Kövesd az alábbi lépéseket, hogy elkezdhesd használni ezeket az erőforrásokat:
- Forkold a repót: Kattints
- Klónozd a repót:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Csatlakozz az Azure AI Foundry Discordhoz, és találkozz szakértőkkel és fejlesztőkkel
Arab | Bengáli | Bolgár | Burmai (Mianmar) | Kínai (Egyszerűsített) | Kínai (Hagyományos, Hongkong) | Kínai (Hagyományos, Makaó) | Kínai (Hagyományos, Tajvan) | Horvát | Cseh | Dán | Holland | Észt | Finn | Francia | Német | Görög | Héber | Hindi | Magyar | Indonéz | Olasz | Japán | Koreai | Litván | Maláj | Maráthi | Nepáli | Norvég | Perzsa (Fárszi) | Lengyel | Portugál (Brazília) | Portugál (Portugália) | Pandzsábi (Gurmukhi) | Román | Orosz | Szerb (Cirill) | Szlovák | Szlovén | Spanyol | Szuahéli | Svéd | Tagalog (Filippínó) | Tamil | Thai | Török | Ukrán | Urdu | Vietnámi
Ha további fordításokat szeretnél, a támogatott nyelvek listája itt található
Üdvözlünk az EdgeAI kezdőknek kurzuson – egy átfogó utazás az Edge Mesterséges Intelligencia átalakító világába. Ez a kurzus összekapcsolja az erőteljes MI képességeket a gyakorlati, valós alkalmazásokkal, lehetővé téve, hogy közvetlenül ott használd az MI-t, ahol az adatok keletkeznek és döntéseket kell hozni.
Ez a kurzus az alapfogalmaktól a gyártásra kész megvalósításokig vezet, az alábbiakat lefedve:
- Kis nyelvi modellek (SLM-ek), amelyek optimalizáltak az edge eszközökre
- Hardver-tudatos optimalizáció különböző platformokon
- Valós idejű következtetés adatvédelem mellett
- Gyártási telepítési stratégiák vállalati alkalmazásokhoz
Az Edge AI egy paradigmaváltást képvisel, amely a modern kihívásokra ad választ:
- Adatvédelem és biztonság: Érzékeny adatok helyi feldolgozása, felhőhasználat nélkül
- Valós idejű teljesítmény: Hálózati késleltetés kiküszöbölése időkritikus alkalmazásokhoz
- Költséghatékonyság: Sávszélesség és felhőalapú számítási költségek csökkentése
- Rugalmas működés: Funkcionalitás fenntartása hálózati kimaradások esetén
- Szabályozási megfelelés: Adatszuverenitási követelmények teljesítése
Az Edge AI az MI algoritmusok és nyelvi modellek helyi futtatását jelenti hardveren, közel az adatok keletkezési helyéhez, felhőforrások használata nélkül. Csökkenti a késleltetést, javítja az adatvédelmet, és lehetővé teszi a valós idejű döntéshozatalt.
- Eszközön történő következtetés: MI modellek futtatása edge eszközökön (telefonok, routerek, mikrokontrollerek, ipari PC-k)
- Offline képesség: Internetkapcsolat nélküli működés
- Alacsony késleltetés: Azonnali válaszok valós idejű rendszerekhez
- Adatszuverenitás: Érzékeny adatok helyben tartása, javítva a biztonságot és megfelelést
Az SLM-ek, mint például a Phi-4, Mistral-7B és Gemma, nagyobb LLM-ek optimalizált verziói—képzettek vagy desztilláltak az alábbiakra:
- Csökkentett memóriaigény: Hatékony memóriahasználat edge eszközökön
- Alacsonyabb számítási igény: Optimalizált CPU és edge GPU teljesítmény
- Gyorsabb indítási idők: Gyors inicializálás a reszponzív alkalmazásokhoz
Ezek erőteljes NLP képességeket nyújtanak, miközben megfelelnek az alábbi korlátoknak:
- Beágyazott rendszerek: IoT eszközök és ipari vezérlők
- Mobil eszközök: Okostelefonok és tabletek offline képességekkel
- IoT eszközök: Szenzorok és okos eszközök korlátozott erőforrásokkal
- Edge szerverek: Helyi feldolgozó egységek korlátozott GPU erőforrásokkal
- Személyi számítógépek: Asztali és laptop telepítési forgatókönyvek
| Modul | Téma | Fókuszterület | Kulcsfontosságú tartalom | Szint | Időtartam |
|---|---|---|---|---|---|
| 📖 00 | Bevezetés az EdgeAI-ba | Alapok és kontextus | EdgeAI áttekintés • Ipari alkalmazások • SLM bevezetés • Tanulási célok | Kezdő | 1-2 óra |
| 📚 01 | EdgeAI alapok | Felhő vs Edge AI összehasonlítás | EdgeAI alapok • Valós esettanulmányok • Megvalósítási útmutató • Edge telepítés | Kezdő | 3-4 óra |
| 🧠 02 | SLM modellek alapjai | Modellcsaládok és architektúra | Phi család • Qwen család • Gemma család • BitNET • μModel • Phi-Silica | Kezdő | 4-5 óra |
| 🚀 03 | SLM telepítési gyakorlat | Helyi és felhő telepítés | Haladó tanulás • Helyi környezet • Felhő telepítés | Középhaladó | 4-5 óra |
| ⚙️ 04 | Modellek optimalizációs eszköztára | Keresztplatform optimalizáció | Bevezetés • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Munkafolyamat szintézis | Középhaladó | 5-6 óra |
| 🔧 05 | SLMOps gyártás | Gyártási műveletek | SLMOps bevezetés • Modell desztilláció • Finomhangolás • Gyártási telepítés | Haladó | 5-6 óra |
| 🤖 06 | AI ügynökök és funkcióhívás | Ügynök keretrendszerek és MCP | Ügynök bevezetés • Funkcióhívás • Modell kontextus protokoll | Haladó | 4-5 óra |
| 💻 07 | Platform megvalósítás | Keresztplatform minták | AI eszköztár • Foundry Local • Windows fejlesztés | Haladó | 3-4 óra |
| 🏭 08 | Foundry Local eszköztár | Gyártásra kész minták | Mintapéldák (részletek lent) | Szakértő | 8-10 óra |
- 01: REST Chat gyorsindító
- 02: OpenAI SDK integráció
- 03: Modell felfedezés és benchmarking
- 04: Chainlit RAG alkalmazás
- 05: Többügynökös orkestráció
- 06: Modellek mint eszközök router
- 07: Közvetlen API kliens
- 08: Windows 11 chat alkalmazás
- 09: Haladó többügynökös rendszer
- 10: Foundry eszközök keretrendszer
Átfogó gyakorlati workshop anyagok gyártásra kész megvalósításokkal:
- Workshop útmutató - Teljes tanulási célok, eredmények és erőforrás navigáció
- Python minták (6 szekció) - Frissítve legjobb gyakorlatokkal, hibakezeléssel és átfogó dokumentációval
- Jupyter Notebookok (8 interaktív) - Lépésről lépésre oktatóanyagok benchmarkokkal és teljesítményfigyeléssel
- Szekció útmutatók - Részletes markdown útmutatók minden workshop szekcióhoz
- Validációs eszközök - Szkriptek a kódminőség ellenőrzésére és gyors tesztek futtatására
Amit építeni fogsz:
- Helyi MI chat alkalmazások streaming támogatással
- RAG csővezetékek minőségértékeléssel (RAGAS)
- Többmodell benchmarking és összehasonlító eszközök
- Többügynökös orkestrációs rendszerek
- Intelligens modellirányítás feladat-alapú kiválasztással
- Teljes időtartam: 36-45 óra
- Kezdő útvonal: 01-02 modulok (7-9 óra)
- Középhaladó útvonal: 03-04 modulok (9-11 óra)
- Haladó útvonal: 05-07 modulok (12-15 óra)
- Szakértő útvonal: 08. modul (8-10 óra)
- Edge AI architektúra: Helyi elsődleges MI rendszerek tervezése felhőintegrációval
- Modell optimalizáció: Modellek kvantálása és tömörítése edge telepítéshez (85%-os sebességnövekedés, 75%-os méretcsökkentés)
- Többplatformos telepítés: Windows, mobil, beágyazott és felhő-edge hibrid rendszerek
- Gyártási műveletek: Edge AI felügyelete, skálázása és karbantartása éles környezetben
- Foundry helyi chatalkalmazások: Windows 11 natív alkalmazás modellváltási lehetőséggel
- Multi-ügynök rendszerek: Koordinátor specialistákkal összetett munkafolyamatokhoz
- RAG alkalmazások: Helyi dokumentumfeldolgozás vektorkereséssel
- Modellirányítók: Intelligens modellválasztás feladat elemzése alapján
- API keretrendszerek: Éles környezetre kész kliensek streaminggel és állapotfigyeléssel
- Platformközi eszközök: LangChain/Semantic Kernel integrációs minták
Gyártás • Egészségügy • Autonóm járművek • Okos városok • Mobilalkalmazások
Ajánlott tanulási útvonal (összesen 20-30 óra):
- 📖 Bevezetés (Introduction.md): EdgeAI alapok + ipari kontextus + tanulási keretrendszer
- 📚 Alapok (01-02 modulok): EdgeAI fogalmak + SLM modellcsaládok
- ⚙️ Optimalizálás (03-04 modulok): Telepítési + kvantálási keretrendszerek
- 🚀 Éles környezet (05-06 modulok): SLMOps + AI ügynökök + funkcióhívás
- 💻 Megvalósítás (07-08 modulok): Platformminták + Foundry helyi eszköztár
Minden modul elméletet, gyakorlati feladatokat és éles környezetre kész kódmintákat tartalmaz.
Technikai szerepkörök: EdgeAI megoldásépítész • ML mérnök (Edge) • IoT AI fejlesztő • Mobil AI fejlesztő
Ipari szektorok: Gyártás 4.0 • Egészségügyi technológia • Autonóm rendszerek • FinTech • Fogyasztói elektronika
Portfólió projektek: Multi-ügynök rendszerek • Éles RAG alkalmazások • Platformközi telepítés • Teljesítményoptimalizálás
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
✅ Fokozatos tanulás: Elmélet → Gyakorlat → Éles környezetbe telepítés
✅ Valós esettanulmányok: Microsoft, Japan Airlines, vállalati megvalósítások
✅ Gyakorlati minták: 50+ példa, 10 átfogó Foundry helyi demó
✅ Teljesítményközpontúság: 85%-os sebességnövekedés, 75%-os méretcsökkentés
✅ Többplatformos: Windows, mobil, beágyazott, felhő-edge hibrid
✅ Éles környezetre kész: Felügyeleti, skálázási, biztonsági és megfelelőségi keretrendszerek
📖 Tanulási útmutató elérhető: Strukturált 20 órás tanulási útvonal időbeosztási útmutatóval és önértékelési eszközökkel.
Az EdgeAI az AI telepítés jövőjét képviseli: helyi elsőbbség, adatvédelem és hatékonyság. Sajátítsd el ezeket a készségeket, hogy megalkosd az intelligens alkalmazások következő generációját.
Csapatunk más kurzusokat is készít! Nézd meg:
- MCP kezdőknek
- AI ügynökök kezdőknek
- Generatív AI kezdőknek .NET használatával
- Generatív AI kezdőknek JavaScript használatával
- Generatív AI kezdőknek
- ML kezdőknek
- Adattudomány kezdőknek
- AI kezdőknek
- Kiberbiztonság kezdőknek
- Webfejlesztés kezdőknek
- IoT kezdőknek
- XR fejlesztés kezdőknek
- GitHub Copilot mesterfokon AI páros programozáshoz
- GitHub Copilot mesterfokon C#/.NET fejlesztőknek
- Válaszd ki saját Copilot kalandodat
Ha elakadnál, vagy kérdésed van AI alkalmazások építésével kapcsolatban, csatlakozz:
Ha termék-visszajelzést szeretnél adni, vagy hibát tapasztalsz az építés során, látogass el ide:
Felelősségkizárás:
Ezt a dokumentumot az Co-op Translator AI fordítási szolgáltatás segítségével fordították le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.