Postupujte podle těchto kroků, abyste mohli začít používat tyto zdroje:
- Forkněte repozitář: Klikněte
- Naklonujte repozitář:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Připojte se na Discord Azure AI Foundry a setkejte se s odborníky a dalšími vývojáři
Arabština | Bengálština | Bulharština | Barmština (Myanmar) | Čínština (zjednodušená) | Čínština (tradiční, Hongkong) | Čínština (tradiční, Macao) | Čínština (tradiční, Tchaj-wan) | Chorvatština | Čeština | Dánština | Nizozemština | Estonština | Finština | Francouzština | Němčina | Řečtina | Hebrejština | Hindština | Maďarština | Indonéština | Italština | Japonština | Korejština | Litevština | Malajština | Maráthština | Nepálština | Norština | Perština (Farsi) | Polština | Portugalština (Brazílie) | Portugalština (Portugalsko) | Panjábština (Gurmukhi) | Rumunština | Ruština | Srbština (cyrilice) | Slovenština | Slovinština | Španělština | Svahilština | Švédština | Tagalog (Filipíny) | Tamilština | Thajština | Turečtina | Ukrajinština | Urdu | Vietnamština
Pokud si přejete přidat další překlady, seznam podporovaných jazyků najdete zde
Vítejte v kurzu EdgeAI pro začátečníky – komplexní cestě do světa Edge umělé inteligence. Tento kurz propojuje výkonné schopnosti AI s praktickým nasazením na edge zařízeních, což vám umožní využít potenciál AI přímo tam, kde se generují data a kde je třeba činit rozhodnutí.
Kurz vás provede od základních konceptů až po implementace připravené pro produkci, včetně:
- Malých jazykových modelů (SLM) optimalizovaných pro nasazení na edge
- Optimalizace přizpůsobené hardwaru na různých platformách
- Inferencí v reálném čase s ochranou soukromí
- Strategií nasazení pro podnikové aplikace
Edge AI představuje zásadní změnu, která řeší klíčové moderní výzvy:
- Ochrana soukromí a bezpečnost: Zpracování citlivých dat lokálně bez nutnosti přenosu do cloudu
- Výkon v reálném čase: Eliminace latence sítě pro aplikace kritické na čas
- Efektivita nákladů: Snížení nákladů na šířku pásma a cloudové výpočty
- Odolnost: Funkčnost i při výpadcích sítě
- Soulad s předpisy: Splnění požadavků na suverenitu dat
Edge AI označuje provozování AI algoritmů a jazykových modelů lokálně na hardwaru, blízko místa, kde se generují data, bez závislosti na cloudových zdrojích pro inferenci. Snižuje latenci, zvyšuje ochranu soukromí a umožňuje rozhodování v reálném čase.
- Inferencí na zařízení: AI modely běží na edge zařízeních (telefony, routery, mikrokontroléry, průmyslové PC)
- Offline schopnosti: Funguje bez trvalého připojení k internetu
- Nízká latence: Okamžité reakce vhodné pro systémy v reálném čase
- Suverenita dat: Udržuje citlivá data lokálně, zlepšuje bezpečnost a soulad s předpisy
SLM jako Phi-4, Mistral-7B a Gemma jsou optimalizované verze větších LLM – trénované nebo destilované pro:
- Snížené nároky na paměť: Efektivní využití omezené paměti edge zařízení
- Nižší výpočetní nároky: Optimalizace pro výkon CPU a edge GPU
- Rychlejší start: Rychlá inicializace pro pohotové aplikace
Umožňují výkonné NLP schopnosti při splnění omezení:
- Vestavěné systémy: IoT zařízení a průmyslové kontroléry
- Mobilní zařízení: Smartphony a tablety s offline schopnostmi
- IoT zařízení: Senzory a chytrá zařízení s omezenými zdroji
- Edge servery: Lokální zpracovací jednotky s omezenými GPU zdroji
- Osobní počítače: Scénáře nasazení na desktopu a notebooku
| Modul | Téma | Oblast zaměření | Klíčový obsah | Úroveň | Délka |
|---|---|---|---|---|---|
| 📖 00 | Úvod do EdgeAI | Základy a kontext | Přehled EdgeAI • Průmyslové aplikace • Úvod do SLM • Cíle učení | Začátečník | 1-2 hod |
| 📚 01 | Základy EdgeAI | Porovnání cloud vs Edge AI | Základy EdgeAI • Případové studie • Průvodce implementací • Nasazení na edge | Začátečník | 3-4 hod |
| 🧠 02 | Základy modelů SLM | Rodiny modelů a architektura | Rodina Phi • Rodina Qwen • Rodina Gemma • BitNET • μModel • Phi-Silica | Začátečník | 4-5 hod |
| 🚀 03 | Praxe nasazení SLM | Lokální a cloudové nasazení | Pokročilé učení • Lokální prostředí • Cloudové nasazení | Středně pokročilý | 4-5 hod |
| ⚙️ 04 | Toolkit pro optimalizaci modelů | Optimalizace napříč platformami | Úvod • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Syntéza workflow | Středně pokročilý | 5-6 hod |
| 🔧 05 | SLMOps v produkci | Produkční operace | Úvod do SLMOps • Destilace modelů • Doladění • Produkční nasazení | Pokročilý | 5-6 hod |
| 🤖 06 | AI agenti a volání funkcí | Rámce agentů & MCP | Úvod do agentů • Volání funkcí • Protokol kontextu modelu | Pokročilý | 4-5 hod |
| 💻 07 | Implementace na platformě | Ukázky napříč platformami | AI Toolkit • Foundry Local • Vývoj pro Windows | Pokročilý | 3-4 hod |
| 🏭 08 | Toolkit Foundry Local | Ukázky připravené pro produkci | Ukázkové aplikace (viz podrobnosti níže) | Expert | 8-10 hod |
- 01: REST Chat Quickstart
- 02: Integrace OpenAI SDK
- 03: Objevování modelů a benchmarking
- 04: Chainlit RAG aplikace
- 05: Orchestrace více agentů
- 06: Router modelů jako nástrojů
- 07: Přímý API klient
- 08: Chatovací aplikace pro Windows 11
- 09: Pokročilý systém více agentů
- 10: Rámec nástrojů Foundry
Komplexní materiály pro praktický workshop s implementacemi připravenými pro produkci:
- Průvodce workshopem - Kompletní cíle učení, výsledky a navigace zdrojů
- Python ukázky (6 sezení) - Aktualizováno s nejlepšími postupy, ošetřením chyb a komplexní dokumentací
- Jupyter Notebooks (8 interaktivních) - Krok za krokem tutoriály s benchmarky a monitorováním výkonu
- Průvodce sezeními - Podrobné markdown průvodce pro každé sezení workshopu
- Nástroje pro validaci - Skripty pro ověření kvality kódu a provedení rychlých testů
Co vytvoříte:
- Lokální AI chatovací aplikace s podporou streamování
- RAG pipeline s hodnocením kvality (RAGAS)
- Nástroje pro benchmarking a porovnání více modelů
- Systémy pro orchestrace více agentů
- Inteligentní směrování modelů na základě úkolů
- Celková délka: 36-45 hodin
- Cesta pro začátečníky: Moduly 01-02 (7-9 hodin)
- Cesta pro středně pokročilé: Moduly 03-04 (9-11 hodin)
- Cesta pro pokročilé: Moduly 05-07 (12-15 hodin)
- Cesta pro experty: Modul 08 (8-10 hodin)
- Architektura Edge AI: Navrhování AI systémů s lokálním zaměřením a integrací cloudu
- Optimalizace modelů: Kvantizace a komprese modelů pro nasazení na edge (85% zrychlení, 75% snížení velikosti)
- Nasazení na více platformách: Windows, mobilní zařízení, vestavěné systémy a hybridní systémy cloud-edge
- Provoz v produkci: Monitorování, škálování a údržba edge AI v produkčním prostředí
- Foundry Local Chat Apps: Nativní aplikace pro Windows 11 s přepínáním modelů
- Multi-agentní systémy: Koordinátor se specializovanými agenty pro komplexní pracovní postupy
- RAG aplikace: Lokální zpracování dokumentů s vyhledáváním pomocí vektorů
- Modelové routery: Inteligentní výběr mezi modely na základě analýzy úkolů
- API frameworky: Produkčně připravení klienti s podporou streamování a monitorování stavu
- Nástroje napříč platformami: Vzory integrace LangChain/Semantic Kernel
Výroba • Zdravotnictví • Autonomní vozidla • Chytrá města • Mobilní aplikace
Doporučená studijní cesta (celkem 20–30 hodin):
- 📖 Úvod (Introduction.md): Základy EdgeAI + průmyslový kontext + rámec pro učení
- 📚 Základy (Moduly 01–02): Koncepty EdgeAI + rodiny modelů SLM
- ⚙️ Optimalizace (Moduly 03–04): Nasazení + kvantizační frameworky
- 🚀 Produkce (Moduly 05–06): SLMOps + AI agenti + volání funkcí
- 💻 Implementace (Moduly 07–08): Ukázky platforem + nástroje Foundry Local
Každý modul obsahuje teorii, praktická cvičení a produkčně připravené ukázky kódu.
Technické role: Architekt řešení EdgeAI • ML inženýr (Edge) • Vývojář IoT AI • Vývojář mobilní AI
Průmyslové sektory: Výroba 4.0 • Zdravotnické technologie • Autonomní systémy • FinTech • Spotřební elektronika
Portfolio projektů: Multi-agentní systémy • Produkční RAG aplikace • Nasazení napříč platformami • Optimalizace výkonu
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
✅ Progresivní učení: Teorie → Praxe → Nasazení v produkci
✅ Skutečné případové studie: Microsoft, Japan Airlines, podnikové implementace
✅ Praktické ukázky: Více než 50 příkladů, 10 komplexních ukázek Foundry Local
✅ Zaměření na výkon: Zlepšení rychlosti o 85 %, snížení velikosti o 75 %
✅ Podpora více platforem: Windows, mobilní zařízení, embedded systémy, hybridní cloud-edge
✅ Připraveno pro produkci: Monitorování, škálování, zabezpečení, rámce pro dodržování předpisů
📖 Dostupný studijní průvodce: Strukturovaná studijní cesta na 20 hodin s doporučením časového rozvržení a nástroji pro sebehodnocení.
EdgeAI představuje budoucnost nasazení AI: lokální přístup, ochrana soukromí a efektivita. Osvojte si tyto dovednosti a vytvořte další generaci inteligentních aplikací.
Náš tým vytváří i další kurzy! Podívejte se na:
- MCP pro začátečníky
- AI agenti pro začátečníky
- Generativní AI pro začátečníky s využitím .NET
- Generativní AI pro začátečníky s využitím JavaScriptu
- Generativní AI pro začátečníky
- ML pro začátečníky
- Data Science pro začátečníky
- AI pro začátečníky
- Kybernetická bezpečnost pro začátečníky
- Webový vývoj pro začátečníky
- IoT pro začátečníky
- XR vývoj pro začátečníky
- Ovládnutí GitHub Copilot pro párové programování AI
- Ovládnutí GitHub Copilot pro vývojáře C#/.NET
- Vyberte si vlastní dobrodružství s Copilotem
Pokud narazíte na problém nebo máte otázky ohledně vytváření AI aplikací, připojte se:
Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby při vývoji, navštivte:
Prohlášení:
Tento dokument byl přeložen pomocí služby AI pro překlady Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.