EdgeAI for Beginners

25 / 100·markdown

Chapter 25

EdgeAI aloittelijoille

Kurssin kansikuva

Seuraa näitä vaiheita ottaaksesi nämä resurssit käyttöön:

Haarauta repositorio: Klikkaa
Kloonaa repositorio: git clone https://github.com/microsoft/edgeai-for-beginners.git
Liity Azure AI Foundry Discordiin ja tapaa asiantuntijoita sekä muita kehittäjiä

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (Automaattinen & Aina ajan tasalla)

Haluatko mieluummin kloonata paikallisesti?

Tämä repositorio sisältää yli 50 kielikäännöstä, jotka merkittävästi kasvattavat latauskokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkoutia:

Bash / macOS / Linux:
bash
git clone --filter=blob:none --sparse https://github.com/microsoft/edgeai-for-beginners.git
cd edgeai-for-beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
CMD (Windows):
cmd
git clone --filter=blob:none --sparse https://github.com/microsoft/edgeai-for-beginners.git
cd edgeai-for-beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
Tämä antaa sinulle kaiken tarvittavan kurssin suorittamiseen paljon nopeammalla latauksella.

Jos haluat tukea lisää käännöskieliä, ne löytyvät luettelosta täältä

Johdanto

Tervetuloa EdgeAI aloittelijoille – kattavalle matkallesi reunalaskennan tekoälyn mullistavaan maailmaan. Tämä kurssi yhdistää tehokkaan tekoälykapasiteetin ja käytännön soveltamisen reunalaitteissa, mahdollistaen tekoälyn potentiaalin hyödyntämisen suoraan siellä, missä data syntyy ja päätöksiä on tehtävä.

Mitä opit hallitsemaan

Kurssi vie sinut peruskäsitteistä tuotantovalmiisiin toteutuksiin, mm.:

Pienet kielimallit (SLM:t), jotka on optimoitu reunalaitteisiin
Laitteistotietoinen optimointi monilla alustoilla
Reaaliaikainen päättely yksityisyyttä suojaavilla ominaisuuksilla
Tuotantoon vienti yrityssovelluksiin

Miksi EdgeAI on tärkeää

Edge AI edustaa paradigman muutosta, joka vastaa keskeisiin tämän päivän haasteisiin:

Yksityisyys & Turvallisuus: Käsittele arkaluonteista dataa paikallisesti ilman pilvi-altistusta
Reaaliaikainen suorituskyky: Poista verkon viive kriittisissä sovelluksissa
Kustannustehokkuus: Vähennä kaistanleveyden ja pilvilaskennan kuluja
Kestävä toiminta: Säilytä toiminnallisuus verkon katkoissa
Sääntelyn noudattaminen: Täytä datan kotipaikkavaatimus

Edge AI

Edge AI tarkoittaa tekoälyalgoritmien ja kielimallien suorittamista paikallisesti laitteella lähellä datan syntypaikkaa ilman pilvipalveluihin luottamista päättelyssä. Se vähentää latenssia, parantaa yksityisyyttä ja mahdollistaa reaaliaikaisen päätöksenteon.

Periaatteet:

Laitteella tapahtuva päättely: AI-mallit toimivat reunalaitteissa (puhelimet, reitittimet, mikrokontrollerit, teolliset PC:t)
Offline-toiminta: Toimii ilman jatkuvaa internet-yhteyttä
Matala latenssi: Välittömät vasteet reaaliaikaisiin järjestelmiin
Datan kotimaa: Pidä arkaluonteinen data paikallisena parantaen turvallisuutta ja säädösten noudattamista

Pienet kielimallit (SLM:t)

SLM:t kuten Phi-4, Mistral-7B ja Gemma ovat kevennettyjä versioita suuremmista LLM-malleista — koulutettuja tai tiivistettyjä:

Pienentynyt muistijälki: Tehokas rajallisen reunalaitemmuistin käyttö
Alhaisempi laskentatarve: Optimoitu CPU:n ja reunassa toimivan GPU:n suorituskykyyn
Nopeampi käynnistysaika: Nopeaa aloitusta reagoivissa sovelluksissa

Ne avaavat tehokkaan NLP:n mahdollisuudet täyttäen rajoitukset:

Sulautetut järjestelmät: IoT-laitteet ja teolliset ohjaimet
Mobiililaitteet: Älypuhelimet ja tabletit offline-ominaisuuksin
IoT-laitteet: Anturit ja älylaitteet rajatuilla resursseilla
Reunalaitteet: Paikalliset prosessointiyksiköt rajatuilla GPU-resursseilla
Henkilökohtaiset tietokoneet: Työpöydät ja kannettavat

Kurssin moduulit & navigointi

Moduuli	Aihe	Painopistealue	Keskeinen sisältö	Taso	Kesto
📖 00	EdgeAI:n johdanto	Perusteet & konteksti	EdgeAI-yhteenveto • Toimialasovellukset • SLM-johdanto • Oppimistavoitteet	Aloittelija	1-2 h
📚 01	EdgeAI perusteet	Pilvi vs reunalaskenta	EdgeAI perusteet • Käytännön tapaustutkimukset • Toteutusopas • Reunalaskenta	Aloittelija	3-4 h
🧠 02	SLM-mallien perusteet	Malliperheet & arkkitehtuuri	Phi-perhe • Qwen-perhe • Gemma-perhe • BitNET • μModel • Phi-Silica	Aloittelija	4-5 h
🚀 03	SLM:n käyttöönotto	Paikallinen & pilvitoteutus	Edistynyt oppiminen • Paikallinen ympäristö • Pilvikäyttöönotto	Keskitaso	4-5 h
⚙️ 04	Mallien optimointityökalut	Ristiinalustainen optimointi	Johdanto • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Työnkulun synteesi	Keskitaso	5-6 h
🔧 05	SLMOps tuotannossa	Tuotanto-operaatiot	SLMOps johdanto • Mallin tiivistys • Hienosäätö • Tuotantoon vienti	Edistynyt	5-6 h
🤖 06	AI-agentit & funktiokutsut	Agenttikehykset & MCP	Agenttijohdanto • Funktiokutsut • Mallikontextiprotokolla	Edistynyt	4-5 h
💻 07	Alustan toteutus	Ristiinalustaiset esimerkit	AI-työkalut • Foundry Local • Windows-kehitys	Edistynyt	3-4 h
🏭 08	Foundry Local -työkalupakki	Tuotantovalmiit esimerkit	Esimerkkisovellukset (katso alla tarkemmin)	Asiantuntija	8-10 h

🏭 Moduuli 08: Esimerkkisovellukset

🎓 Työpaja: Käytännön oppimispolku

Kattavat käytännön työpajamateriaalit tuotantovalmiilla toteutuksilla:

Työpajaopas - Täydelliset oppimistavoitteet, tulokset ja resurssien navigointi
Python-esimerkit (6 osaa) - Päivitetty parhailla käytännöillä, virheenkäsittelyllä ja kattavalla dokumentaatiolla
Jupyter-muistikirjat (8 interaktiivista) - Askellusaskelelta opastuksia, vertailuja ja suorituskyvyn seurantaa
Istuntoprotokollat - Yksityiskohtaiset markdown-oppaat jokaiselle työpajaistunnolle
Varmennustyökalut - Skriptit koodin laadun tarkistukseen ja pintatestaukseen

Mitä rakennat:

Paikalliset AI-chat-sovellukset suoratoistotuen kanssa
RAG-putket laadun arvioinnilla (RAGAS)
Monimalli vertailu- ja benchmark-työkalut
Moniagenttien orkestrointijärjestelmät
Älykäs mallireititys tehtävävalinnan mukaan

🎙️ Agentic-työpaja: Käytännön oppia - AI-podcast-studio

Perusta tekoälyllä toimiva podcast-tuotantoprosessi alusta alkaen! Tämä immersiivinen työpaja opettaa sinua luomaan kokonainen monialustajärjestelmä, joka muuntaa ideat ammattimaisiksi podcast-jaksoiksi.

🎬 Aloita AI Podcast Studio -työpaja

Tehtäväsi: Käynnistä "Future Bytes" — teknologiapodcast, jota ohjaavat täysin tekoälyagentit, jotka rakennat itse. Ei pilvipalveliriippuvuuksia, ei API-kustannuksia — kaikki toimii paikallisesti tietokoneellasi.

Mikä tekee tästä ainutlaatuisen:

🤖 Todellinen monialustajärjestelmän orkestrointi - Rakenna erikoistuneita tekoälyagentteja, jotka tutkivat, kirjoittavat ja tuottavat ääntä
🎯 Täydellinen tuotantoputki - Aiheen valinnasta valmiiseen podcast-äänitiedostoon
💻 100 % paikallinen käyttöönotto - Käyttää Ollamaa ja paikallisia malleja (Qwen-3-8B) täyden yksityisyyden ja hallinnan takaamiseksi
🎤 Tekstistä puheeksi -integraatio - Muunna käsikirjoitukset luonnollisen kuuloisiksi monipuheluiksi
✋ Ihmisen mukana -työnkulut - Hyväksymisportit takaavat laadun säilyttäen automaation

Kolmivaiheinen oppimiskokemus:

Näytös	Keskittyminen	Keskeiset taidot	Kesto
Näytös 1: Tapaa tekoälyavustajasi	Rakenna ensimmäinen tekoälyagenttisi	Työkalujen yhdistäminen • Verkkohaku • Ongelmanratkaisu • Agenttinen päättely	2-3 h
Näytös 2: Koosta tuotantotiimisi	Monet agentit samaan orkestrointiin	Tiimikoordinointi • Hyväksymistyönkulut • DevUI-käyttöliittymä • Ihmisen valvonta	3-4 h
Näytös 3: Herätä podcast eloon	Tuota podcast-ääntä	Tekstistä puheeksi • Monipuhelu • Pitkä muoto • Täysi automaatio	2-3 h

Käytetyt teknologiat:

Microsoft Agent Framework - Monialustajärjestelmän ohjaus ja koordinointi
Ollama - Paikallinen tekoälymallin suoritusympäristö (ei pilveä)
Qwen-3-8B - Avoimen lähdekoodin kielimalli agenttikäyttöön optimoitu
Tekstistä puheeksi -API:t - Luonnollisen äänen syntetisointi podcast-tuotantoon

Laitetuki:

✅ CPU-tila - Toimii missä tahansa nykyaikaisessa tietokoneessa (vähintään 8 Gt RAM suositeltu)
🚀 GPU-kiihdytys - Merkittävästi nopeampi päättely NVIDIA/AMD-GPU:illa
⚡ NPU-tuki - Uuden sukupolven neuroprosessorin kiihdytys

Täydellinen valinta:

Kehittäjille, jotka opettelevat monialustaisia tekoälyjärjestelmiä
Kaikille tekoälyautomaation ja työnkulkujen kiinnostuneille
Sisällöntuottajille, jotka haluavat tutkia tekoälyavusteista tuotantoa
Opiskelijoille, jotka opiskelevat käytännön tekoälyorkestrointimalleja

Aloita rakentaminen: 🎙️ AI Podcast Studio -työpaja →

📊 Oppimispolun yhteenveto

Kokonaisaika: 36-45 tuntia
Aloittelijan polku: Modulut 01-02 (7-9 tuntia)
Keskitaso: Modulut 03-04 (9-11 tuntia)
Edistynyt: Modulut 05-07 (12-15 tuntia)
Asiantuntija: Moduuli 08 (8-10 tuntia)

Mitä rakennat

🎯 Keskeiset taidot

Edge AI -arkkitehtuuri: Suunnittele paikallisesti priorisoidut tekoälyjärjestelmät pilvikytkennällä
Mallin optimointi: Kvantisoi ja pakkaa malleja reunalaitteisiin (85 % nopeutusta, 75 % tilansäästöä)
Monialustainen käyttöönotto: Windows, mobiili, sulautetut ja pilvi-reuna-hybridijärjestelmät
Tuotantokäytännöt: Seuranta, skaalaus ja reunalaitteiden ylläpito tuotannossa

🏗️ Käytännön projektit

Foundry Local Chat Apps: Windows 11 -natiivi sovellus mallin vaihtamisella
Monialustajärjestelmät: Koordinaattori ja erikoisagentit monimutkaisiin työnkulkuihin
RAG-sovellukset: Paikallinen dokumentinkäsittely vektorihakujen avulla
Mallien reitittimet: Älykäs mallivalinta tehtäväanalyysin perusteella
API-kehykset: Tuotantovalmiit asiakkaat suoratoistolla ja terveystarkkailulla
Monialustaiset työkalut: LangChain/Semantic Kernel -integraatiomallit

🏢 Teollisuuden sovellukset

Valmistus • Terveydenhuolto • Autonomiset ajoneuvot • Älykkäät kaupungit • Mobiilisovellukset

Nopea aloitus

Suositeltu oppimispolku (yhteensä 20-30 tuntia):

📖 Johdanto (Introduction.md): EdgeAI:n perusteet + teollisuuden konteksti + oppimiskehys
📚 Perusteet (Moduulit 01-02): EdgeAI-käsitteet + SLM-malliperheet
⚙️ Optimointi (Moduulit 03-04): Käyttöönotto + kvantisointikehykset
🚀 Tuotanto (Moduulit 05-06): SLMOps + AI-agentit + funktiokutsut
💻 Toteutus (Moduulit 07-08): Alustanäytteet + Foundry Local -työkalut

Jokainen moduuli sisältää teoriaa, käytännön harjoituksia ja tuotantovalmiita koodiesimerkkejä.

Uravaikutus

Tekniset roolit: EdgeAI-ratkaisuarkkitehti • ML-insinööri (Edge) • IoT AI -kehittäjä • Mobiili AI -kehittäjä

Toimialat: Manufacturing 4.0 • Terveysteknologia • Autonomiset järjestelmät • FinTech • Kulutuselektroniikka

Portfolioprojektit: Monialustajärjestelmät • Tuotannon RAG-sovellukset • Monialustainen käyttöönotto • Suorituskyvyn optimointi

Repositorion rakenne

code

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

Kurssin kohokohdat

✅ Jatkuva oppiminen: Teoria → Käytäntö → Tuotantokäyttöönotto
✅ Aitoja tapaustutkimuksia: Microsoft, Japan Airlines, yritysprojektit
✅ Käytännön esimerkkejä: 50+ esimerkkiä, 10 kattavaa Foundry Local -demoa
✅ Suorituskyvyn parannus: 85 % nopeutusta, 75 % tilansäästöä
✅ Monialustainen: Windows, mobiili, sulautettu, pilvi-reuna-hybridit
✅ Valmiina tuotantoon: Seuranta, skaalaus, turvallisuus, vaatimustenmukaisuus

📖 Opas saatavilla: Rakenteellinen 20 tunnin oppimispolku ajankäytön ohjeistuksella ja itsearviointityökaluilla.

EdgeAI edustaa tekoälyn tulevaisuutta: paikallinen etusijalla, yksityisyyttä kunnioittaen ja tehokkaasti. Hallitse nämä taidot rakentaaksesi seuraavan sukupolven älykkäitä sovelluksia.

Muut kurssimme

Tiimimme tuottaa muitakin kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agentit

Generatiivinen tekoäly -sarja

Keskeinen oppiminen

Copilot-sarja

Apua saamaan

Jos juutut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity:

Jos sinulla on palautetta tuotteesta tai kohtaat virheitä rakentamisen aikana, käy:

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttäen tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, ole hyvä ja huomioi, että automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäinen asiakirja omalla kielellään on virallinen lähde. Tärkeissä tiedoissa suosittelemme ammattimaista ihmiskäännöstä. Emme ota vastuuta tämän käännöksen käytöstä johtuvista väärinymmärryksistä tai virhetulkinnoista.

← 返回课程