Folgen Sie diesen Schritten, um mit diesen Ressourcen zu beginnen:
- Repository forken: Klicken Sie hier
- Repository klonen:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Treten Sie dem Azure AI Foundry Discord bei und tauschen Sie sich mit Experten und anderen Entwicklern aus
Arabisch | Bengalisch | Bulgarisch | Birmanisch (Myanmar) | Chinesisch (vereinfacht) | Chinesisch (traditionell, Hongkong) | Chinesisch (traditionell, Macau) | Chinesisch (traditionell, Taiwan) | Kroatisch | Tschechisch | Dänisch | Niederländisch | Estnisch | Finnisch | Französisch | Deutsch | Griechisch | Hebräisch | Hindi | Ungarisch | Indonesisch | Italienisch | Japanisch | Koreanisch | Litauisch | Malaiisch | Marathi | Nepalesisch | Norwegisch | Persisch (Farsi) | Polnisch | Portugiesisch (Brasilien) | Portugiesisch (Portugal) | Punjabi (Gurmukhi) | Rumänisch | Russisch | Serbisch (kyrillisch) | Slowakisch | Slowenisch | Spanisch | Swahili | Schwedisch | Tagalog (Filipino) | Tamil | Thai | Türkisch | Ukrainisch | Urdu | Vietnamesisch
Falls Sie zusätzliche Übersetzungen wünschen, finden Sie unterstützte Sprachen hier
Willkommen bei EdgeAI für Anfänger – Ihre umfassende Reise in die transformative Welt der Edge-Künstlichen Intelligenz. Dieser Kurs schlägt die Brücke zwischen leistungsstarken KI-Fähigkeiten und praktischen, realen Anwendungen auf Edge-Geräten, sodass Sie die Möglichkeiten der KI direkt dort nutzen können, wo Daten generiert und Entscheidungen getroffen werden müssen.
Dieser Kurs führt Sie von den Grundlagen bis hin zu produktionsreifen Implementierungen und behandelt:
- Kleine Sprachmodelle (SLMs), die für den Einsatz auf Edge-Geräten optimiert sind
- Hardware-optimierte Lösungen für verschiedene Plattformen
- Echtzeit-Inferenz mit datenschutzfreundlichen Funktionen
- Produktionsstrategien für Unternehmensanwendungen
Edge AI stellt einen Paradigmenwechsel dar, der moderne Herausforderungen adressiert:
- Datenschutz & Sicherheit: Verarbeitung sensibler Daten lokal, ohne Cloud-Exposition
- Echtzeit-Leistung: Vermeidung von Netzwerklatenz für zeitkritische Anwendungen
- Kostenersparnis: Reduzierung von Bandbreiten- und Cloud-Computing-Kosten
- Robuste Betriebsfähigkeit: Funktionalität auch bei Netzwerkausfällen
- Regulatorische Anforderungen: Einhaltung von Datenschutzbestimmungen
Edge AI bezieht sich auf das Ausführen von KI-Algorithmen und Sprachmodellen lokal auf Hardware, nahe der Datenquelle, ohne auf Cloud-Ressourcen für die Inferenz angewiesen zu sein. Es reduziert Latenz, verbessert den Datenschutz und ermöglicht Echtzeit-Entscheidungen.
- On-Device-Inferenz: KI-Modelle laufen auf Edge-Geräten (Handys, Router, Mikrocontroller, Industrie-PCs)
- Offline-Fähigkeit: Funktioniert ohne dauerhafte Internetverbindung
- Niedrige Latenz: Sofortige Antworten für Echtzeitsysteme
- Datensouveränität: Sensible Daten bleiben lokal, was Sicherheit und Compliance verbessert
SLMs wie Phi-4, Mistral-7B und Gemma sind optimierte Versionen größerer LLMs – trainiert oder destilliert für:
- Reduzierter Speicherbedarf: Effiziente Nutzung begrenzter Edge-Geräte-Ressourcen
- Geringere Rechenanforderungen: Optimiert für CPU- und Edge-GPU-Leistung
- Schnellere Startzeiten: Schnelle Initialisierung für reaktionsfähige Anwendungen
Sie bieten leistungsstarke NLP-Funktionen und erfüllen gleichzeitig die Anforderungen von:
- Eingebetteten Systemen: IoT-Geräte und industrielle Steuerungen
- Mobilgeräten: Smartphones und Tablets mit Offline-Fähigkeiten
- IoT-Geräten: Sensoren und intelligente Geräte mit begrenzten Ressourcen
- Edge-Servern: Lokale Verarbeitungseinheiten mit begrenzten GPU-Ressourcen
- Personal Computern: Einsatzszenarien für Desktops und Laptops
| Modul | Thema | Schwerpunkt | Hauptinhalte | Niveau | Dauer |
|---|---|---|---|---|---|
| 📖 00 | Einführung in EdgeAI | Grundlagen & Kontext | Überblick über EdgeAI • Branchenanwendungen • Einführung in SLMs • Lernziele | Anfänger | 1-2 Std. |
| 📚 01 | Grundlagen von EdgeAI | Vergleich Cloud vs Edge AI | Grundlagen von EdgeAI • Fallstudien aus der Praxis • Implementierungsleitfaden • Edge-Bereitstellung | Anfänger | 3-4 Std. |
| 🧠 02 | SLM-Modellgrundlagen | Modellfamilien & Architektur | Phi-Familie • Qwen-Familie • Gemma-Familie • BitNET • μModel • Phi-Silica | Anfänger | 4-5 Std. |
| 🚀 03 | SLM-Bereitstellungspraxis | Lokale & Cloud-Bereitstellung | Fortgeschrittenes Lernen • Lokale Umgebung • Cloud-Bereitstellung | Mittelstufe | 4-5 Std. |
| ⚙️ 04 | Toolkit zur Modelloptimierung | Plattformübergreifende Optimierung | Einführung • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Workflow-Synthese | Mittelstufe | 5-6 Std. |
| 🔧 05 | SLMOps Produktion | Produktionsbetrieb | Einführung in SLMOps • Modell-Distillation • Feinabstimmung • Produktionsbereitstellung | Fortgeschritten | 5-6 Std. |
| 🤖 06 | KI-Agenten & Funktionsaufrufe | Agenten-Frameworks & MCP | Einführung in Agenten • Funktionsaufrufe • Modellkontextprotokoll | Fortgeschritten | 4-5 Std. |
| 💻 07 | Plattformimplementierung | Plattformübergreifende Beispiele | KI-Toolkit • Foundry Local • Windows-Entwicklung | Fortgeschritten | 3-4 Std. |
| 🏭 08 | Foundry Local Toolkit | Produktionsreife Beispiele | Beispielanwendungen (Details siehe unten) | Experte | 8-10 Std. |
- 01: REST Chat Quickstart
- 02: OpenAI SDK Integration
- 03: Modellentdeckung & Benchmarking
- 04: Chainlit RAG Anwendung
- 05: Multi-Agenten-Orchestrierung
- 06: Modelle-als-Werkzeuge-Router
- 07: Direkter API-Client
- 08: Windows 11 Chat App
- 09: Fortgeschrittenes Multi-Agenten-System
- 10: Foundry Tools Framework
Umfassende praktische Workshop-Materialien mit produktionsreifen Implementierungen:
- Workshop-Leitfaden - Vollständige Lernziele, Ergebnisse und Ressourcennavigation
- Python-Beispiele (6 Sitzungen) - Aktualisiert mit Best Practices, Fehlerbehandlung und umfassender Dokumentation
- Jupyter Notebooks (8 interaktive) - Schritt-für-Schritt-Tutorials mit Benchmarks und Leistungsüberwachung
- Sitzungsleitfäden - Detaillierte Markdown-Leitfäden für jede Workshop-Sitzung
- Validierungstools - Skripte zur Überprüfung der Codequalität und Durchführung von Smoke-Tests
Was Sie erstellen werden:
- Lokale KI-Chat-Anwendungen mit Streaming-Unterstützung
- RAG-Pipelines mit Qualitätsbewertung (RAGAS)
- Multi-Modell-Benchmarking- und Vergleichstools
- Multi-Agenten-Orchestrierungssysteme
- Intelligente Modell-Routing-Systeme mit aufgabenbasierter Auswahl
- Gesamtdauer: 36-45 Stunden
- Anfängerpfad: Module 01-02 (7-9 Stunden)
- Mittelstufenpfad: Module 03-04 (9-11 Stunden)
- Fortgeschrittenenpfad: Module 05-07 (12-15 Stunden)
- Expertenpfad: Modul 08 (8-10 Stunden)
- Edge AI Architektur: Entwerfen Sie lokal ausgerichtete KI-Systeme mit Cloud-Integration
- Modelloptimierung: Quantisieren und komprimieren Sie Modelle für Edge-Bereitstellungen (85 % Geschwindigkeitssteigerung, 75 % Größenreduzierung)
- Plattformübergreifende Bereitstellung: Windows, Mobilgeräte, eingebettete Systeme und Cloud-Edge-Hybridsysteme
- Produktionsbetrieb: Überwachung, Skalierung und Wartung von Edge-AI im Produktionsumfeld
- Foundry Local Chat Apps: Native Windows 11-Anwendung mit Modellwechsel
- Multi-Agenten-Systeme: Koordinator mit spezialisierten Agenten für komplexe Arbeitsabläufe
- RAG-Anwendungen: Lokale Dokumentenverarbeitung mit Vektorsuche
- Modell-Router: Intelligente Auswahl zwischen Modellen basierend auf Aufgabenanalyse
- API-Frameworks: Produktionsreife Clients mit Streaming und Gesundheitsüberwachung
- Plattformübergreifende Tools: Integrationsmuster für LangChain/Semantic Kernel
Fertigung • Gesundheitswesen • Autonome Fahrzeuge • Smart Cities • Mobile Apps
Empfohlener Lernpfad (insgesamt 20-30 Stunden):
- 📖 Einführung (Introduction.md): Grundlagen von EdgeAI + Branchenkontext + Lernrahmen
- 📚 Grundlagen (Module 01-02): EdgeAI-Konzepte + SLM-Modellfamilien
- ⚙️ Optimierung (Module 03-04): Bereitstellungs- + Quantisierungs-Frameworks
- 🚀 Produktion (Module 05-06): SLMOps + KI-Agenten + Funktionsaufrufe
- 💻 Implementierung (Module 07-08): Plattformbeispiele + Foundry Local Toolkit
Jedes Modul enthält Theorie, praktische Übungen und produktionsreife Codebeispiele.
Technische Rollen: EdgeAI Solutions Architect • ML Engineer (Edge) • IoT AI Developer • Mobile AI Developer
Branchen: Fertigung 4.0 • Gesundheitstechnologie • Autonome Systeme • FinTech • Unterhaltungselektronik
Portfolio-Projekte: Multi-Agenten-Systeme • Produktionsreife RAG-Anwendungen • Plattformübergreifende Bereitstellung • Leistungsoptimierung
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
✅ Progressives Lernen: Theorie → Praxis → Produktionsbereitstellung
✅ Echte Fallstudien: Microsoft, Japan Airlines, Unternehmensimplementierungen
✅ Praktische Beispiele: Über 50 Beispiele, 10 umfassende Foundry Local Demos
✅ Leistungsfokus: 85 % Geschwindigkeitsverbesserungen, 75 % Größenreduzierungen
✅ Plattformübergreifend: Windows, Mobilgeräte, Embedded, Cloud-Edge-Hybride
✅ Produktionsreife: Überwachung, Skalierung, Sicherheit, Compliance-Frameworks
📖 Lernleitfaden verfügbar: Strukturierter 20-Stunden-Lernpfad mit Zeitplanung und Selbstbewertungstools.
EdgeAI repräsentiert die Zukunft der KI-Bereitstellung: lokal, datenschutzfreundlich und effizient. Beherrschen Sie diese Fähigkeiten, um die nächste Generation intelligenter Anwendungen zu entwickeln.
Unser Team bietet weitere Kurse an! Schauen Sie sich an:
- MCP für Anfänger
- KI-Agenten für Anfänger
- Generative KI für Anfänger mit .NET
- Generative KI für Anfänger mit JavaScript
- Generative KI für Anfänger
- ML für Anfänger
- Datenwissenschaft für Anfänger
- KI für Anfänger
- Cybersicherheit für Anfänger
- Webentwicklung für Anfänger
- IoT für Anfänger
- XR-Entwicklung für Anfänger
- GitHub Copilot meistern für KI-gestütztes Pair Programming
- GitHub Copilot meistern für C#/.NET-Entwickler
- Wähle dein eigenes Copilot-Abenteuer
Wenn Sie nicht weiterkommen oder Fragen zum Aufbau von KI-Anwendungen haben, treten Sie bei:
Wenn Sie Produktfeedback geben oder Fehler beim Aufbau melden möchten, besuchen Sie:
Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.