Ikuti langkah-langkah ini untuk mula menggunakan sumber-sumber ini:
- Bercabang Repositori: Klik
- Klona Repositori:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Sertai Azure AI Foundry Discord dan temui pakar serta rakan pembangun
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 Klona Secara Tempatan?
Repositori ini merangkumi lebih 50 terjemahan bahasa yang meningkatkan saiz muat turun dengan ketara. Untuk klona 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 diperlukan untuk menyelesaikan kursus dengan muat turun lebih pantas.
Jika anda ingin menambah sokongan bahasa terjemahan tambahan disenaraikan di sini
Selamat datang ke EdgeAI untuk Pemula – perjalanan komprehensif anda ke dunia Transformasi Kecerdasan Buatan Edge. Kursus ini merapatkan jurang antara keupayaan AI yang kuat dan pelaksanaan praktikal dunia sebenar pada peranti edge, membolehkan anda memanfaatkan potensi AI terus di tempat data dihasilkan dan keputusan perlu dibuat.
Kursus ini membawa anda dari konsep asas hingga pelaksanaan sedia produksi, merangkumi:
- Model Bahasa Kecil (SLM) yang dioptimumkan untuk pelaksanaan di edge
- Pengoptimuman peka perkakasan merentasi pelbagai platform
- Inference masa nyata dengan keupayaan menjaga privasi
- Strategi pelaksanaan produksi untuk aplikasi perusahaan
Edge AI mewakili satu peralihan paradigma yang menangani cabaran moden yang kritikal:
- Privasi & Keselamatan: Memproses data sensitif secara tempatan tanpa pendedahan awan
- Prestasi Masa Nyata: Menghapuskan kelewatan rangkaian untuk aplikasi kritikal masa
- Kecekapan Kos: Mengurangkan penggunaan jalur lebar dan kos pengkomputeran awan
- Operasi Tahan Lasak: Mengekalkan fungsi semasa gangguan rangkaian
- Pematuhan Peraturan: Memenuhi keperluan kedaulatan data
Edge AI merujuk kepada menjalankan algoritma AI dan model bahasa secara tempatan pada perkakasan, berhampiran di mana data dihasilkan tanpa bergantung pada sumber awan untuk inferensi. Ia mengurangkan kelewatan, meningkatkan privasi, dan membolehkan pembuatan keputusan masa nyata.
- Inferensi dalam peranti: Model AI dijalankan pada peranti edge (telefon, penghala, mikropengawal, PC industri)
- Keupayaan luar talian: Berfungsi tanpa sambungan internet berterusan
- Kelewatan rendah: Respons segera sesuai untuk sistem masa nyata
- Kedaulatan data: Menyimpan data sensitif secara tempatan, meningkatkan keselamatan dan pematuhan
SLM seperti Phi-4, Mistral-7B, dan Gemma adalah versi dioptimumkan model bahasa besar (LLM) — dilatih atau dipendilkan untuk:
- Jejak memori yang dikurangkan: Penggunaan cekap memori peranti edge yang terhad
- Permintaan pengiraan lebih rendah: Dioptimumkan untuk CPU dan prestasi GPU edge
- Masa mula pantas: Inisialisasi cepat untuk aplikasi responsif
Mereka membuka keupayaan NLP yang kuat sambil memenuhi kekangan:
- Sistem terbina dalam: Peranti IoT dan pengawal industri
- Peranti mudah alih: Telefon pintar dan tablet dengan keupayaan luar talian
- Peranti IoT: Sensor dan peranti pintar dengan sumber terhad
- Pelayan edge: Unit pemprosesan tempatan dengan sumber GPU terhad
- Komputer Peribadi: Senario pelaksanaan desktop dan komputer riba
| Modul | Tajuk | Fokus | Kandungan Utama | Tahap | Tempoh |
|---|---|---|---|---|---|
| 📖 00 | Pengenalan kepada EdgeAI | Asas & Konteks | Gambaran EdgeAI • Aplikasi Industri • Pengenalan SLM • Objektif Pembelajaran | Pemula | 1-2 jam |
| 📚 01 | Asas EdgeAI | Perbandingan Awan vs Edge AI | Asas EdgeAI • Kajian Kes Dunia Sebenar • Panduan Pelaksanaan • Pelaksanaan Edge | Pemula | 3-4 jam |
| 🧠 02 | Asas Model SLM | Keluarga model & seni bina | Keluarga Phi • Keluarga Qwen • Keluarga Gemma • BitNET • μModel • Phi-Silica | Pemula | 4-5 jam |
| 🚀 03 | Amalan Pelaksanaan SLM | Pelaksanaan tempatan & awan | Pembelajaran Lanjutan • Persekitaran Tempatan • Pelaksanaan Awan | Pertengahan | 4-5 jam |
| ⚙️ 04 | Peralatan Pengoptimuman Model | Pengoptimuman rentas platform | Pengenalan • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Sintesis Aliran Kerja | Pertengahan | 5-6 jam |
| 🔧 05 | Produksi SLMOps | Operasi produksi | Pengenalan SLMOps • Pendistilan Model • Penalaan Halus • Pelaksanaan Produksi | Lanjutan | 5-6 jam |
| 🤖 06 | Ejen AI & Panggilan Fungsi | Rangka kerja ejen & MCP | Pengenalan Ejen • Panggilan Fungsi • Protokol Konteks Model | Lanjutan | 4-5 jam |
| 💻 07 | Pelaksanaan Platform | Contoh rentas platform | Peralatan AI • Foundry Tempatan • Pembangunan Windows | Lanjutan | 3-4 jam |
| 🏭 08 | Peralatan Foundry Tempatan | Contoh sedia produksi | Aplikasi contoh (lihat butiran di bawah) | Pakar | 8-10 jam |
- 01: Permulaan Cepat Chat REST
- 02: Integrasi SDK OpenAI
- 03: Penemuan Model & Penanda Aras
- 04: Aplikasi Chainlit RAG
- 05: Orkestrasi Pelbagai Ejen
- 06: Router Model-sebagai-Alat
- 07: Klien API Terus
- 08: Aplikasi Chat Windows 11
- 09: Sistem Multi-Ejen Lanjutan
- 10: Rangka Kerja Alat Foundry
Bahan bengkel praktikal menyeluruh dengan pelaksanaan sedia produksi:
- Panduan Bengkel - Objektif pembelajaran lengkap, hasil, dan navigasi sumber
- Contoh Python (6 sesi) - Dikemas kini dengan amalan terbaik, pengendalian ralat, dan dokumentasi menyeluruh
- Buku Nota Jupyter (8 interaktif) - Tutorial langkah demi langkah dengan penanda aras dan pemantauan prestasi
- Panduan Sesi - Panduan markdown terperinci untuk setiap sesi bengkel
- Alat Pengesahan - Skrip untuk mengesahkan kualiti kod dan menjalankan ujian ringkas
Apa yang Akan Anda Bina:
- Aplikasi sembang AI tempatan dengan sokongan penstriman
- Saluran RAG dengan penilaian kualiti (RAGAS)
- Alat penanda aras dan perbandingan pelbagai model
- Sistem orkestrasi pelbagai ejen
- Penghalaan model pintar dengan pemilihan berdasarkan tugasan
Bina saluran penghasilan podcast berkuasa AI dari awal! Bengkel immersive ini mengajar anda mencipta sistem multi-ejen lengkap yang mengubah idea menjadi episod podcast profesional. 🎬 Mula Bengkel Studio Podcast AI
Misi Anda: Lancarkan "Future Bytes" — sebuah podcast teknologi yang sepenuhnya dijana oleh ejen AI yang anda bina sendiri. Tiada kebergantungan awan, tiada kos API — semuanya berjalan secara tempatan pada mesin anda.
Apa Yang Membuat Ini Unik:
- 🤖 Persembahan Multi-Ejen Sebenar - Bina ejen AI khusus yang membuat kajian, menulis, dan menghasilkan audio
- 🎯 Saluran Pengeluaran Lengkap - Dari pemilihan topik hingga output audio podcast akhir
- 💻 Pelaksanaan 100% Tempatan - Menggunakan Ollama dan model tempatan (Qwen-3-8B) untuk privasi dan kawalan penuh
- 🎤 Integrasi Teks-ke-Ucapan - Tukar skrip menjadi perbualan pelbagai penceramah yang semula jadi
- ✋ Aliran Kerja Manusia-dalam-Kitaran - Pintu kelulusan memastikan kualiti sambil mengekalkan automasi
Perjalanan Pembelajaran Tiga Babak:
| Babak | Fokus | Kemahiran Utama | Tempoh |
|---|---|---|---|
| Babak 1: Bertemu Ejen AI Anda | Bina ejen AI pertama anda | Integrasi alat • Carian web • Penyelesaian masalah • Penalaran ejen | 2-3 jam |
| Babak 2: Susun Pasukan Pengeluaran Anda | Perpaduan pelbagai ejen | Penyelaras pasukan • Aliran kelulusan • Antara muka DevUI • Penyeliaan manusia | 3-4 jam |
| Babak 3: Hidupkan Podcast Anda | Jana audio podcast | Teks-ke-ucapan • Sintesis pelbagai penceramah • Audio bentuk panjang • Automasi penuh | 2-3 jam |
Teknologi Digunakan:
- Microsoft Agent Framework - Persembahan dan penyelarasan multi-ejen
- Ollama - Masa jalan model AI tempatan (tiada awan diperlukan)
- Qwen-3-8B - Model bahasa sumber terbuka yang dioptimumkan untuk tugasan ejen
- API Teks-ke-Ucapan - Sintesis suara semula jadi untuk penjanaan podcast
Sokongan Perkakasan:
- ✅ Mod CPU - Berfungsi pada mana-mana komputer moden (RAM 8GB+ disyorkan)
- 🚀 Pecutan GPU - Inferens jauh lebih cepat dengan GPU NVIDIA/AMD
- ⚡ Sokongan NPU - Pecutan unit pemprosesan neural generasi seterusnya
Sesuai Untuk:
- Pembangun yang mempelajari sistem AI multi-ejen
- Sesiapa yang berminat dalam automasi AI dan aliran kerja
- Pencipta kandungan yang meneroka penghasilan dibantu AI
- Pelajar yang mengkaji corak persembahan AI praktikal
Mula Membina: 🎙️ Bengkel Studio Podcast AI →
- Jumlah Tempoh: 36-45 jam
- Laluan Pemula: Modul 01-02 (7-9 jam)
- Laluan Pertengahan: Modul 03-04 (9-11 jam)
- Laluan Lanjutan: Modul 05-07 (12-15 jam)
- Laluan Pakar: Modul 08 (8-10 jam)
- Seni Bina Edge AI: Reka sistem AI yang utama tempatan dengan integrasi awan
- Pengoptimuman Model: Kuantisasi dan mampat model untuk pelaksanaan tepi (peningkatan kelajuan 85%, pengurangan saiz 75%)
- Pelaksanaan Multi-Platfom: Windows, mudah alih, terbenam, dan sistem hibrid awan-tepi
- Operasi Pengeluaran: Pemantauan, penskalaan, dan penyelenggaraan edge AI dalam pengeluaran
- Apl Sembang Tempatan Foundry: Aplikasi asli Windows 11 dengan pertukaran model
- Sistem Multi-Ejen: Penyelaras dengan ejen pakar untuk aliran kerja kompleks
- Aplikasi RAG: Pemprosesan dokumen tempatan dengan carian vektor
- Penghala Model: Pemilihan pintar antara model berdasarkan analisis tugas
- Rangka Kerja API: Klien sedia pengeluaran dengan strema dan pemantauan kesihatan
- Alat Rentas Platform: Corak integrasi LangChain/Semantic Kernel
Pembuatan • Penjagaan Kesihatan • Kenderaan Autonomi • Bandar Pintar • Apl Mudah Alih
Laluan Pembelajaran Disyorkan (20-30 jam seluruhnya):
- 📖 Pengenalan (Introduction.md): Asas EdgeAI + konteks industri + rangka kerja pembelajaran
- 📚 Asas (Modul 01-02): Konsep EdgeAI + keluarga model SLM
- ⚙️ Pengoptimuman (Modul 03-04): Pelaksanaan + rangka kerja kuantisasi
- 🚀 Pengeluaran (Modul 05-06): SLMOps + ejen AI + pemanggilan fungsi
- 💻 Pelaksanaan (Modul 07-08): Sampel platform + toolkit Foundry Local
Setiap modul merangkumi teori, latihan praktikal, dan sampel kod sedia pengeluaran.
Peranan Teknikal: Arkitek Penyelesaian EdgeAI • Jurutera ML (Edge) • Pembangun AI IoT • Pembangun AI Mudah Alih
Sektor Industri: Pembuatan 4.0 • Teknologi Penjagaan Kesihatan • Sistem Autonomi • FinTech • Elektronik Pengguna
Projek Portfolio: Sistem multi-ejen • Apl RAG pengeluaran • Pelaksanaan rentas platform • Pengoptimuman prestasi
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 → Pelaksanaan pengeluaran
✅ Kajian Kes Sebenar: Microsoft, Japan Airlines, pelaksanaan perusahaan
✅ Sampel Praktikal: 50+ contoh, 10 demo komprehensif Foundry Local
✅ Fokus Prestasi: Peningkatan kelajuan 85%, pengurangan saiz 75%
✅ Multi-Platfom: Windows, mudah alih, terbenam, hibrid awan-tepi
✅ Sedia Pengeluaran: Pemantauan, penskalaan, keselamatan, rangka kerja pematuhan
📖 Panduan Belajar Tersedia: Laluan pembelajaran 20 jam yang tersusun dengan panduan pembahagian masa dan alat penilaian kendiri.
EdgeAI mewakili masa depan pelaksanaan AI: utama tempatan, memelihara privasi, dan cekap. Kuasai kemahiran ini untuk bina aplikasi pintar generasi akan datang.
Pasukan kami menghasilkan kursus lain! Lihatlah:
-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 tersekat atau mempunyai sebarang soalan mengenai pembangunan aplikasi AI, sertai:
Jika anda mempunyai maklum balas produk atau ralat semasa pembangunan, lawati:
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat penting, disyorkan terjemahan profesional oleh manusia. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.