ทำตามขั้นตอนเหล่านี้เพื่อเริ่มต้นใช้งานทรัพยากรเหล่านี้:
- Fork Repository: คลิก
- Clone Repository:
git clone https://github.com/microsoft/edgeai-for-beginners.git - เข้าร่วม Azure AI Foundry Discord เพื่อพบปะผู้เชี่ยวชาญและนักพัฒนาคนอื่นๆ
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 | Korean | Lithuanian | Malay | Marathi | Nepali | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Thai | Turkish | Ukrainian | Urdu | Vietnamese
หากคุณต้องการให้มีการรองรับภาษาเพิ่มเติม รายการภาษาที่รองรับอยู่ ที่นี่
ยินดีต้อนรับสู่ EdgeAI สำหรับผู้เริ่มต้น – การเดินทางที่ครอบคลุมสู่โลกแห่ง Edge Artificial Intelligence ที่เปลี่ยนแปลงโลก คอร์สนี้จะช่วยเชื่อมโยงความสามารถ AI อันทรงพลังเข้ากับการใช้งานจริงในโลกแห่งความเป็นจริงบนอุปกรณ์ Edge เพื่อให้คุณสามารถใช้ศักยภาพของ AI ได้โดยตรงในที่ที่ข้อมูลถูกสร้างขึ้นและการตัดสินใจต้องเกิดขึ้น
คอร์สนี้จะพาคุณจากแนวคิดพื้นฐานไปจนถึงการใช้งานที่พร้อมสำหรับการผลิต โดยครอบคลุม:
- Small Language Models (SLMs) ที่ปรับแต่งสำหรับการใช้งานบนอุปกรณ์ Edge
- การปรับแต่งที่คำนึงถึงฮาร์ดแวร์ บนแพลตฟอร์มที่หลากหลาย
- การวิเคราะห์แบบเรียลไทม์ พร้อมความสามารถในการรักษาความเป็นส่วนตัว
- กลยุทธ์การใช้งานในระดับการผลิต สำหรับแอปพลิเคชันในองค์กร
Edge AI เป็นการเปลี่ยนแปลงที่ช่วยแก้ไขปัญหาสำคัญในยุคปัจจุบัน:
- ความเป็นส่วนตัวและความปลอดภัย: ประมวลผลข้อมูลที่ละเอียดอ่อนในพื้นที่โดยไม่ต้องส่งไปยังคลาวด์
- ประสิทธิภาพแบบเรียลไทม์: ลดความล่าช้าของเครือข่ายสำหรับแอปพลิเคชันที่ต้องการความรวดเร็ว
- ความคุ้มค่า: ลดค่าใช้จ่ายด้านแบนด์วิดท์และการประมวลผลบนคลาวด์
- การดำเนินงานที่ยืดหยุ่น: ทำงานได้แม้ในกรณีที่เครือข่ายล่ม
- การปฏิบัติตามกฎระเบียบ: ตอบสนองความต้องการด้านอธิปไตยของข้อมูล
Edge AI หมายถึงการรันอัลกอริทึม AI และโมเดลภาษาบนฮาร์ดแวร์ในพื้นที่ใกล้กับที่ข้อมูลถูกสร้างขึ้น โดยไม่ต้องพึ่งพาทรัพยากรคลาวด์สำหรับการวิเคราะห์ ช่วยลดความล่าช้า เพิ่มความเป็นส่วนตัว และช่วยให้การตัดสินใจแบบเรียลไทม์เป็นไปได้
- การวิเคราะห์บนอุปกรณ์: โมเดล AI รันบนอุปกรณ์ Edge เช่น โทรศัพท์ เราเตอร์ ไมโครคอนโทรลเลอร์ และ PC อุตสาหกรรม
- ความสามารถในการทำงานแบบออฟไลน์: ทำงานได้โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ตอย่างต่อเนื่อง
- ความล่าช้าต่ำ: ตอบสนองทันทีเหมาะสำหรับระบบเรียลไทม์
- อธิปไตยของข้อมูล: เก็บข้อมูลที่ละเอียดอ่อนในพื้นที่เพื่อเพิ่มความปลอดภัยและการปฏิบัติตามกฎระเบียบ
SLMs เช่น Phi-4, Mistral-7B และ Gemma เป็นเวอร์ชันที่ปรับแต่งของ LLMs ขนาดใหญ่—ที่ได้รับการฝึกหรือปรับแต่งเพื่อ:
- ลดการใช้หน่วยความจำ: ใช้หน่วยความจำของอุปกรณ์ Edge อย่างมีประสิทธิภาพ
- ลดความต้องการในการประมวลผล: ปรับแต่งเพื่อประสิทธิภาพของ CPU และ GPU บน Edge
- เริ่มต้นใช้งานได้เร็วขึ้น: การเริ่มต้นที่รวดเร็วสำหรับแอปพลิเคชันที่ตอบสนองได้ดี
SLMs ช่วยให้สามารถใช้งาน NLP ที่ทรงพลังได้ในขณะที่ตอบสนองข้อจำกัดของ:
- ระบบฝังตัว: อุปกรณ์ IoT และตัวควบคุมอุตสาหกรรม
- อุปกรณ์มือถือ: สมาร์ทโฟนและแท็บเล็ตที่มีความสามารถในการทำงานแบบออฟไลน์
- อุปกรณ์ IoT: เซ็นเซอร์และอุปกรณ์อัจฉริยะที่มีทรัพยากรจำกัด
- เซิร์ฟเวอร์ Edge: หน่วยประมวลผลในพื้นที่ที่มีทรัพยากร GPU จำกัด
- คอมพิวเตอร์ส่วนบุคคล: การใช้งานบนเดสก์ท็อปและแล็ปท็อป
| โมดูล | หัวข้อ | พื้นที่โฟกัส | เนื้อหาสำคัญ | ระดับ | ระยะเวลา |
|---|---|---|---|---|---|
| 📖 00 | แนะนำ EdgeAI | พื้นฐานและบริบท | ภาพรวม EdgeAI • การใช้งานในอุตสาหกรรม • แนะนำ SLM • วัตถุประสงค์การเรียนรู้ | ผู้เริ่มต้น | 1-2 ชม. |
| 📚 01 | พื้นฐาน EdgeAI | เปรียบเทียบ Cloud กับ Edge AI | พื้นฐาน EdgeAI • กรณีศึกษาในโลกจริง • คู่มือการใช้งาน • การใช้งาน Edge | ผู้เริ่มต้น | 3-4 ชม. |
| 🧠 02 | พื้นฐานโมเดล SLM | ครอบครัวโมเดลและสถาปัตยกรรม | ครอบครัว Phi • ครอบครัว Qwen • ครอบครัว Gemma • BitNET • μModel • Phi-Silica | ผู้เริ่มต้น | 4-5 ชม. |
| 🚀 03 | การใช้งาน SLM ในทางปฏิบัติ | การใช้งานในพื้นที่และคลาวด์ | การเรียนรู้ขั้นสูง • สภาพแวดล้อมในพื้นที่ • การใช้งานบนคลาวด์ | ระดับกลาง | 4-5 ชม. |
| ⚙️ 04 | เครื่องมือปรับแต่งโมเดล | การปรับแต่งข้ามแพลตฟอร์ม | บทนำ • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • การสังเคราะห์ Workflow | ระดับกลาง | 5-6 ชม. |
| 🔧 05 | SLMOps ในการผลิต | การดำเนินงานในระดับการผลิต | บทนำ SLMOps • การกลั่นโมเดล • การปรับแต่ง • การใช้งานในระดับการผลิต | ระดับสูง | 5-6 ชม. |
| 🤖 06 | ตัวแทน AI และการเรียกฟังก์ชัน | เฟรมเวิร์กตัวแทนและ MCP | บทนำตัวแทน • การเรียกฟังก์ชัน • โปรโตคอลบริบทโมเดล | ระดับสูง | 4-5 ชม. |
| 💻 07 | การใช้งานแพลตฟอร์ม | ตัวอย่างข้ามแพลตฟอร์ม | เครื่องมือ AI • Foundry Local • การพัฒนาบน Windows | ระดับสูง | 3-4 ชม. |
| 🏭 08 | เครื่องมือ Foundry Local | ตัวอย่างที่พร้อมสำหรับการผลิต | แอปพลิเคชันตัวอย่าง (ดูรายละเอียดด้านล่าง) | ระดับผู้เชี่ยวชาญ | 8-10 ชม. |
- 01: REST Chat Quickstart
- 02: การรวม OpenAI SDK
- 03: การค้นหาและวัดประสิทธิภาพโมเดล
- 04: แอปพลิเคชัน Chainlit RAG
- 05: การจัดการตัวแทนหลายตัว
- 06: ตัวจัดการโมเดลเป็นเครื่องมือ
- 07: API Client โดยตรง
- 08: แอปแชท Windows 11
- 09: ระบบตัวแทนหลายตัวขั้นสูง
- 10: เฟรมเวิร์กเครื่องมือ Foundry
วัสดุการเรียนรู้แบบลงมือทำที่ครอบคลุมพร้อมการใช้งานที่พร้อมสำหรับการผลิต:
- คู่มือ Workshop - วัตถุประสงค์การเรียนรู้ที่สมบูรณ์ ผลลัพธ์ และการนำทางทรัพยากร
- ตัวอย่าง Python (6 เซสชัน) - อัปเดตด้วยแนวปฏิบัติที่ดีที่สุด การจัดการข้อผิดพลาด และเอกสารประกอบที่ครอบคลุม
- Jupyter Notebooks (8 แบบโต้ตอบ) - บทเรียนทีละขั้นตอนพร้อมการวัดประสิทธิภาพและการตรวจสอบประสิทธิภาพ
- คู่มือเซสชัน - คู่มือ Markdown ที่ละเอียดสำหรับแต่ละเซสชัน Workshop
- เครื่องมือการตรวจสอบ - สคริปต์เพื่อยืนยันคุณภาพโค้ดและรันการทดสอบเบื้องต้น
สิ่งที่คุณจะสร้าง:
- แอปพลิเคชันแชท AI ในพื้นที่พร้อมการรองรับการสตรีม
- ท่อ RAG พร้อมการประเมินคุณภาพ (RAGAS)
- เครื่องมือเปรียบเทียบและวัดประสิทธิภาพโมเดลหลายตัว
- ระบบการจัดการตัวแทนหลายตัว
- การจัดการโมเดลอัจฉริยะด้วยการเลือกตามงาน
- ระยะเวลารวม: 36-45 ชั่วโมง
- เส้นทางผู้เริ่มต้น: โมดูล 01-02 (7-9 ชั่วโมง)
- เส้นทางระดับกลาง: โมดูล 03-04 (9-11 ชั่วโมง)
- เส้นทางระดับสูง: โมดูล 05-07 (12-15 ชั่วโมง)
- เส้นทางระดับผู้เชี่ยวชาญ: โมดูล 08 (8-10 ชั่วโมง)
- สถาปัตยกรรม Edge AI: ออกแบบระบบ AI ที่เน้นการทำงานในพื้นที่พร้อมการรวมคลาวด์
- การปรับแต่งโมเดล: การปรับแต่งและบีบอัดโมเดลสำหรับการใช้งานบน Edge (เพิ่มความเร็ว 85%, ลดขนาด 75%)
- การใช้งานข้ามแพลตฟอร์ม: Windows, มือถือ, ระบบฝังตัว และระบบไฮบริดคลาวด์-Edge
- การดำเนินงานในระบบการผลิต: การตรวจสอบ, การปรับขนาด, และการดูแลรักษา Edge AI ในระบบการผลิต
- Foundry Local Chat Apps: แอปพลิเคชัน Windows 11 ที่รองรับการสลับโมเดล
- ระบบหลายตัวแทน (Multi-Agent Systems): ตัวประสานงานที่มีตัวแทนเฉพาะทางสำหรับการทำงานที่ซับซ้อน
- แอปพลิเคชัน RAG: การประมวลผลเอกสารในเครื่องพร้อมการค้นหาแบบเวกเตอร์
- Model Routers: การเลือกโมเดลอย่างชาญฉลาดตามการวิเคราะห์งาน
- API Frameworks: ลูกค้าพร้อมใช้งานในระบบการผลิตพร้อมการสตรีมและการตรวจสอบสุขภาพระบบ
- เครื่องมือข้ามแพลตฟอร์ม: รูปแบบการผสาน LangChain/Semantic Kernel
การผลิต • การดูแลสุขภาพ • ยานยนต์อัตโนมัติ • เมืองอัจฉริยะ • แอปพลิเคชันมือถือ
เส้นทางการเรียนรู้ที่แนะนำ (รวม 20-30 ชั่วโมง):
- 📖 บทนำ (Introduction.md): พื้นฐาน EdgeAI + บริบทในอุตสาหกรรม + กรอบการเรียนรู้
- 📚 พื้นฐาน (Modules 01-02): แนวคิด EdgeAI + กลุ่มโมเดล SLM
- ⚙️ การปรับแต่ง (Modules 03-04): การปรับใช้ + กรอบการลดขนาดโมเดล
- 🚀 การผลิต (Modules 05-06): SLMOps + ตัวแทน AI + การเรียกใช้งานฟังก์ชัน
- 💻 การนำไปใช้ (Modules 07-08): ตัวอย่างแพลตฟอร์ม + เครื่องมือ Foundry Local
แต่ละโมดูลประกอบด้วยทฤษฎี, การฝึกปฏิบัติ, และตัวอย่างโค้ดที่พร้อมใช้งานในระบบการผลิต
บทบาททางเทคนิค: สถาปนิกโซลูชัน EdgeAI • วิศวกร ML (Edge) • นักพัฒนา IoT AI • นักพัฒนา AI บนมือถือ
ภาคอุตสาหกรรม: การผลิต 4.0 • เทคโนโลยีการดูแลสุขภาพ • ระบบอัตโนมัติ • FinTech • อิเล็กทรอนิกส์สำหรับผู้บริโภค
โครงการในพอร์ตโฟลิโอ: ระบบหลายตัวแทน • แอปพลิเคชัน RAG ในระบบการผลิต • การปรับใช้ข้ามแพลตฟอร์ม • การปรับปรุงประสิทธิภาพ
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
✅ การเรียนรู้แบบก้าวหน้า: ทฤษฎี → การปฏิบัติ → การปรับใช้ในระบบการผลิต
✅ กรณีศึกษาในโลกจริง: Microsoft, Japan Airlines, การใช้งานในองค์กร
✅ ตัวอย่างการฝึกปฏิบัติ: ตัวอย่างกว่า 50 รายการ, เดโม Foundry Local ครบถ้วน 10 รายการ
✅ เน้นประสิทธิภาพ: การปรับปรุงความเร็ว 85%, การลดขนาด 75%
✅ รองรับหลายแพลตฟอร์ม: Windows, มือถือ, อุปกรณ์ฝังตัว, ไฮบริดคลาวด์-เอดจ์
✅ พร้อมใช้งานในระบบการผลิต: กรอบการตรวจสอบ, การปรับขนาด, ความปลอดภัย, การปฏิบัติตามข้อกำหนด
📖 คู่มือการศึกษา: เส้นทางการเรียนรู้ที่มีโครงสร้าง 20 ชั่วโมง พร้อมคำแนะนำการจัดสรรเวลาและเครื่องมือประเมินตนเอง
EdgeAI คืออนาคตของการปรับใช้ AI: เน้นการใช้งานในพื้นที่, รักษาความเป็นส่วนตัว, และมีประสิทธิภาพ เรียนรู้ทักษะเหล่านี้เพื่อสร้างแอปพลิเคชันอัจฉริยะรุ่นต่อไป
ทีมของเราผลิตหลักสูตรอื่น ๆ ด้วย! ลองดู:
- MCP สำหรับผู้เริ่มต้น
- AI Agents สำหรับผู้เริ่มต้น
- Generative AI สำหรับผู้เริ่มต้นโดยใช้ .NET
- Generative AI สำหรับผู้เริ่มต้นโดยใช้ JavaScript
- Generative AI สำหรับผู้เริ่มต้น
- ML สำหรับผู้เริ่มต้น
- Data Science สำหรับผู้เริ่มต้น
- AI สำหรับผู้เริ่มต้น
- Cybersecurity สำหรับผู้เริ่มต้น
- Web Dev สำหรับผู้เริ่มต้น
- IoT สำหรับผู้เริ่มต้น
- XR Development สำหรับผู้เริ่มต้น
- การใช้งาน GitHub Copilot สำหรับการเขียนโปรแกรม AI แบบคู่
- การใช้งาน GitHub Copilot สำหรับนักพัฒนา C#/.NET
- Choose Your Own Copilot Adventure
หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วม:
หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้างแอปพลิเคชัน โปรดเยี่ยมชม:
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้