pengenalan • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Sintesis Alur Kerja | Menengah | 5-6 jam |
| 🔧 05 | Produksi SLMOps | Operasi produksi | Pengenalan SLMOps • Distilasi Model • Fine-tuning • Penerapan Produksi | Lanjutan | 5-6 jam |
| 🤖 06 | Agen AI & Pemanggilan Fungsi | Kerangka kerja agen & MCP | Pengenalan Agen • Pemanggilan Fungsi • Protokol Konteks Model | Lanjutan | 4-5 jam |
| 💻 07 | Implementasi Platform | Contoh lintas platform | Toolkit AI • Foundry Lokal • Pengembangan Windows | Lanjutan | 3-4 jam |
| 🏭 08 | Toolkit Foundry Lokal | Contoh siap produksi | Contoh aplikasi (lihat detail di bawah) | Ahli | 8-10 jam |
- 01: REST Chat Quickstart
- 02: Integrasi SDK OpenAI
- 03: Penemuan Model & Benchmarking
- 04: Aplikasi Chainlit RAG
- 05: Orkestrasi Multi-Agen
- 06: Router Models-as-Tools
- 07: Klien API Langsung
- 08: Aplikasi Chat Windows 11
- 09: Sistem Multi-Agen Lanjutan
- 10: Kerangka Kerja Foundry Tools
Materi workshop praktis komprehensif dengan implementasi siap produksi:
- Panduan Workshop - Tujuan pembelajaran lengkap, hasil, dan navigasi sumber daya
- Contoh Python (6 sesi) - Diperbarui dengan praktik terbaik, penanganan kesalahan, dan dokumentasi lengkap
- Jupyter Notebooks (8 interaktif) - Tutorial langkah demi langkah dengan benchmark dan pemantauan performa
- Panduan Sesi - Panduan markdown terperinci untuk setiap sesi workshop
- Alat Validasi - Skrip untuk memverifikasi kualitas kode dan menjalankan tes sederhana
Apa yang Akan Anda Bangun:
- Aplikasi chat AI lokal dengan dukungan streaming
- Pipeline RAG dengan evaluasi kualitas (RAGAS)
- Alat benchmarking dan perbandingan multi-model
- Sistem orkestrasi multi-agen
- Routing model cerdas dengan seleksi berbasis tugas
Bangun pipeline produksi podcast bertenaga AI dari awal! Workshop mendalam ini mengajarkan Anda membuat sistem multi-agen lengkap yang mengubah ide menjadi episode podcast profesional. 🎬 Mulai Workshop Studio Podcast AI
Misi Anda: Luncurkan "Future Bytes" — podcast teknologi yang sepenuhnya digerakkan oleh agen AI yang Anda buat sendiri. Tanpa ketergantungan cloud, tanpa biaya API — semuanya berjalan secara lokal di mesin Anda.
Apa yang Membuat Ini Unik:
- 🤖 Orkestrasi Multi-Agen Nyata - Bangun agen AI khusus yang meneliti, menulis, dan menghasilkan audio
- 🎯 Alur Produksi Lengkap - Dari pemilihan topik hingga output audio podcast akhir
- 💻 Penyebaran 100% Lokal - Menggunakan Ollama dan model lokal (Qwen-3-8B) untuk privasi dan kontrol penuh
- 🎤 Integrasi Text-to-Speech - Ubah skrip menjadi percakapan multi-pembicara yang terdengar alami
- ✋ Alur Kerja Human-in-the-Loop - Pintu persetujuan untuk memastikan kualitas sambil mempertahankan otomatisasi
Perjalanan Pembelajaran Tiga Babak:
| Babak | Fokus | Keterampilan Utama | Durasi |
|---|---|---|---|
| Babak 1: Kenali Asisten AI Anda | Bangun agen AI pertama Anda | Integrasi alat • Pencarian web • Pemecahan masalah • Penalaran agen | 2-3 jam |
| Babak 2: Rakit Tim Produksi Anda | Orkestrasi beberapa agen | Koordinasi tim • Alur kerja persetujuan • Antarmuka DevUI • Pengawasan manusia | 3-4 jam |
| Babak 3: Hidupkan Podcast Anda | Hasilkan audio podcast | Text-to-speech • Sintesis multi-pembicara • Audio bentuk panjang • Otomatisasi penuh | 2-3 jam |
Teknologi yang Digunakan:
- Microsoft Agent Framework - Orkestrasi dan koordinasi multi-agen
- Ollama - Runtime model AI lokal (tanpa cloud)
- Qwen-3-8B - Model bahasa sumber terbuka yang dioptimalkan untuk tugas agenik
- API Text-to-Speech - Sintesis suara alami untuk pembuatan podcast
Dukungan Perangkat Keras:
- ✅ Mode CPU - Berfungsi pada komputer modern mana pun (direkomendasikan RAM 8GB+)
- 🚀 Akselerasi GPU - Inferensi jauh lebih cepat dengan GPU NVIDIA/AMD
- ⚡ Dukungan NPU - Akselerasi unit pemrosesan neural generasi berikutnya
Sangat Cocok Untuk:
- Pengembang yang belajar sistem AI multi-agen
- Siapa saja yang tertarik pada otomatisasi dan alur kerja AI
- Kreator konten yang mengeksplorasi produksi dengan bantuan AI
- Mahasiswa yang mempelajari pola orkestrasi AI praktis
Mulai Membangun: 🎙️ Workshop Studio Podcast AI →
- Total Durasi: 36-45 jam
- Jalur Pemula: Modul 01-02 (7-9 jam)
- Jalur Menengah: Modul 03-04 (9-11 jam)
- Jalur Lanjutan: Modul 05-07 (12-15 jam)
- Jalur Ahli: Modul 08 (8-10 jam)
- Arsitektur Edge AI: Rancang sistem AI lokal terlebih dahulu dengan integrasi cloud
- Optimasi Model: Kuantisasi dan kompresi model untuk penyebaran edge (peningkatan kecepatan 85%, pengurangan ukuran 75%)
- Penyebaran Multi-Platform: Windows, mobile, embedded, dan sistem hibrida cloud-edge
- Operasi Produksi: Pemantauan, penskalaan, dan pemeliharaan edge AI dalam produksi
- Aplikasi Chat Local Foundry: Aplikasi native Windows 11 dengan perpindahan model
- Sistem Multi-Agen: Koordinator dengan agen spesialis untuk alur kerja kompleks
- Aplikasi RAG: Pemrosesan dokumen lokal dengan pencarian vektor
- Router Model: Pemilihan cerdas antar model berdasarkan analisis tugas
- Kerangka API: Klien siap produksi dengan streaming dan pemantauan kesehatan
- Alat Multi-Platform: Pola integrasi LangChain/Semantic Kernel
Manufaktur • Kesehatan • Kendaraan Otonom • Kota Pintar • Aplikasi Mobile
Jalur Pembelajaran Direkomendasikan (total 20-30 jam):
- 📖 Pengenalan (Introduction.md): Dasar EdgeAI + konteks industri + kerangka pembelajaran
- 📚 Fondasi (Modul 01-02): Konsep EdgeAI + keluarga model SLM
- ⚙️ Optimasi (Modul 03-04): Penyebaran + kerangka kuantisasi
- 🚀 Produksi (Modul 05-06): SLMOps + agen AI + pemanggilan fungsi
- 💻 Implementasi (Modul 07-08): Contoh platform + toolkit Foundry Local
Setiap modul mencakup teori, latihan langsung, dan contoh kode siap produksi.
Peran Teknis: Arsitek Solusi EdgeAI • Insinyur ML (Edge) • Pengembang AI IoT • Pengembang AI Mobile
Sektor Industri: Manufaktur 4.0 • Teknologi Kesehatan • Sistem Otonom • FinTech • Elektronik Konsumen
Proyek Portofolio: Sistem multi-agen • Aplikasi RAG produksi • Penyebaran lintas platform • Optimasi performa
edgeai-for-beginners/
├── 📖 introduction.md # Foundation: EdgeAI Overview & Learning Framework
├── 📚 Module01-04/ # Fundamentals → SLMs → Deployment → Optimization
├── 🔧 Module05-06/ # SLMOps → AI Agents → Function Calling
├── 💻 Module07/ # Platform Samples (VS Code, Windows, Jetson, Mobile)
├── 🏭 Module08/ # Foundry Local Toolkit + 10 Comprehensive Samples
│ ├── samples/01-06/ # Foundation: REST, SDK, RAG, Agents, Routing
│ └── samples/07-10/ # Advanced: API Client, Windows App, Enterprise Agents, Tools
├── 🌐 translations/ # Multi-language support (8+ languages)
└── 📋 STUDY_GUIDE.md # Structured learning paths & time allocation
✅ Pembelajaran Progresif: Teori → Praktik → Penyebaran produksi
✅ Studi Kasus Nyata: Microsoft, Japan Airlines, implementasi enterprise
✅ Contoh Praktis: 50+ contoh, 10 demo lengkap Foundry Local
✅ Fokus Performa: Peningkatan kecepatan 85%, pengurangan ukuran 75%
✅ Multi-Platform: Windows, mobile, embedded, hibrida cloud-edge
✅ Siap Produksi: Pemantauan, penskalaan, kerangka keamanan dan kepatuhan
📖 Panduan Studi Tersedia: Jalur pembelajaran terstruktur 20 jam dengan pedoman alokasi waktu dan alat penilaian mandiri.
EdgeAI mewakili masa depan penyebaran AI: lokal terlebih dahulu, menjaga privasi, dan efisien. Kuasai keterampilan ini untuk membangun generasi aplikasi cerdas berikutnya.
Tim kami menghasilkan kursus lain! Lihat:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Jika Anda mengalami kebuntuan atau memiliki pertanyaan tentang membangun aplikasi AI, bergabunglah dengan:
Jika Anda memiliki masukan produk atau menemukan kesalahan saat membangun, kunjungi:
Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berupaya untuk mencapai ketepatan, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang sahih. Untuk informasi yang penting, disarankan menggunakan terjemahan oleh penerjemah manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau kesalahan interpretasi yang timbul dari penggunaan terjemahan ini.