Ακολουθήστε αυτά τα βήματα για να ξεκινήσετε με αυτούς τους πόρους:
- Fork το Αποθετήριο: Κάντε κλικ
- Κλωνοποιήστε το Αποθετήριο:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Εγγραφείτε στο Discord του Azure AI Foundry και γνωρίστε ειδικούς και άλλους προγραμματιστές
Αραβικά | Μπενγκάλι | Βουλγαρικά | Βιρμανικά (Μυανμάρ) | Κινέζικα (Απλοποιημένα) | Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ) | Κινέζικα (Παραδοσιακά, Μακάο) | Κινέζικα (Παραδοσιακά, Ταϊβάν) | Κροατικά | Τσέχικα | Δανικά | Ολλανδικά | Εσθονικά | Φινλανδικά | Γαλλικά | Γερμανικά | Ελληνικά | Εβραϊκά | Χίντι | Ουγγρικά | Ινδονησιακά | Ιταλικά | Ιαπωνικά | Κανάντα | Κορεατικά | Λιθουανικά | Μαλαϊκά | Μαλαγιαλαμικά | Μαραθικά | Νεπάλι | Νιγηριανό Πίτζιν | Νορβηγικά | Περσικά (Φαρσί) | Πολωνικά | Πορτογαλικά (Βραζιλία) | Πορτογαλικά (Πορτογαλία) | Πουντζάμπι (Γκουρμούκι) | Ρουμανικά | Ρωσικά | Σερβικά (Κυριλλικά) | Σλοβακικά | Σλοβενικά | Ισπανικά | Σουαχίλι | Σουηδικά | Ταγκάλογκ (Φιλιππινέζικα) | Ταμίλ | Τελούγκου | Ταϊλανδικά | Τουρκικά | Ουκρανικά | Ουρντού | Βιετναμέζικα
Προτιμάτε να Κλωνοποιήσετε Τοπικά;
Αυτό το αποθετήριο περιλαμβάνει μεταφράσεις σε 50+ γλώσσες που αυξάνουν σημαντικά το μέγεθος λήψης. Για κλωνοποίηση χωρίς μεταφράσεις, χρησιμοποιήστε 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'Αυτός ο τρόπος σας προσφέρει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ γρηγορότερη λήψη.
Εάν επιθυμείτε να υποστηρίζονται επιπλέον γλώσσες μετάφρασης, βρίσκονται εδώ
Καλωσήρθατε στο EdgeAI για Αρχάριους – το ολοκληρωμένο σας ταξίδι στον μετασχηματιστικό κόσμο της Edge Τεχνητής Νοημοσύνης. Αυτό το μάθημα γεφυρώνει το χάσμα μεταξύ ισχυρών δυνατοτήτων ΑΙ και πρακτικής, πραγματικής εφαρμογής σε συσκευές edge, δίνοντάς σας τη δύναμη να αξιοποιήσετε το δυναμικό της ΑΙ εκεί όπου τα δεδομένα παράγονται και λαμβάνονται αποφάσεις.
Αυτό το μάθημα σας οδηγεί από τις θεμελιώδεις έννοιες σε παραγωγικές εφαρμογές, καλύπτοντας:
- Μικρά Γλωσσικά Μοντέλα (SLMs) βελτιστοποιημένα για ανάπτυξη στο edge
- Βελτιστοποίηση με επίγνωση υλικού σε διάφορες πλατφόρμες
- Άμεση εκτέλεση inferencing με δυνατότητες προστασίας απορρήτου
- Στρατηγικές παραγωγικής ανάπτυξης για επιχειρηματικές εφαρμογές
Η Edge AI αντιπροσωπεύει μια αλλαγή παραδείγματος που αντιμετωπίζει κρίσιμες σύγχρονες προκλήσεις:
- Απόρρητο & Ασφάλεια: Επεξεργασία ευαίσθητων δεδομένων τοπικά χωρίς έκθεση στο cloud
- Άμεση Απόδοση: Εξάλειψη της καθυστέρησης δικτύου για εφαρμογές κρίσιμες στον χρόνο
- Οικονομική Αποδοτικότητα: Μείωση κόστους εύρους ζώνης και υπολογιστικού νέφους
- Ανθεκτική Λειτουργία: Διατήρηση λειτουργικότητας κατά τη διάρκεια διακοπών δικτύου
- Κανονιστική Συμμόρφωση: Τήρηση απαιτήσεων κυριαρχίας δεδομένων
Η Edge AI αναφέρεται στην εκτέλεση αλγορίθμων και γλωσσικών μοντέλων ΑΙ τοπικά στο υλικό, κοντά στο σημείο δημιουργίας των δεδομένων, χωρίς να βασίζεται σε πόρους cloud για inferencing. Μειώνει την υστέρηση, ενισχύει το απόρρητο και επιτρέπει την λήψη αποφάσεων σε πραγματικό χρόνο.
- Εκτέλεση inferencing στη συσκευή: Τα μοντέλα ΑΙ τρέχουν σε συσκευές edge (τηλέφωνα, δρομολογητές, μικροελεγκτές, βιομηχανικοί υπολογιστές)
- Δυνατότητα offline: Λειτουργεί χωρίς μόνιμη σύνδεση στο διαδίκτυο
- Χαμηλή υστέρηση: Άμεσες απαντήσεις κατάλληλες για συστήματα πραγματικού χρόνου
- Κυριαρχία δεδομένων: Διατηρεί ευαίσθητα δεδομένα τοπικά, βελτιώνοντας ασφάλεια και συμμόρφωση
Τα SLMs όπως τα Phi-4, Mistral-7B, και Gemma είναι βελτιστοποιημένες εκδόσεις μεγαλύτερων LLMs — εκπαιδευμένα ή αποσταγμένα για:
- Μειωμένο αποτύπωμα μνήμης: Αποτελεσματική χρήση της περιορισμένης μνήμης συσκευής edge
- Μικρότερη απαίτηση υπολογισμού: Βελτιστοποιημένα για απόδοση CPU και edge GPU
- Ταχύτερους χρόνους εκκίνησης: Γρήγορη αρχικοποίηση για εφαρμογές με άμεση ανταπόκριση
Ξεκλειδώνουν ισχυρές δυνατότητες επεξεργασίας φυσικής γλώσσας ενώ ικανοποιούν τους περιορισμούς των:
- Ενσωματωμένων συστημάτων: Συσκευές IoT και βιομηχανικοί ελεγκτές
- Κινητών συσκευών: Smartphones και tablet με δυνατότητα offline
- Συσκευών IoT: Αισθητήρες και έξυπνες συσκευές με περιορισμένους πόρους
- Edge servers: Τοπικές μονάδες επεξεργασίας με περιορισμένους πόρους GPU
- Προσωπικών Υπολογιστών: Σενάρια ανάπτυξης σε desktop και laptop
| Ενότητα | Θέμα | Περιοχή Εστίασης | Βασικό Περιεχόμενο | Επίπεδο | Διάρκεια |
|---|---|---|---|---|---|
| 📖 00 | Εισαγωγή στο EdgeAI | Βάση & Πλαίσιο | Επισκόπηση EdgeAI • Εφαρμογές Κλάδου • Εισαγωγή SLM • Στόχοι Μάθησης | Αρχάριος | 1-2 ώρες |
| 📚 01 | Βασικά του EdgeAI | Σύγκριση Cloud & Edge AI | Βασικά EdgeAI • Περιπτώσεις Πραγματικού Κόσμου • Οδηγός Υλοποίησης • Ανάπτυξη στο Edge | Αρχάριος | 3-4 ώρες |
| 🧠 02 | Βάσεις Μοντέλων SLM | Οικογένειες μοντέλων & αρχιτεκτονική | Οικογένεια Phi • Οικογένεια Qwen • Οικογένεια Gemma • BitNET • μModel • Phi-Silica | Αρχάριος | 4-5 ώρες |
| 🚀 03 | Πρακτική Ανάπτυξης SLM | Τοπική & cloud ανάπτυξη | Προχωρημένη Μάθηση • Τοπικό Περιβάλλον • Ανάπτυξη στο Cloud | Ενδιάμεσο | 4-5 ώρες |
| ⚙️ 04 | Εργαλεία Βελτιστοποίησης Μοντέλου | Βελτιστοποίηση μεταξύ πλατφορμών | Εισαγωγή • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Σύνθεση Ροής Εργασίας | Ενδιάμεσο | 5-6 ώρες |
| 🔧 05 | Παραγωγή SLMOps | Λειτουργίες παραγωγής | Εισαγωγή SLMOps • Απόσταξη μοντέλου • Fine-tuning • Ανάπτυξη παραγωγής | Προχωρημένο | 5-6 ώρες |
| 🤖 06 | AI Πράκτορες & Κλήση Λειτουργιών | Πλαίσια πρακτόρων & MCP | Εισαγωγή Πράκτορα • Κλήση Λειτουργίας • Πρωτόκολλο Πλαισίου Μοντέλου | Προχωρημένο | 4-5 ώρες |
| 💻 07 | Υλοποίηση Πλατφόρμας | Παραδείγματα μεταξύ πλατφορμών | Εργαλεία ΑΙ • Foundry Τοπικά • Ανάπτυξη Windows | Προχωρημένο | 3-4 ώρες |
| 🏭 08 | Foundry Τοπικό Εργαλειοθήκη | Παραδείγματα έτοιμα για παραγωγή | Δείγματα εφαρμογών (δείτε λεπτομέρειες παρακάτω) | Ειδικός | 8-10 ώρες |
- 01: REST Chat Γρήγορη Εκκίνηση
- 02: Ενσωμάτωση OpenAI SDK
- 03: Ανακάλυψη & Benchmarking Μοντέλων
- 04: Εφαρμογή Chainlit RAG
- 05: Ορχήστρωση Πολυ-Πρακτόρων
- 06: Router Μοντέλων-ως-Εργαλείων
- 07: Άμεσος API Πελάτης
- 08: Εφαρμογή Συνομιλίας Windows 11
- 09: Προχωρημένο Σύστημα Πολυ-Πρακτόρων
- 10: Πλαίσιο Εργαλείων Foundry
Ολοκληρωμένο υλικό εργαστηρίου με παραγωγικές υλοποιήσεις:
- Οδηγός Εργαστηρίου - Πλήρεις στόχοι μάθησης, αποτελέσματα και πλοήγηση πόρων
- Παραδείγματα Python (6 συνεδρίες) - Ενημερωμένα με βέλτιστες πρακτικές, διαχείριση σφαλμάτων και πλήρη τεκμηρίωση
- Jupyter Notebooks (8 διαδραστικά) - Οδηγοί βήμα-βήμα με benchmarks και παρακολούθηση απόδοσης
- Οδηγοί Συνεδριών - Λεπτομερείς οδηγοί markdown για κάθε συνεδρία εργαστηρίου
- Εργαλεία Επικύρωσης - Σκριπτ για επαλήθευση ποιότητας κώδικα και δοκιμές smoke
Τι Θα Δημιουργήσετε:
- Τοπικές εφαρμογές chat με υποστήριξη ροής
- Σωληνώσεις RAG με αξιολόγηση ποιότητας (RAGAS)
- Εργαλεία benchmarking και σύγκρισης πολλών μοντέλων
- Συστήματα ορχήστρωσης πολλών πρακτόρων
- Έξυπνη δρομολόγηση μοντέλων με επιλογή βάσει εργασίας
Δημιουργήστε από την αρχή μια παραγωγική ροή podcast που τροφοδοτείται από ΑΙ! Αυτό το εντατικό εργαστήριο σας διδάσκει πώς να δημιουργήσετε ένα ολοκληρωμένο σύστημα πολλαπλών πρακτόρων που μετατρέπει ιδέες σε επαγγελματικά επεισόδια podcast. 🎬 Ξεκινήστε το Εργαστήριο στο AI Podcast Studio
Η Αποστολή Σας: Εκκινήστε το "Future Bytes" — ένα τεχνολογικό podcast που τροφοδοτείται εξ ολοκλήρου από AI agents τους οποίους θα δημιουργήσετε μόνοι σας. Χωρίς εξαρτήσεις από σύννεφο, χωρίς κόστη API — όλα τρέχουν τοπικά στη συσκευή σας.
Τι Το Κάνει Μοναδικό:
- 🤖 Πραγματικός Πολυ-Πράκτορας Ορχηστρωτής - Δημιουργήστε εξειδικευμένους AI agents που ερευνούν, γράφουν και παράγουν ήχο
- 🎯 Πλήρης Γραμμή Παραγωγής - Από την επιλογή θέματος ως την τελική ηχητική έξοδο του podcast
- 💻 100% Τοπική Υλοποίηση - Χρήση Ollama και τοπικών μοντέλων (Qwen-3-8B) για απόλυτη ιδιωτικότητα και έλεγχο
- 🎤 Ενσωμάτωση Κειμένου σε Ομιλία - Μετατροπή σεναρίων σε φυσικούς, πολυφωνικούς διαλόγους
- ✋ Ροές Εργασίας με Ανθρώπινη Επίβλεψη - Πύλες έγκρισης για ποιότητα διατηρώντας την αυτοματοποίηση
Μάθηση τριών Πράξεων:
| Πράξη | Εστίαση | Κύριες Δεξιότητες | Διάρκεια |
|---|---|---|---|
| Πράξη 1: Γνωρίστε τους AI Βοηθούς σας | Δημιουργία πρώτου AI agent | Ολοκλήρωση εργαλείων • Αναζήτηση web • Επίλυση προβλημάτων • Λογισμός πράκτορα | 2-3 ώρες |
| Πράξη 2: Συναρμολογήστε την Παραγωγική Ομάδα | Ορχήστρα πολλών πρακτόρων | Συντονισμός ομάδας • Ροές εργασίας έγκρισης • Διεπαφή DevUI • Ανθρώπινη επίβλεψη | 3-4 ώρες |
| Πράξη 3: Ζωντανεύστε το Podcast σας | Παραγωγή ηχητικού podcast | Κείμενο σε ομιλία • Σύνθεση πολλαπλών ομιλητών • Μακροσκελής ήχος • Πλήρης αυτοματοποίηση | 2-3 ώρες |
Τεχνολογίες που Χρησιμοποιούνται:
- Microsoft Agent Framework - Ορχήστρωση και συντονισμός πολλαπλών πρακτόρων
- Ollama - Τοπικό runtime μοντέλου AI (χωρίς ανάγκη σύννεφου)
- Qwen-3-8B - Ανοιχτού κώδικα μοντέλο γλώσσας βελτιστοποιημένο για εργασίες πρακτόρων
- APIs Κειμένου σε Ομιλία - Φυσική σύνθεση φωνής για παραγωγή podcast
Υποστήριξη Υλικού:
- ✅ Λειτουργία CPU - Λειτουργεί σε κάθε σύγχρονο υπολογιστή (συνιστάται 8GB+ RAM)
- 🚀 Επιτάχυνση GPU - Σημαντικά ταχύτερη απόδοση με NVIDIA/AMD GPUs
- ⚡ Υποστήριξη NPU - Επιτάχυνση επεξεργασίας νευρωνικών μονάδων επόμενης γενιάς
Ιδανικό Για:
- Προγραμματιστές που μαθαίνουν συστήματα πολλαπλών πρακτόρων AI
- Όσους ενδιαφέρονται για αυτοματοποίηση AI και ροές εργασίας
- Δημιουργούς περιεχομένου που εξερευνούν παραγωγή με υποβοήθηση AI
- Φοιτητές που μελετούν πρακτικά πρότυπα ορχήστρωσης AI
Ξεκινήστε την Κατασκευή: 🎙️ Το Εργαστήριο του AI Podcast Studio →
- Συνολική Διάρκεια: 36-45 ώρες
- Διαδρομή Αρχαρίων: Ενότητες 01-02 (7-9 ώρες)
- Διαδρομή Μεσαίου Επιπέδου: Ενότητες 03-04 (9-11 ώρες)
- Διαδρομή Προχωρημένων: Ενότητες 05-07 (12-15 ώρες)
- Διαδρομή Ειδικών: Ενότητα 08 (8-10 ώρες)
- Αρχιτεκτονική Edge AI: Σχεδιασμός τοπικών συστημάτων AI πρωτίστως με ενσωμάτωση σύννεφου
- Βελτιστοποίηση Μοντέλων: Ποσοτικοποίηση και συμπίεση μοντέλων για τοπική ανάπτυξη (85% ταχύτερη απόδοση, 75% μείωση μεγέθους)
- Πολυ-Πλατφορμική Ανάπτυξη: Windows, κινητά, ενσωματωμένα, υβριδικά συστήματα σύννεφου-edge
- Λειτουργίες Παραγωγής: Παρακολούθηση, κλιμάκωση και συντήρηση Edge AI στην παραγωγή
- Εφαρμογές Foundry Local Chat: Φυσική εφαρμογή Windows 11 με εναλλαγή μοντέλων
- Συστήματα Πολυ-Πρακτόρων: Συντονιστής με ειδικούς πράκτορες για σύνθετες ροές εργασίας
- Εφαρμογές RAG: Τοπική επεξεργασία εγγράφων με αναζήτηση διανυσμάτων
- Δρομολογητές Μοντέλων: Έξυπνη επιλογή μοντέλων με βάση ανάλυση εργασιών
- Πλαίσια API: Πελάτες παραγωγής με streaming και παρακολούθηση υγείας
- Εργαλεία Πλατφορμών: Πρότυπα ενσωμάτωσης LangChain/Semantic Kernel
Κατασκευή • Υγεία • Αυτόνομα Οχήματα • Έξυπνες Πόλεις • Εφαρμογές Κινητών
Προτεινόμενη Διαδρομή Μάθησης (20-30 ώρες συνολικά):
- 📖 Εισαγωγή (Introduction.md): Θεμέλια EdgeAI + βιομηχανικό πλαίσιο + πλαίσιο μάθησης
- 📚 Θεμελιώδης Γνώση (Ενότητες 01-02): Έννοιες EdgeAI + οικογένειες μοντέλων SLM
- ⚙️ Βελτιστοποίηση (Ενότητες 03-04): Ανάπτυξη + πλαίσια ποσοτικοποίησης
- 🚀 Παραγωγή (Ενότητες 05-06): SLMOps + AI agents + κλήση λειτουργιών
- 💻 Υλοποίηση (Ενότητες 07-08): Παραδείγματα πλατφόρμας + εργαλειοθήκη Foundry Local
Κάθε ενότητα περιλαμβάνει θεωρία, πρακτικές ασκήσεις και παραδείγματα κώδικα έτοιμα για παραγωγή.
Τεχνικοί Ρόλοι: Αρχιτέκτονας EdgeAI λύσεων • Μηχανικός ML (Edge) • Ανάπτυξη AI IoT • Ανάπτυξη AI κινητών
Βιομηχανικοί Κλάδοι: Κατασκευή 4.0 • Τεχνολογία Υγείας • Αυτόνομα Συστήματα • FinTech • Καταναλωτικά Ηλεκτρονικά
Έργα Πορτφόλιο: Συστήματα πολλαπλών πρακτόρων • Παραγωγικές εφαρμογές RAG • Πολυ-πλατφορμική ανάπτυξη • Βελτιστοποίηση απόδοσης
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
✅ Προοδευτική Μάθηση: Θεωρία → Πρακτική → Ανάπτυξη παραγωγής
✅ Πραγματικές Μελέτες Περίπτωσης: Microsoft, Japan Airlines, επιχειρησιακές υλοποιήσεις
✅ Πρακτικά Παραδείγματα: 50+ παραδείγματα, 10 ολοκληρωμένα demos Foundry Local
✅ Εστίαση στην Απόδοση: 85% βελτιώσεις ταχύτητας, 75% μείωση μεγέθους
✅ Πολυ-Πλατφορμική: Windows, κινητά, ενσωματωμένα, υβριδικά cloud-edge
✅ Έτοιμο για Παραγωγή: Παρακολούθηση, κλιμάκωση, πλαίσια ασφάλειας και συμμόρφωσης
📖 Διαθέσιμος Οδηγός Μελέτης: Διαρθρωμένη διαδρομή μάθησης 20 ωρών με καθοδήγηση χρόνου και εργαλεία αυτο-αξιολόγησης.
Το EdgeAI αντιπροσωπεύει το μέλλον της ανάπτυξης AI: τοπικό πρώτα, διασφαλισμένη ιδιωτικότητα και αποδοτικότητα. Κατακτήστε αυτές τις δεξιότητες για να δημιουργήσετε την επόμενη γενιά ευφυών εφαρμογών.
Η ομάδα μας παράγει και άλλα μαθήματα! Δείτε:
-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}
Εάν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την ανάπτυξη εφαρμογών AI, συμμετάσχετε:
Εάν έχετε σχόλια προϊόντος ή λάθη κατά την ανάπτυξη επισκεφθείτε:
Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να σημειώσετε ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα προέλευσής του θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες συνιστάται η επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.