EdgeAI for Beginners

31 / 100·markdown

Chapter 31

EdgeAI untuk Pemula

Gambar sampul kursus

Ikuti langkah-langkah ini untuk memulai menggunakan sumber daya ini:

Fork Repositori: Klik
Clone Repositori: git clone https://github.com/microsoft/edgeai-for-beginners.git
Bergabunglah dengan Azure AI Foundry Discord untuk bertemu para ahli dan pengembang lain

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

Lebih Suka Clone Secara Lokal?

Repositori ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk mengkloning tanpa terjemahan, gunakan sparse checkout:

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"
Ini memberikan semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.

Jika Anda ingin memiliki dukungan tambahan untuk bahasa terjemahan, daftar didukung tercantum di sini

Pendahuluan

Selamat datang di EdgeAI untuk Pemula – perjalanan komprehensif Anda ke dunia transformasi Edge Artificial Intelligence. Kursus ini menjembatani kesenjangan antara kemampuan AI yang kuat dan penerapan praktis di dunia nyata pada perangkat edge, memberdayakan Anda untuk memanfaatkan potensi AI langsung di tempat data dihasilkan dan keputusan harus dibuat.

Apa yang Akan Anda Kuasai

Kursus ini membawa Anda dari konsep dasar hingga implementasi siap produksi, meliputi:

Model Bahasa Kecil (SLMs) yang dioptimalkan untuk penerapan edge
Optimasi yang peka terhadap perangkat keras di berbagai platform
Inferensi waktu nyata dengan kemampuan menjaga privasi
Strategi penerapan produksi untuk aplikasi perusahaan

Mengapa EdgeAI Penting

Edge AI mewakili pergeseran paradigma yang mengatasi tantangan modern penting:

Privasi & Keamanan: Proses data sensitif secara lokal tanpa eksposur ke cloud
Performa Waktu Nyata: Hilangkan latensi jaringan untuk aplikasi yang mendesak waktu
Efisiensi Biaya: Kurangi biaya bandwidth dan komputasi cloud
Operasi Tangguh: Pertahankan fungsi saat terjadi pemadaman jaringan
Kepatuhan Regulasi: Penuhi persyaratan kedaulatan data

Edge AI

Edge AI mengacu pada menjalankan algoritma AI dan model bahasa secara lokal pada perangkat keras, dekat dengan tempat data dihasilkan tanpa bergantung pada sumber daya cloud untuk inferensi. Ini mengurangi latensi, meningkatkan privasi, dan memungkinkan pengambilan keputusan waktu nyata.

Prinsip Inti:

Inferensi di perangkat: Model AI dijalankan pada perangkat edge (ponsel, router, mikrokontroler, PC industri)
Kemampuan offline: Berfungsi tanpa konektivitas internet yang terus-menerus
Latensi rendah: Respon langsung yang cocok untuk sistem waktu nyata
Kedaulatan data: Menjaga data sensitif tetap lokal, meningkatkan keamanan dan kepatuhan

Model Bahasa Kecil (SLMs)

SLM seperti Phi-4, Mistral-7B, dan Gemma adalah versi yang dioptimalkan dari LLM yang lebih besar—dilatih ulang atau didistilasi untuk:

Jejak memori yang lebih kecil: Penggunaan memori efisien pada perangkat edge yang terbatas
Permintaan komputasi lebih rendah: Dioptimalkan untuk performa CPU dan GPU edge
Waktu mulai cepat: Inisialisasi cepat untuk aplikasi yang responsif

Mereka membuka kemampuan NLP yang kuat sambil memenuhi batasan:

Sistem tertanam: Perangkat IoT dan pengontrol industri
Perangkat mobile: Smartphone dan tablet dengan kemampuan offline
Perangkat IoT: Sensor dan perangkat pintar dengan sumber daya terbatas
Server edge: Unit pemrosesan lokal dengan sumber daya GPU terbatas
Komputer pribadi: Skenario penerapan desktop dan laptop

Modul Kursus & Navigasi

Modul	Topik	Fokus Area	Konten Utama	Tingkat	Durasi
📖 00	Pengantar EdgeAI	Dasar & Konteks	Ikhtisar EdgeAI • Aplikasi Industri • Pengenalan SLM • Tujuan Pembelajaran	Pemula	1-2 jam
📚 01	Dasar-Dasar EdgeAI	Perbandingan Cloud vs Edge AI	Dasar-Dasar EdgeAI • Studi Kasus Dunia Nyata • Panduan Implementasi • Penerapan Edge	Pemula	3-4 jam
🧠 02	Dasar Model SLM	Keluarga model & arsitektur	Keluarga Phi • Keluarga Qwen • Keluarga Gemma • BitNET • μModel • Phi-Silica	Pemula	4-5 jam
🚀 03	Praktik Penerapan SLM	Penerapan lokal & cloud	Pembelajaran Lanjutan • Lingkungan Lokal • Penerapan Cloud	Menengah	4-5 jam
⚙️ 04	Toolkit Optimasi Model	Optimasi lintas platform	Pengantar • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Sintesis Alur Kerja	Menengah	5-6 jam
🔧 05	Produksi SLMOps	Operasi produksi	Pengenalan SLMOps • Distilasi Model • Penyempurnaan • Penerapan Produksi	Lanjutan	5-6 jam
🤖 06	Agen AI & Pemanggilan Fungsi	Kerangka agen & MCP	Pengenalan Agen • Pemanggilan Fungsi • Protokol Konteks Model	Lanjutan	4-5 jam
💻 07	Implementasi Platform	Contoh lintas platform	Toolkit AI • Foundry Lokal • Pengembangan Windows	Lanjutan	3-4 jam
🏭 08	Toolkit Foundry Lokal	Contoh siap produksi	Aplikasi contoh (lihat detail di bawah)	Ahli	8-10 jam

🏭 Modul 08: Aplikasi Contoh

🎓 Workshop: Jalur Pembelajaran Praktis

Materi workshop praktis komprehensif dengan implementasi siap produksi:

Panduan Workshop - Tujuan pembelajaran lengkap, hasil, dan navigasi sumber daya
Contoh Python (6 sesi) - Diperbarui dengan praktik terbaik, penanganan kesalahan, dan dokumentasi lengkap
Jupyter Notebooks (8 interaktif) - Tutorial langkah demi langkah dengan tolok ukur dan pemantauan performa
Panduan Sesi - Panduan markdown terperinci untuk setiap sesi workshop
Alat Validasi - Skrip untuk memverifikasi kualitas kode dan menjalankan tes smoke

Apa yang Akan Anda Bangun:

Aplikasi chat AI lokal dengan dukungan streaming
Pipeline RAG dengan evaluasi kualitas (RAGAS)
Alat benchmarking dan perbandingan multi-model
Sistem orkestrasi multi-agen
Routing model cerdas dengan pemilihan berbasis tugas

🎙️ Workshop For Agentic: Hands-On - The AI Podcast Studio

Bangun pipeline produksi podcast bertenaga AI dari awal! Workshop mendalam ini mengajarkan Anda cara membuat sistem multi-agen lengkap yang mengubah ide menjadi episode podcast profesional.

🎬 Mulai Workshop Studio Podcast AI

Misi Anda: Luncurkan "Future Bytes" — podcast teknologi yang sepenuhnya digerakkan oleh agen AI yang Anda bangun sendiri. Tanpa ketergantungan cloud, tanpa biaya API — semuanya berjalan secara lokal di mesin Anda.

Yang Membuat Ini Unik:

🤖 Orkestrasi Multi-Agen Nyata - Bangun agen AI khusus yang melakukan riset, menulis, dan memproduksi audio
🎯 Pipeline Produksi Lengkap - Dari pemilihan topik hingga keluaran audio podcast final
💻 Penerapan 100% Lokal - Menggunakan Ollama dan model lokal (Qwen-3-8B) untuk privasi dan kendali penuh
🎤 Integrasi Text-to-Speech - Mengubah naskah menjadi percakapan multi-pembicara yang terdengar alami
✋ Alur Kerja Human-in-the-Loop - Gerbang persetujuan memastikan kualitas sambil mempertahankan otomatisasi

Perjalanan Pembelajaran Tiga Babak:

Babak	Fokus	Keterampilan Utama	Durasi
Babak 1: Kenali Asisten AI Anda	Bangun agen AI pertama Anda	Integrasi alat • Pencarian web • Pemecahan masalah • Penalaran agentic	2-3 jam
Babak 2: Rangkul Tim Produksi Anda	Orkestrasi banyak agen	Koordinasi tim • Alur kerja persetujuan • Antarmuka DevUI • Pengawasan manusia	3-4 jam
Babak 3: Hidupkan Podcast Anda	Hasilkan audio podcast	Text-to-speech • Sintesis multi-pembicara • Audio berdurasi panjang • Otomatisasi penuh	2-3 jam

Teknologi yang Digunakan:

Microsoft Agent Framework - Orkestrasi dan koordinasi multi-agen
Ollama - Runtime model AI lokal (tanpa cloud)
Qwen-3-8B - Model bahasa open-source yang dioptimalkan untuk tugas agentic
API Text-to-Speech - Sintesis suara alami untuk pembuatan podcast

Dukungan Perangkat Keras:

✅ Mode CPU - Bekerja di komputer modern manapun (disarankan RAM 8GB+)
🚀 Akselerasi GPU - Inferensi jauh lebih cepat dengan GPU NVIDIA/AMD
⚡ Dukungan NPU - Akselerasi unit pengolah neural generasi berikutnya

Sangat Cocok Untuk:

Pengembang yang belajar sistem AI multi-agen
Siapa saja yang tertarik dengan otomatisasi dan alur kerja AI
Kreator konten yang mengeksplorasi produksi berbantuan AI
Mahasiswa yang mempelajari pola orkestrasi AI praktis

Mulai Membangun: 🎙️ Workshop Studio Podcast AI →

📊 Ringkasan Jalur Pembelajaran

Durasi Total: 36-45 jam
Jalur Pemula: Modul 01-02 (7-9 jam)
Jalur Menengah: Modul 03-04 (9-11 jam)
Jalur Lanjutan: Modul 05-07 (12-15 jam)
Jalur Ahli: Modul 08 (8-10 jam)

Apa yang Akan Anda Bangun

🎯 Kompetensi Inti

Arsitektur Edge AI: Rancang sistem AI lokal-pertama dengan integrasi cloud
Optimasi Model: Kuantisasi dan kompres model untuk penyebaran edge (peningkatan kecepatan 85%, pengurangan ukuran 75%)
Penerapan Multi-Platform: Windows, mobile, embedded, dan sistem hybrid cloud-edge
Operasi Produksi: Pemantauan, skala, dan pemeliharaan edge AI dalam produksi

🏗️ Proyek Praktis

Aplikasi Chat Foundry Lokal: Aplikasi native Windows 11 dengan perpindahan model
Sistem Multi-Agen: Koordinator dengan agen spesialis untuk alur kerja kompleks
Aplikasi RAG: Pengolahan dokumen lokal dengan pencarian vektor
Router Model: Pemilihan cerdas antar model berdasarkan analisis tugas
Kerangka API: Klien siap produksi dengan streaming dan pemantauan kesehatan
Alat Lintas Platform: Pola integrasi LangChain/Semantic Kernel

🏢 Aplikasi Industri

Manufaktur • Kesehatan • Kendaraan Otonom • Kota Pintar • Aplikasi Mobile

Mulai Cepat

Jalur Pembelajaran yang Direkomendasikan (total 20-30 jam):

📖 Pengantar (Introduction.md): Fondasi EdgeAI + konteks industri + kerangka pembelajaran
📚 Fondasi (Modul 01-02): Konsep EdgeAI + keluarga model SLM
⚙️ Optimasi (Modul 03-04): Penerapan + kerangka kuantisasi
🚀 Produksi (Modul 05-06): SLMOps + agen AI + pemanggilan fungsi
💻 Implementasi (Modul 07-08): Contoh platform + toolkit Foundry Local

Setiap modul mencakup teori, latihan praktik, dan contoh kode siap produksi.

Dampak Karier

Peran Teknis: Arsitek Solusi EdgeAI • Insinyur ML (Edge) • Pengembang AI IoT • Pengembang AI Mobile

Sektor Industri: Manufaktur 4.0 • Teknologi Kesehatan • Sistem Otonom • FinTech • Elektronik Konsumen

Proyek Portofolio: Sistem multi-agen • Aplikasi RAG produksi • Penyebaran lintas platform • Optimasi performa

Struktur Repositori

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

Sorotan Kursus

✅ Pembelajaran Progresif: Teori → Praktik → Penerapan produksi
✅ Studi Kasus Nyata: Microsoft, Japan Airlines, implementasi perusahaan
✅ Contoh Praktik: 50+ contoh, 10 demo lengkap Foundry Local
✅ Fokus Performa: Peningkatan kecepatan 85%, pengurangan ukuran 75%
✅ Multi-Platform: Windows, mobile, embedded, hybrid cloud-edge
✅ Siap Produksi: Pemantauan, skala, keamanan, kerangka kepatuhan

📖 Panduan Studi Tersedia: Jalur pembelajaran 20 jam terstruktur dengan panduan alokasi waktu dan alat evaluasi diri.

EdgeAI mewakili masa depan penerapan AI: lokal-pertama, menjaga privasi, dan efisien. Kuasai keterampilan ini untuk membangun aplikasi cerdas generasi berikutnya.

Kursus Lainnya

Tim kami juga membuat kursus lain! Lihat:

LangChain

Azure / Edge / MCP / Agen

Seri AI Generatif

Pembelajaran Inti

Seri Copilot

Mendapatkan Bantuan

Jika Anda mengalami kebuntuan atau memiliki pertanyaan tentang membangun aplikasi AI, bergabunglah dengan:

Jika Anda memiliki umpan balik produk atau kesalahan saat membangun, kunjungi:

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berupaya untuk akurasi, harap diketahui bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi penting, disarankan menggunakan terjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau kesalahan penafsiran yang timbul dari penggunaan terjemahan ini.

← 返回课程