Følg disse trin for at komme i gang med at bruge ressourcerne:
- Fork repositoryet: Klik
- Clone repositoryet:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Deltag i Azure AI Foundry Discord og mød eksperter og andre udviklere
Arabisk | Bengali | Bulgarsk | Burmesisk (Myanmar) | Kinesisk (Forenklet) | Kinesisk (Traditionelt, Hong Kong) | Kinesisk (Traditionelt, Macau) | Kinesisk (Traditionelt, Taiwan) | Kroatisk | Tjekkisk | Dansk | Hollandsk | Estisk | Finsk | Fransk | Tysk | Græsk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Koreansk | Litauisk | Malay | Marathi | Nepalesisk | Norsk | Persisk (Farsi) | Polsk | Portugisisk (Brasilien) | Portugisisk (Portugal) | Punjabi (Gurmukhi) | Rumænsk | Russisk | Serbisk (Kyrillisk) | Slovakisk | Slovensk | Spansk | Swahili | Svensk | Tagalog (Filippinsk) | Tamil | Thai | Tyrkisk | Ukrainsk | Urdu | Vietnamesisk
Hvis du ønsker yderligere oversættelser, er understøttede sprog listet her
Velkommen til EdgeAI for Begyndere – din omfattende rejse ind i den transformative verden af Edge Artificial Intelligence. Dette kursus bygger bro mellem kraftfulde AI-funktioner og praktisk, virkelighedsnær implementering på edge-enheder, hvilket giver dig mulighed for at udnytte AI's potentiale direkte der, hvor data genereres, og beslutninger skal træffes.
Dette kursus tager dig fra grundlæggende begreber til produktionsklare implementeringer og dækker:
- Små Sproglige Modeller (SLMs) optimeret til edge-implementering
- Hardware-bevidst optimering på tværs af forskellige platforme
- Realtidsinference med privatlivsbevarende funktioner
- Produktionsimplementeringsstrategier til virksomhedsapplikationer
Edge AI repræsenterer et paradigmeskift, der adresserer moderne udfordringer:
- Privatliv & Sikkerhed: Behandl følsomme data lokalt uden eksponering til skyen
- Realtidsydelse: Fjern netværksforsinkelse for tidskritiske applikationer
- Omkostningseffektivitet: Reducer båndbredde og cloud computing-udgifter
- Robuste operationer: Oprethold funktionalitet under netværksudfald
- Regulatorisk overholdelse: Opfyld krav om datasuverænitet
Edge AI refererer til at køre AI-algoritmer og sproglige modeller lokalt på hardware, tæt på hvor data genereres, uden at være afhængig af cloud-ressourcer til inference. Det reducerer forsinkelse, forbedrer privatliv og muliggør beslutningstagning i realtid.
- Inference på enheden: AI-modeller kører på edge-enheder (telefoner, routere, mikrocontrollere, industrielle PC'er)
- Offline kapacitet: Fungerer uden konstant internetforbindelse
- Lav forsinkelse: Øjeblikkelige svar, der passer til realtidssystemer
- Datasuverænitet: Holder følsomme data lokalt, hvilket forbedrer sikkerhed og overholdelse
SLMs som Phi-4, Mistral-7B og Gemma er optimerede versioner af større LLMs – trænet eller destilleret til:
- Reduceret hukommelsesforbrug: Effektiv brug af begrænset edge-enhedshukommelse
- Lavere beregningskrav: Optimeret til CPU og edge GPU-ydelse
- Hurtigere opstartstider: Hurtig initialisering til responsive applikationer
De låser op for kraftfulde NLP-funktioner, mens de opfylder begrænsningerne for:
- Indlejrede systemer: IoT-enheder og industrielle controllere
- Mobile enheder: Smartphones og tablets med offline kapacitet
- IoT-enheder: Sensorer og smarte enheder med begrænsede ressourcer
- Edge-servere: Lokale behandlingsenheder med begrænsede GPU-ressourcer
- Personlige computere: Desktop- og laptop-implementeringsscenarier
| Modul | Emne | Fokusområde | Nøgleindhold | Niveau | Varighed |
|---|---|---|---|---|---|
| 📖 00 | Introduktion til EdgeAI | Fundament & Kontekst | EdgeAI Oversigt • Industrielle Anvendelser • SLM Introduktion • Læringsmål | Begynder | 1-2 timer |
| 📚 01 | EdgeAI Grundlæggende | Cloud vs Edge AI sammenligning | EdgeAI Grundlæggende • Virkelige Case Studies • Implementeringsguide • Edge Implementering | Begynder | 3-4 timer |
| 🧠 02 | SLM Model Fundamenter | Modelfamilier & Arkitektur | Phi Familie • Qwen Familie • Gemma Familie • BitNET • μModel • Phi-Silica | Begynder | 4-5 timer |
| 🚀 03 | SLM Implementeringspraksis | Lokal & cloud implementering | Avanceret Læring • Lokal Miljø • Cloud Implementering | Mellem | 4-5 timer |
| ⚙️ 04 | Model Optimeringsværktøj | Tværplatformsoptimering | Introduktion • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Workflow Syntese | Mellem | 5-6 timer |
| 🔧 05 | SLMOps Produktion | Produktionsoperationer | SLMOps Introduktion • Model Destillation • Finjustering • Produktionsimplementering | Avanceret | 5-6 timer |
| 🤖 06 | AI Agenter & Funktionskald | Agentrammer & MCP | Agent Introduktion • Funktionskald • Model Context Protocol | Avanceret | 4-5 timer |
| 💻 07 | Platform Implementering | Tværplatforms eksempler | AI Toolkit • Foundry Lokal • Windows Udvikling | Avanceret | 3-4 timer |
| 🏭 08 | Foundry Lokal Toolkit | Produktionsklare eksempler | Eksempelapplikationer (se detaljer nedenfor) | Ekspert | 8-10 timer |
- 01: REST Chat Quickstart
- 02: OpenAI SDK Integration
- 03: Model Discovery & Benchmarking
- 04: Chainlit RAG Applikation
- 05: Multi-Agent Orkestrering
- 06: Models-as-Tools Router
- 07: Direkte API Klient
- 08: Windows 11 Chat App
- 09: Avanceret Multi-Agent System
- 10: Foundry Tools Framework
Omfattende praktiske workshopmaterialer med produktionsklare implementeringer:
- Workshop Guide - Komplet læringsmål, resultater og ressource-navigation
- Python Eksempler (6 sessioner) - Opdateret med bedste praksis, fejlhåndtering og omfattende dokumentation
- Jupyter Notebooks (8 interaktive) - Trinvise tutorials med benchmarks og ydelsesovervågning
- Sessionsguider - Detaljerede markdown-guider for hver workshop-session
- Valideringsværktøjer - Scripts til at verificere kodekvalitet og køre smoke tests
Hvad du vil bygge:
- Lokale AI chat-applikationer med streaming support
- RAG pipelines med kvalitetsevaluering (RAGAS)
- Multi-model benchmarking og sammenligningsværktøjer
- Multi-agent orkestreringssystemer
- Intelligent model-routing med opgavebaseret udvælgelse
- Total Varighed: 36-45 timer
- Begyndersti: Moduler 01-02 (7-9 timer)
- Mellemsti: Moduler 03-04 (9-11 timer)
- Avanceret sti: Moduler 05-07 (12-15 timer)
- Ekspertsti: Modul 08 (8-10 timer)
- Edge AI Arkitektur: Design lokale AI-systemer med cloud-integration
- Modeloptimering: Kvantisér og komprimer modeller til edge-implementering (85% hastighedsforøgelse, 75% størrelsesreduktion)
- Tværplatformsimplementering: Windows, mobil, indlejret og cloud-edge hybrid systemer
- Produktionsdrift: Overvågning, skalering og vedligeholdelse af edge AI i produktion
- Foundry Local Chat Apps: Windows 11-native applikation med modelskift
- Multi-agent-systemer: Koordinator med specialiserede agenter til komplekse arbejdsgange
- RAG-applikationer: Lokal dokumentbehandling med vektorsøgning
- Modelroutere: Intelligent valg mellem modeller baseret på opgaveanalyse
- API-rammer: Produktionsklare klienter med streaming og sundhedsovervågning
- Platformværktøjer: LangChain/Semantic Kernel integrationsmønstre
Fremstilling • Sundhedssektoren • Autonome køretøjer • Smarte byer • Mobilapps
Anbefalet Læringssti (20-30 timer i alt):
- 📖 Introduktion (Introduction.md): EdgeAI-grundlag + industrikontekst + læringsramme
- 📚 Grundlag (Moduler 01-02): EdgeAI-koncepter + SLM-modelfamilier
- ⚙️ Optimering (Moduler 03-04): Implementering + kvantiseringsrammer
- 🚀 Produktion (Moduler 05-06): SLMOps + AI-agenter + funktionskald
- 💻 Implementering (Moduler 07-08): Platformeksempler + Foundry Local værktøjssæt
Hvert modul indeholder teori, praktiske øvelser og produktionsklare kodeeksempler.
Tekniske Roller: EdgeAI Solutions Architect • ML Engineer (Edge) • IoT AI Developer • Mobile AI Developer
Industrier: Fremstilling 4.0 • Sundhedsteknologi • Autonome systemer • FinTech • Forbrugerelektronik
Porteføljeprojekter: Multi-agent-systemer • Produktionsklare RAG-applikationer • Cross-platform implementering • Ydelsesoptimering
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
✅ Progressiv læring: Teori → Praktik → Produktionsimplementering
✅ Reelle casestudier: Microsoft, Japan Airlines, virksomhedsimplementeringer
✅ Praktiske eksempler: 50+ eksempler, 10 omfattende Foundry Local demoer
✅ Ydelsesfokus: 85% hastighedsforbedringer, 75% størrelsesreduktioner
✅ Multi-platform: Windows, mobil, embedded, cloud-edge hybrid
✅ Produktionsklar: Overvågning, skalering, sikkerhed, overholdelsesrammer
📖 Studievejledning tilgængelig: Struktureret 20-timers læringssti med tidsallokeringsvejledning og selvvurderingsværktøjer.
EdgeAI repræsenterer fremtiden for AI-implementering: lokal-først, privatlivsbevarende og effektiv. Mestér disse færdigheder for at bygge næste generation af intelligente applikationer.
Vores team producerer andre kurser! Tjek:
- MCP for begyndere
- AI-agenter for begyndere
- Generativ AI for begyndere med .NET
- Generativ AI for begyndere med JavaScript
- Generativ AI for begyndere
- ML for begyndere
- Data Science for begyndere
- AI for begyndere
- Cybersikkerhed for begyndere
- Webudvikling for begyndere
- IoT for begyndere
- XR-udvikling for begyndere
- Mestre GitHub Copilot til AI-parprogrammering
- Mestre GitHub Copilot til C#/.NET-udviklere
- Vælg dit eget Copilot-eventyr
Hvis du sidder fast eller har spørgsmål om at bygge AI-applikationer, så deltag i:
Hvis du har produktfeedback eller fejl under udvikling, besøg:
Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal det bemærkes, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os ikke ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.