README.md

EdgeAI for nybegynnere

Følg disse trinnene for å komme i gang med disse ressursene:

1. Fork depotet: Klikk
2. Klon depotet: git clone https://github.com/microsoft/edgeai-for-beginners.git
3. Bli med i Azure AI Foundry Discord og møt eksperter og medutviklere

🌐 Støtte for flere språk

Støttet via GitHub Action (Automatisert og alltid oppdatert)

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

Foretrekker du å klone lokalt?

Dette depotet inkluderer 50+ språkoversettelser som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk sparsjeklone:

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'

Dette gir deg alt du trenger for å fullføre kurset med mye raskere nedlasting.

Hvis du ønsker å støtte flere oversettelsesspråk, er de oppført her

Introduksjon

Velkommen til EdgeAI for nybegynnere – din omfattende reise inn i den transformative verdenen av Edge kunstig intelligens. Dette kurset bygger bro mellom kraftige AI-muligheter og praktisk, reell implementering på edge-enheter, og gir deg muligheten til å utnytte AI direkte der data genereres og beslutninger må tas.

Hva du vil mestre

Dette kurset tar deg fra grunnleggende konsepter til produksjonsklare implementeringer, inkludert:

• Små språkmodeller (SLM) optimalisert for edge-utrulling
• Maskinvarebevisst optimalisering på tvers av ulike plattformer
• Sanntidsinferenz med personvernbevarende funksjoner
• Strategier for produksjonsutrulling i bedriftsapplikasjoner

Hvorfor EdgeAI er viktig

Edge AI representerer et paradigmeskifte som tar tak i kritiske moderne utfordringer:

• Personvern og sikkerhet: Behandle sensitiv data lokalt uten skyeksponering
• Sanntidsytelse: Fjern nettverksforsinkelse for tidssensitive applikasjoner
• Kostnadseffektivitet: Reduser båndbredde og skybaserte utgifter
• Robuste operasjoner: Oppretthold funksjonalitet under nettverksavbrudd
• Overholdelse av lover: Oppfyll krav til datasuverenitet

Edge AI

Edge AI refererer til kjøring av AI-algoritmer og språkmodeller lokalt på maskinvare, nær der data genereres, uten å stole på skyressurser for inferens. Det reduserer forsinkelse, forbedrer personvern og muliggjør sanntidsbeslutninger.

Kjerneprinsipper:

• Inferens på enheten: AI-modeller kjører på edge-enheter (telefoner, rutere, mikrokontrollere, industrielle PCer)
• Offline-funksjonalitet: Fungerer uten kontinuerlig internettforbindelse
• Lav forsinkelse: Umiddelbare responser egnet for sanntidssystemer
• Datasuverenitet: Holder sensitiv data lokalt, forbedrer sikkerhet og etterlevelse

Små språkmodeller (SLM)

SLM-er som Phi-4, Mistral-7B og Gemma er optimaliserte versjoner av større LLM-er—trent eller destillert for:

• Redusert minneavtrykk: Effektiv bruk av begrenset minne på edge-enheter
• Lavere beregningsbehov: Optimalisert for CPU og edge GPU-ytelse
• Raske oppstartstider: Rask initialisering for responsive applikasjoner

De låser opp kraftige NLP-muligheter samtidig som de møter kravene til:

• Innebygde systemer: IoT-enheter og industrielle kontrollere
• Mobilenheter: Smarttelefoner og nettbrett med offline-funksjonalitet
• IoT-enheter: Sensorer og smarte enheter med begrensede ressurser
• Edge-servere: Lokale behandlingsenheter med begrensede GPU-ressurser
• Personlige datamaskiner: Scenarier for desktop- og laptop-utrulling

Kursmoduler og navigasjon

Modul	Emne	Fokusområde	Nøkkelinnhold	Nivå	Varighet
📖 00	Introduksjon til EdgeAI	Grunnlag og kontekst	EdgeAI oversikt • Bransjeapplikasjoner • SLM introduksjon • Læringsmål	Nybegynner	1-2 t
📚 01	EdgeAI Grunnprinsipper	Sammenligning sky vs edge AI	EdgeAI grunnprinsipper • Virkelige casestudier • Implementeringsveiledning • Edge-utrulling	Nybegynner	3-4 t
🧠 02	SLM Modellgrunnlag	Modellfamilier og arkitektur	Phi-familien • Qwen-familien • Gemma-familien • BitNET • μModel • Phi-Silica	Nybegynner	4-5 t
🚀 03	SLM Distribusjonspraksis	Lokal og sky-distribusjon	Avansert læring • Lokalt miljø • Sky-distribusjon	Middels	4-5 t
⚙️ 04	Verktøykasse for modelloptimalisering	Plattformovergripende optimalisering	Introduksjon • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Arbeidsflytsyntese	Middels	5-6 t
🔧 05	SLMOps Produksjon	Produksjonsoperasjoner	SLMOps introduksjon • Modell-destillering • Finjustering • Produksjonsutrulling	Avansert	5-6 t
🤖 06	AI-agenter og funksjonskall	Agent-rammeverk og MCP	Agentintroduksjon • Funksjonskall • Modell-kontekstprotokoll	Avansert	4-5 t
💻 07	Plattformimplementering	Platformovergripende eksempler	AI-verktøykasse • Foundry Local • Windows-utvikling	Avansert	3-4 t
🏭 08	Foundry Local Toolkit	Produksjonsklare eksempler	Eksempelsøknader (se detaljer under)	Ekspert	8-10 t

🏭 Modul 08: Eksempelapplikasjoner

• 01: REST Chat Quickstart
• 02: OpenAI SDK Integrasjon
• 03: Modelloppdagelse og benchmarking
• 04: Chainlit RAG-applikasjon
• 05: Multi-agent orkestrering
• 06: Modeller-som-verktøy-ruter
• 07: Direkte API-klient
• 08: Windows 11 Chat-app
• 09: Avansert multi-agent system
• 10: Foundry Tools Framework

🎓 Workshop: Praktisk læringssti

Omfattende praktisk workshop-materiale med produksjonsklare implementeringer:

• Workshop-veiledning - Fullstendige læringsmål, utfall og ressursnavigering
• Python-eksempler (6 økter) - Oppdatert med beste praksis, feilhåndtering og grundig dokumentasjon
• Jupyter notebooks (8 interaktive) - Trinnvise veiledninger med benchmark og ytelsesovervåking
• Øktveiledninger - Detaljerte markdown-guider for hver workshopp
• Valideringsverktøy - Skript for å verifisere kodekvalitet og kjøre enkle tester

Det du vil bygge:

• Lokale AI-chatapplikasjoner med støttet strømming
• RAG-pipelines med kvalitetsvurdering (RAGAS)
• Multi-modell benchmarking og sammenligningsverktøy
• Multi-agent orkestreringssystemer
• Intelligent modellruting med oppgavebasert utvalg

🎙️ Workshop For Agentic: Hands-On - AI Podcast Studio

Bygg en AI-drevet podkastproduksjonspipeline fra bunnen av! Denne immersive workshopen lærer deg å lage et komplett multi-agent system som forvandler ideer til profesjonelle podkastepisoder. 🎬 Start AI Podcast Studio Workshop

Din oppgave: Lanser "Future Bytes" — en teknologipodcast drevet helt av AI-agenter du bygger selv. Ingen skyavhengigheter, ingen API-kostnader — alt kjører lokalt på din maskin.

Hva som gjør dette unikt:

• 🤖 Ekte multi-agent orkestrering - Bygg spesialiserte AI-agenter som forsker, skriver og produserer lyd
• 🎯 Komplett produksjonspipeline - Fra valg av tema til endelig podcast-lydoutput
• 💻 100 % lokal distribusjon - Bruker Ollama og lokale modeller (Qwen-3-8B) for full personvern og kontroll
• 🎤 Tekst-til-tale-integrasjon - Konverter manuser til naturlig lydende samtaler med flere talere
• ✋ Menneskelig i sløyfen-arbeidsflyter - Godkjenningsporter sikrer kvalitet samtidig som automatisering opprettholdes

Tre-akt læringsreise:

Akt	Fokus	Nøkkelferdigheter	Varighet
Akt 1: Møt dine AI-assistenter	Bygg din første AI-agent	Verktøy-integrasjon • Netsøk • Problemløsning • Agentisk resonnering	2-3 t
Akt 2: Sett sammen produksjonsteamet	Orkestrer flere agenter	Teamkoordinering • Godkjenningsarbeidsflyter • DevUI-grensesnitt • Menneskelig tilsyn	3-4 t
Akt 3: Gi liv til podcasten din	Generer podcast-lyd	Tekst-til-tale • Flere talere-syntese • Langformet lyd • Full automatisering	2-3 t

Teknologier i bruk:

• Microsoft Agent Framework - Multi-agent orkestrering og koordinering
• Ollama - Lokal AI-modell runtime (ingen sky nødvendig)
• Qwen-3-8B - Open-source språkmodell optimalisert for agentiske oppgaver
• Tekst-til-tale-APIer - Naturlig stemmesyntese for podkastgenerering

Maskinvarestøtte:

• ✅ CPU-modus - Fungerer på enhver moderne datamaskin (8 GB+ RAM anbefalt)
• 🚀 GPU-akselerasjon - Betydelig raskere inferens med NVIDIA/AMD GPUer
• ⚡ NPU-støtte - Neste generasjons neural prosesseringsenhet-akselerasjon

Perfekt for:

• Utviklere som lærer om multi-agent AI-systemer
• Alle interesserte i AI-automatisering og arbeidsflyter
• Innholdsprodusenter som utforsker AI-assistert produksjon
• Studenter som studerer praktiske AI-orkestreringsmønstre

Start byggingen: 🎙️ The AI Podcast Studio Workshop →

📊 Læringssti sammendrag

• Total varighet: 36-45 timer
• Nybegynnersti: Moduler 01-02 (7-9 timer)
• Mellomnivåsti: Moduler 03-04 (9-11 timer)
• Avansert sti: Moduler 05-07 (12-15 timer)
• Ekspertsti: Modul 08 (8-10 timer)

Hva du vil bygge

🎯 Kjernekompetanser

• Edge AI-arkitektur: Design lokale-først AI-systemer med skyintegrasjon
• Modelloptimalisering: Kvantisere og komprimere modeller for edge-distribusjon (85 % hastighetsøkning, 75 % størrelsesreduksjon)
• Multi-plattform distribusjon: Windows, mobil, innebygde og sky-edge hybride systemer
• Produksjonsdrift: Overvåkning, skalering og vedlikehold av edge AI i produksjon

🏗️ Praktiske prosjekter

• Foundry Local Chat-apper: Windows 11 native applikasjon med modellbytte
• Multi-agent systemer: Koordinator med spesialistagenter for komplekse arbeidsflyter
• RAG-applikasjoner: Lokal dokumentbehandling med vektorsøk
• Modellrutere: Intelligent valg mellom modeller basert på oppgaveanalyse
• API-rammeverk: Produksjonsklare klienter med streaming og helsesjekk
• Kryssplattform-verktøy: LangChain/Semantic Kernel integrasjonsmønstre

🏢 Bransjeapplikasjoner

Produksjon • Helse • Autonome kjøretøy • Smarta byer • Mobilapper

Rask start

Anbefalt læringssti (20-30 timer totalt):

0. 📖 Introduksjon (Introduction.md): EdgeAI-grunnlag + bransjekontekst + læringsrammeverk
1. 📚 Grunnlag (Moduler 01-02): EdgeAI-konsepter + SLM-modellfamilier
2. ⚙️ Optimalisering (Moduler 03-04): Distribusjon + kvantiseringsrammeverk
3. 🚀 Produksjon (Moduler 05-06): SLMOps + AI-agenter + funksjonskall
4. 💻 Implementering (Moduler 07-08): Plattformeksempler + Foundry Local verktøykasse

Hver modul inneholder teori, praktiske øvelser og produksjonsklare kodeeksempler.

Karriereinnvirkning

Tekniske roller: EdgeAI løsningsarkitekt • ML-ingeniør (Edge) • IoT AI-utvikler • Mobil AI-utvikler

Bransjesektorer: Manufacturing 4.0 • Helse-teknologi • Autonome systemer • FinTech • Forbrukerelektronikk

Porteføljeprosjekter: Multi-agent systemer • Produksjons-RAG apper • Kryssplattform distribusjon • Ytelsesoptimalisering

Repositoriumstruktur

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

Kurs høydepunkter

✅ Progressiv læring: Teori → Praktisk → Produksjonsdistribusjon
✅ Virkelige casestudier: Microsoft, Japan Airlines, bedriftsimplementasjoner
✅ Praktiske eksempler: 50+ eksempler, 10 omfattende Foundry Local demoer
✅ Ytelsesfokus: 85 % hastighetsforbedringer, 75 % størrelsesreduksjoner
✅ Multi-plattform: Windows, mobil, innebygde, sky-edge hybride
✅ Produksjonsklar: Overvåkning, skalering, sikkerhet, samsvarsrammeverk

📖 Studieveiledning tilgjengelig: Strukturert 20-timers læringssti med tidsfordelingsveiledning og selvvurderingsverktøy.

---

EdgeAI representerer fremtiden for AI-distribusjon: lokal-først, personvernbevarende og effektiv. Mestre disse ferdighetene for å bygge neste generasjon intelligente applikasjoner.

Andre kurs

Teamet vårt produserer andre kurs! Sjekk ut:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kjerneopplæring

---

Copilot-serie

Få hjelp

Hvis du står fast eller har spørsmål om å bygge AI-apper, bli med i:

Hvis du har produktinnspill eller feil mens du bygger, besøk:

---

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på det opprinnelige språket skal betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.