Chapter 32
EdgeAI per Principianti
EdgeAI per Principianti
Segui questi passaggi per iniziare a utilizzare queste risorse:
- Forka il Repository: Clicca
- Clona il Repository:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Unisciti al Discord Azure AI Foundry e incontra esperti e sviluppatori
🌐 Supporto Multilingue
Supportato tramite GitHub Action (Automatizzato e Sempre Aggiornato)
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 | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
Preferisci clonare localmente?
Questo repository include traduzioni in oltre 50 lingue, il che aumenta significativamente la dimensione del download. Per clonare senza traduzioni, usa sparse checkout:
Bash / macOS / Linux:
bashgit 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):
cmdgit 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"Questo ti dà tutto il necessario per completare il corso con un download molto più veloce.
Se desideri avere ulteriori lingue di traduzione supportate sono elencate qui
Introduzione
Benvenuto a EdgeAI per Principianti – il tuo percorso completo nel mondo trasformativo dell'Intelligenza Artificiale Edge. Questo corso colma il divario tra potenti capacità di AI e il deployment pratico e reale su dispositivi edge, permettendoti di sfruttare il potenziale dell'AI direttamente dove i dati vengono generati e le decisioni devono essere prese.
Cosa Imparerai
Questo corso ti porta dai concetti fondamentali fino alle implementazioni pronte per la produzione, trattando:
- Modelli di Linguaggio Piccoli (SLM) ottimizzati per il deployment edge
- Ottimizzazione consapevole dell'hardware su piattaforme diverse
- Inferenza in tempo reale con capacità di preservazione della privacy
- Strategie di deployment in produzione per applicazioni aziendali
Perché EdgeAI è Importante
Edge AI rappresenta un cambio di paradigma che risolve sfide moderne critiche:
- Privacy & Sicurezza: Elabora dati sensibili localmente senza esposizione al cloud
- Prestazioni in Tempo Reale: Elimina la latenza di rete per applicazioni critiche
- Efficienza dei Costi: Riduce l'uso di banda e le spese del cloud
- Operazioni Resilienti: Mantiene la funzionalità durante interruzioni di rete
- Conformità Regolatoria: Soddisfa i requisiti di sovranità dei dati
Edge AI
Edge AI si riferisce all'esecuzione di algoritmi AI e modelli di linguaggio localmente sull'hardware, vicino al luogo dove i dati sono generati, senza affidarsi alle risorse cloud per l'inferenza. Riduce la latenza, aumenta la privacy e permette decisioni in tempo reale.
Principi Fondamentali:
- Inferenza sul dispositivo: modelli AI eseguiti sui dispositivi edge (telefoni, router, microcontrollori, PC industriali)
- Capacità offline: funziona senza connessione internet persistente
- Bassa latenza: risposte immediate adatte a sistemi in tempo reale
- Sovranità dei dati: mantiene i dati sensibili localmente, migliorando sicurezza e conformità
Modelli di Linguaggio Piccoli (SLM)
SLM come Phi-4, Mistral-7B e Gemma sono versioni ottimizzate di LLM più grandi—addestrati o distillati per:
- Riduzione dell'uso della memoria: uso efficiente della memoria limitata dei dispositivi edge
- Minore richiesta computazionale: ottimizzati per CPU e GPU edge
- Tempi di avvio più rapidi: inizializzazione veloce per applicazioni reattive
Sbloccano potenti capacità NLP rispettando i vincoli di:
- Sistemi embedded: dispositivi IoT e controllori industriali
- Dispositivi mobili: smartphone e tablet con funzionalità offline
- Dispositivi IoT: sensori e dispositivi smart con risorse limitate
- Server edge: unità di elaborazione locale con risorse GPU limitate
- Personal Computer: scenari di deployment desktop e laptop
Moduli del Corso & Navigazione
| Modulo | Argomento | Area di interesse | Contenuti Chiave | Livello | Durata |
|---|---|---|---|---|---|
| 📖 00 | Introduzione a EdgeAI | Fondamenti & Contesto | Panoramica EdgeAI • Applicazioni industriali • Introduzione SLM • Obiettivi di apprendimento | Principiante | 1-2 ore |
| 📚 01 | Fondamenti di EdgeAI | Confronto Cloud vs Edge AI | Fondamenti EdgeAI • Casi di studio reali • Guida all'implementazione • Deployment edge | Principiante | 3-4 ore |
| 🧠 02 | Fondamenti Modelli SLM | Famiglie e architetture di modelli | Famiglia Phi • Famiglia Qwen • Famiglia Gemma • BitNET • μModel • Phi-Silica | Principiante | 4-5 ore |
| 🚀 03 | Pratica di Deployment SLM | Deployment locale e cloud | Apprendimento avanzato • Ambiente locale • Deployment su cloud | Intermedio | 4-5 ore |
| ⚙️ 04 | Toolkit di Ottimizzazione Modelli | Ottimizzazione cross-platform | Introduzione • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Sintesi del flusso di lavoro | Intermedio | 5-6 ore |
| 🔧 05 | Produzione SLMOps | Operazioni di produzione | Introduzione a SLMOps • Distillazione modelli • Fine-tuning • Deployment in produzione | Avanzato | 5-6 ore |
| 🤖 06 | Agenti AI & Function Calling | Framework agenti & MCP | Introduzione agenti • Function Calling • Protocollo contesto modello | Avanzato | 4-5 ore |
| 💻 07 | Implementazione Piattaforma | Esempi cross-platform | Toolkit AI • Foundry Local • Sviluppo Windows | Avanzato | 3-4 ore |
| 🏭 08 | Toolkit Foundry Local | Esempi pronti per produzione | Applicazioni di esempio (vedi dettagli sotto) | Esperto | 8-10 ore |
🏭 Modulo 08: Applicazioni di Esempio
- 01: REST Chat Quickstart
- 02: Integrazione OpenAI SDK
- 03: Scoperta Modelli & Benchmarking
- 04: Applicazione Chainlit RAG
- 05: Orchestrazione Multi-Agente
- 06: Router Modelli-come-Strumenti
- 07: Client API Diretto
- 08: App Chat Windows 11
- 09: Sistema Multi-Agente Avanzato
- 10: Framework Strumenti Foundry
🎓 Workshop: Percorso di Apprendimento Pratico
Materiali completi per workshop pratici con implementazioni pronte per la produzione:
- Guida Workshop - Obiettivi di apprendimento completi, risultati e navigazione risorse
- Esempi Python (6 sessioni) - Aggiornati con migliori pratiche, gestione errori e documentazione completa
- Jupyter Notebooks (8 interattivi) - Tutorial passo-passo con benchmark e monitoraggio prestazioni
- Guide Sessione - Guide dettagliate in markdown per ogni sessione del workshop
- Strumenti di Validazione - Script per verificare la qualità del codice e eseguire test di base
Cosa Costruirai:
- Applicazioni AI chat locali con supporto streaming
- Pipeline RAG con valutazione della qualità (RAGAS)
- Strumenti di benchmarking e confronto multi-modello
- Sistemi di orchestrazione multi-agente
- Routing intelligente di modelli con selezione basata su task
🎙️ Workshop per Agentic: Hands-On - Lo Studio Podcast AI
Costruisci una pipeline di produzione podcast potenziata dall’intelligenza artificiale da zero! Questo workshop immersivo ti insegna a creare un sistema multi-agente completo che trasforma le idee in episodi di podcast professionali.
🎬 Inizia il Workshop AI Podcast Studio
La Tua Missione: Lancia "Future Bytes" — un podcast tecnologico interamente alimentato da agenti AI che costruirai tu stesso. Nessuna dipendenza dal cloud, nessun costo API — tutto gira localmente sulla tua macchina.
Cosa Rende Questo Unico:
- 🤖 Autentica Orchestrazione Multi-Agente - Costruisci agenti AI specializzati che ricercano, scrivono e producono audio
- 🎯 Pipeline di Produzione Completa - Dalla selezione del tema alla produzione finale dell’audio del podcast
- 💻 Distribuzione 100% Locale - Usa Ollama e modelli locali (Qwen-3-8B) per privacy e controllo totali
- 🎤 Integrazione Text-to-Speech - Trasforma i copioni in conversazioni naturali multi-speaker
- ✋ Flussi di Lavoro Human-in-the-Loop - Passaggi di approvazione per garantire qualità mantenendo l’automazione
Percorso di Apprendimento in Tre Atti:
| Atto | Focus | Competenze Chiave | Durata |
|---|---|---|---|
| Atto 1: Incontra i Tuoi Assistenti AI | Costruisci il tuo primo agente AI | Integrazione strumenti • Ricerca web • Risoluzione problemi • Ragionamento agentico | 2-3 ore |
| Atto 2: Assembla il Tuo Team di Produzione | Orchestra più agenti | Coordinamento team • Flussi di approvazione • Interfaccia DevUI • Supervisione umana | 3-4 ore |
| Atto 3: Porta il Tuo Podcast alla Vita | Genera audio podcast | Text-to-speech • Sintesi multi-speaker • Audio long-form • Automazione completa | 2-3 ore |
Tecnologie Utilizzate:
- Microsoft Agent Framework - Orchestrazione e coordinamento multi-agente
- Ollama - Runtime locale per modelli AI (senza cloud)
- Qwen-3-8B - Modello linguistico open-source ottimizzato per compiti agentici
- API Text-to-Speech - Sintesi vocale naturale per la generazione del podcast
Supporto Hardware:
- ✅ Modalità CPU - Funziona su qualsiasi computer moderno (RAM consigliata 8GB+)
- 🚀 Accelerazione GPU - Inferenza significativamente più veloce con GPU NVIDIA/AMD
- ⚡ Supporto NPU - Accelerazione con unità di elaborazione neurale di nuova generazione
Perfetto Per:
- Sviluppatori che imparano sistemi AI multi-agente
- Chiunque sia interessato all’automazione AI e ai flussi di lavoro
- Creatori di contenuti che esplorano la produzione assistita da AI
- Studenti che studiano modelli pratici di orchestrazione AI
Inizia a Costruire: 🎙️ Workshop AI Podcast Studio →
📊 Riassunto del Percorso di Apprendimento
- Durata Totale: 36-45 ore
- Percorso Principiante: Moduli 01-02 (7-9 ore)
- Percorso Intermedio: Moduli 03-04 (9-11 ore)
- Percorso Avanzato: Moduli 05-07 (12-15 ore)
- Percorso Esperto: Modulo 08 (8-10 ore)
Cosa Costruirai
🎯 Competenze Chiave
- Architettura AI Edge: Progetta sistemi AI locali-first con integrazione cloud
- Ottimizzazione dei Modelli: Quantizza e comprimi modelli per il deployment edge (miglioramento velocità 85%, riduzione dimensioni 75%)
- Distribuzione Multi-Piattaforma: Windows, mobile, embedded e sistemi ibridi cloud-edge
- Operazioni di Produzione: Monitoraggio, scalabilità e manutenzione AI edge in produzione
🏗️ Progetti Pratici
- App Locali Foundry Chat: Applicazione nativa Windows 11 con cambio modello
- Sistemi Multi-Agente: Coordinatore con agenti specialisti per flussi di lavoro complessi
- Applicazioni RAG: Elaborazione documenti locali con ricerca vettoriale
- Router di Modello: Selezione intelligente tra modelli basata su analisi del compito
- Framework API: Client pronti per la produzione con streaming e monitoraggio stato
- Strumenti Cross-Platform: Pattern di integrazione LangChain/Semantic Kernel
🏢 Applicazioni Industriali
Manifatturiero • Sanità • Veicoli Autonomi • Smart Cities • App Mobile
Avvio Rapido
Percorso di Apprendimento Consigliato (20-30 ore totali):
- 📖 Introduzione (Introduction.md): Fondamenti EdgeAI + contesto industriale + framework di apprendimento
- 📚 Fondamenta (Moduli 01-02): Concetti EdgeAI + famiglie modelli SLM
- ⚙️ Ottimizzazione (Moduli 03-04): Deployment + framework quantizzazione
- 🚀 Produzione (Moduli 05-06): SLMOps + agenti AI + chiamate funzione
- 💻 Implementazione (Moduli 07-08): Esempi piattaforma + toolkit Foundry Local
Ogni modulo include teoria, esercizi pratici e esempi di codice pronti per la produzione.
Impatto sulla Carriera
Ruoli Tecnici: Architetto Soluzioni EdgeAI • Ingegnere ML (Edge) • Sviluppatore AI IoT • Sviluppatore AI Mobile
Settori Industriali: Manifattura 4.0 • Tecnologia Sanitaria • Sistemi Autonomi • FinTech • Elettronica di Consumo
Progetti Portfolio: Sistemi multi-agente • App RAG di produzione • Deployment cross-platform • Ottimizzazione prestazioni
Struttura del Repository
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 allocationPunti Salienti del Corso
✅ Apprendimento Progressivo: Teoria → Pratica → Deployment in produzione
✅ Casi Studio Reali: Microsoft, Japan Airlines, implementazioni enterprise
✅ Esempi Pratici: 50+ esempi, 10 demo complete Foundry Local
✅ Focus su Performance: Miglioramenti velocità 85%, riduzioni dimensioni 75%
✅ Multi-Piattaforma: Windows, mobile, embedded, ibrido cloud-edge
✅ Pronto per la Produzione: Monitoraggio, scalabilità, sicurezza, compliance
📖 Guida di Studio Disponibile: Percorso di apprendimento strutturato di 20 ore con guida sulla distribuzione del tempo e strumenti di autovalutazione.
EdgeAI rappresenta il futuro del deployment AI: locale-first, rispettoso della privacy ed efficiente. Padroneggia queste competenze per costruire la prossima generazione di applicazioni intelligenti.
Altri Corsi
Il nostro team produce altri corsi! Dai un’occhiata:
LangChain
Azure / Edge / MCP / Agents
Serie Generative AI
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Apprendimento Base
Serie Copilot
Ottenere aiuto
Se ti blocchi o hai domande sulla creazione di app AI, unisciti a:
Se hai feedback sul prodotto o errori durante la creazione visita:
Disclaimer:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI Co-op Translator. Pur impegnandoci per l’accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o inesattezze. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall’uso di questa traduzione.