EdgeAI for Beginners

59 / 100·markdown

Chapter 59

EdgeAI สำหรับผู้เริ่มต้น

รูปภาพปกคอร์ส

ทำตามขั้นตอนเหล่านี้เพื่อเริ่มใช้งานทรัพยากรเหล่านี้:

โคลนที่เก็บ: คลิกที่
โคลนที่เก็บลงมา: git clone https://github.com/microsoft/edgeai-for-beginners.git
เข้าร่วม Azure AI Foundry Discord และพบปะผู้เชี่ยวชาญและนักพัฒนาร่วมกัน

🌐 การสนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)

ต้องการโคลนแบบท้องถิ่น?

ที่เก็บนี้มีการแปลมากกว่า 50 ภาษา ซึ่งจะเพิ่มขนาดดาวน์โหลดมาก เพื่อโคลนโดยไม่รวมการแปล ใช้ 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"
วิธีนี้จะให้ทุกอย่างที่คุณต้องการเพื่อทำคอร์สให้เสร็จอย่างรวดเร็วขึ้นมาก

ถ้าคุณต้องการภาษาแปลเพิ่มเติมที่สนับสนุน รายการอยู่ที่ นี่

บทนำ

ยินดีต้อนรับสู่ EdgeAI สำหรับผู้เริ่มต้น – การเดินทางที่ครอบคลุมสู่โลกที่เปลี่ยนแปลงได้ของปัญญาประดิษฐ์แบบ Edge คอร์สนี้จะเชื่อมช่องว่างระหว่างความสามารถ AI ที่ทรงพลังกับการใช้งานจริงในโลกแห่งความจริงบนอุปกรณ์ขอบ ช่วยให้คุณใช้ศักยภาพของ AI โดยตรงที่จุดกำเนิดข้อมูลและที่ต้องการการตัดสินใจ

สิ่งที่คุณจะเชี่ยวชาญ

คอร์สนี้จะพาคุณจากแนวคิดพื้นฐานไปจนถึงการใช้งานที่พร้อมผลิต ครอบคลุม:

โมเดลภาษาเล็ก (SLMs) ที่ปรับแต่งสำหรับการใช้งานบน edge
การปรับแต่งตามฮาร์ดแวร์ บนแพลตฟอร์มที่หลากหลาย
การทำนายผลแบบเรียลไทม์ ที่รักษาความเป็นส่วนตัว
กลยุทธ์การใช้งานในผลิตภัณฑ์ สำหรับแอปพลิเคชันองค์กร

เหตุผลที่ EdgeAI สำคัญ

Edge AI คือการเปลี่ยนแปลงที่ตอบโจทย์ความท้าทายสำคัญของยุคสมัย:

ความเป็นส่วนตัวและความปลอดภัย: ประมวลผลข้อมูลที่ละเอียดอ่อนไปยังท้องถิ่นโดยไม่ต้องเปิดเผยข้อมูลบนคลาวด์
ประสิทธิภาพแบบเรียลไทม์: ขจัดความหน่วงเครือข่ายสำหรับแอปพลิเคชันที่ต้องใช้เวลาตอบสนองอย่างรวดเร็ว
ประหยัดค่าใช้จ่าย: ลดแบนด์วิดท์และค่าใช้จ่ายด้านคลาวด์
การทำงานที่ยืดหยุ่น: คงการทำงานในช่วงที่เครือข่ายขัดข้อง
การปฏิบัติตามกฎระเบียบ: รองรับข้อกำหนดด้านอธิปไตยข้อมูล

Edge AI

Edge AI หมายถึงการรันอัลกอริทึม AI และโมเดลภาษาแบบท้องถิ่นบนฮาร์ดแวร์ ใกล้กับแหล่งที่ข้อมูลสร้างขึ้น โดยไม่ต้องพึ่งพาทรัพยากรคลาวด์สำหรับการทำนายผล ช่วยลดความหน่วง ปรับปรุงความเป็นส่วนตัว และเปิดโอกาสให้การตัดสินใจแบบทันที

หลักการสำคัญ:

การทำนายบนอุปกรณ์: โมเดล AI รันบนอุปกรณ์ขอบ (โทรศัพท์, เราเตอร์, ไมโครคอนโทรลเลอร์, คอมพิวเตอร์อุตสาหกรรม)
ทำงานแบบออฟไลน์: สามารถใช้งานได้โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ตตลอดเวลา
ความหน่วงต่ำ: ตอบสนองทันทีเหมาะสำหรับระบบเรียลไทม์
อธิปไตยของข้อมูล: เก็บข้อมูลละเอียดอ่อนไว้ในท้องถิ่น เพิ่มความปลอดภัยและการปฏิบัติตามกฎ

โมเดลภาษาเล็ก (SLMs)

โมเดล SLM เช่น Phi-4, Mistral-7B และ Gemma คือเวอร์ชันที่ปรับแต่งของ LLMs ขนาดใหญ่ — ได้รับการฝึกหรือกลั่นมาเพื่อ:

ลดการใช้หน่วยความจำ: ใช้งานอย่างมีประสิทธิภาพในหน่วยความจำของอุปกรณ์ edge ที่จำกัด
ความต้องการคำนวณต่ำกว่า: ปรับแต่งให้เหมาะกับประสิทธิภาพ CPU และ GPU บนอุปกรณ์ edge
เริ่มต้นได้รวดเร็วขึ้น: เริ่มทำงานอย่างรวดเร็วเพื่อตอบสนองแอปพลิเคชัน

โมเดลเหล่านี้เปิดศักยภาพ NLP ที่ทรงพลังภายใต้ข้อจำกัด:

ระบบฝังตัว: อุปกรณ์ IoT และควบคุมอุตสาหกรรม
อุปกรณ์มือถือ: สมาร์ทโฟนและแท็บเล็ตที่ทำงานออฟไลน์ได้
อุปกรณ์ IoT: เซ็นเซอร์และอุปกรณ์อัจฉริยะที่มีทรัพยากรจำกัด
เซิร์ฟเวอร์ขอบ: หน่วยประมวลผลท้องถิ่นที่มีทรัพยากร GPU จำกัด
คอมพิวเตอร์ส่วนบุคคล: การใช้งานบนเดสก์ท็อปและแล็ปท็อป

โมดูลคอร์สและการนำทาง

โมดูล	หัวข้อ	พื้นที่โฟกัส	เนื้อหาหลัก	ระดับ	ระยะเวลา
📖 00	แนะนำ EdgeAI	พื้นฐาน & บริบท	ภาพรวม EdgeAI • แอปพลิเคชันอุตสาหกรรม • แนะนำ SLM • วัตถุประสงค์การเรียนรู้	ผู้เริ่มต้น	1-2 ชม.
📚 01	พื้นฐาน EdgeAI	การเปรียบเทียบคลาวด์กับ Edge AI	พื้นฐาน EdgeAI • กรณีศึกษาจริง • คู่มือการใช้งาน • การใช้งานบนขอบ	ผู้เริ่มต้น	3-4 ชม.
🧠 02	ฐานรากโมเดล SLM	ครอบครัวโมเดล & สถาปัตยกรรม	ครอบครัว Phi • ครอบครัว Qwen • ครอบครัว Gemma • BitNET • μModel • Phi-Silica	ผู้เริ่มต้น	4-5 ชม.
🚀 03	การใช้งาน SLM จริง	การใช้งานท้องถิ่น & คลาวด์	การเรียนรู้ขั้นสูง • สภาพแวดล้อมท้องถิ่น • การใช้งานคลาวด์	ระดับกลาง	4-5 ชม.
⚙️ 04	ชุดเครื่องมือเพิ่มประสิทธิภาพโมเดล	การปรับแต่งข้ามแพลตฟอร์ม	แนะนำ • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • การสังเคราะห์การทำงาน	ระดับกลาง	5-6 ชม.
🔧 05	SLMOps การผลิต	การดำเนินงานผลิต	แนะนำ SLMOps • การกลั่นโมเดล • การปรับแต่งละเอียด • การใช้งานในผลิตภัณฑ์	ขั้นสูง	5-6 ชม.
🤖 06	เอเจนต์ AI & การเรียกใช้ฟังก์ชัน	กรอบงานเอเจนต์ & MCP	แนะนำเอเจนต์ • การเรียกใช้ฟังก์ชัน • โปรโตคอลบริบทโมเดล	ขั้นสูง	4-5 ชม.
💻 07	การใช้งานบนแพลตฟอร์ม	ตัวอย่างข้ามแพลตฟอร์ม	เครื่องมือ AI • Foundry ท้องถิ่น • การพัฒนา Windows	ขั้นสูง	3-4 ชม.
🏭 08	ชุดเครื่องมือ Foundry Local	ตัวอย่างพร้อมใช้งาน	แอปพลิเคชันตัวอย่าง (ดูรายละเอียดด้านล่าง)	ผู้เชี่ยวชาญ	8-10 ชม.

🏭 โมดูล 08: แอปพลิเคชันตัวอย่าง

🎓 เวิร์กช็อป: เส้นทางการเรียนรู้ลงมือทำ

วัสดุเวิร์กช็อปแบบลงมือทำครบถ้วนพร้อมการใช้งานจริง:

คู่มือเวิร์กช็อป - วัตถุประสงค์การเรียนรู้ ผลลัพธ์ และการนำทางทรัพยากรทั้งหมด
ตัวอย่าง Python (6 ชุด) - อัปเดตด้วยแนวปฏิบัติที่ดีที่สุด การจัดการข้อผิดพลาด และเอกสารครบถ้วน
โน้ตบุ๊ก Jupyter (8 เล่มโต้ตอบได้) - บทเรียนทีละขั้นตอนพร้อมเกณฑ์วัดและติดตามประสิทธิภาพ
คู่มือแต่ละเซสชัน - ไฟล์ Markdown ละเอียดสำหรับแต่ละเซสชันเวิร์กช็อป
เครื่องมือยืนยัน - สคริปต์ตรวจสอบคุณภาพโค้ดและรันทดสอบแบบ smoke test

สิ่งที่คุณจะสร้าง:

แอปแชท AI ท้องถิ่นที่รองรับการสตรีม
ท่อ RAG พร้อมการประเมินคุณภาพ (RAGAS)
เครื่องมือเปรียบเทียบและวัดประสิทธิภาพโมเดลหลายตัว
ระบบประสานงานตัวแทนหลายตัว
การจัดเส้นทางโมเดลอัจฉริยะโดยเลือกตามงาน

🎙️ เวิร์กช็อปสำหรับ Agentic: Hands-On - สตูดิโอพอดแคสต์ AI

สร้างสายการผลิตพอดแคสต์ที่ขับเคลื่อนด้วย AI ตั้งแต่เริ่มต้น! เวิร์กช็อปเชิงลึกนี้สอนคุณให้สร้างระบบมัลติเอเย่นต์ครบวงจรที่เปลี่ยนไอเดียให้กลายเป็นตอนพอดแคสต์มืออาชีพ

🎬 เริ่มเวิร์กช็อป The AI Podcast Studio

ภารกิจของคุณ: เปิดตัว "Future Bytes" — พอดแคสต์เทคโนโลยีที่ขับเคลื่อนโดยเอเย่นต์ AI ที่คุณสร้างเอง ไม่มีการพึ่งพาคลาวด์ ไม่มีค่าใช้จ่าย API — ทุกอย่างทำงานได้ในเครื่องของคุณเอง

จุดเด่นของเวิร์กช็อปนี้:

🤖 การประสานงานมัลติเอเย่นต์จริงๆ - สร้างเอเย่นต์ AI เฉพาะทางที่วิจัย เขียน และผลิตเสียง
🎯 สายการผลิตครบวงจร - ตั้งแต่การเลือกหัวข้อจนถึงผลลัพธ์เสียงพอดแคสต์สุดท้าย
💻 ติดตั้งใช้งานได้ 100% ในเครื่อง - ใช้งาน Ollama และโมเดลในเครื่อง (Qwen-3-8B) เพื่อความเป็นส่วนตัวและการควบคุมเต็มที่
🎤 การแปลงข้อความเป็นเสียงพูด - เปลี่ยนสคริปต์เป็นบทสนทนาหลายเสียงที่ฟังเป็นธรรมชาติ
✋ กระบวนการที่มีมนุษย์ร่วมตรวจสอบ - ประตูอนุมัติช่วยรับประกันคุณภาพพร้อมรักษาระบบอัตโนมัติ

การเรียนรู้แบ่งเป็น 3 ตอน:

ตอน	เน้น	ทักษะสำคัญ	ระยะเวลา
ตอน 1: รู้จักผู้ช่วย AI ของคุณ	สร้างเอเย่นต์ AI ตัวแรกของคุณ	การผสานเครื่องมือ • การค้นหาบนเว็บ • การแก้ปัญหา • การใช้เหตุผลแบบเอเย่นต์	2-3 ชม.
ตอน 2: รวบรวมทีมผลิตของคุณ	ประสานงานเอเย่นต์หลายตัว	การประสานงานทีม • กระบวนการอนุมัติ • อินเทอร์เฟซ DevUI • การกำกับดูแลโดยมนุษย์	3-4 ชม.
ตอน 3: สร้างพอดแคสต์ให้มีชีวิต	สร้างเสียงพอดแคสต์	แปลงข้อความเป็นเสียง • การสังเคราะห์หลายเสียง • เสียงยาวรูปแบบฟอร์ม • ระบบอัตโนมัติเต็มรูปแบบ	2-3 ชม.

เทคโนโลยีที่ใช้:

Microsoft Agent Framework - การประสานและประสานงานเอเย่นต์หลายตัว
Ollama - รันไทม์โมเดล AI ในเครื่อง (ไม่ต้องคลาวด์)
Qwen-3-8B - โมเดลภาษารหัสเปิดที่ปรับแต่งสำหรับงานเอเย่นต์
API แปลงข้อความเป็นเสียงพูด - การสังเคราะห์เสียงธรรมชาติสำหรับการสร้างพอดแคสต์

รองรับฮาร์ดแวร์:

✅ โหมด CPU - ใช้งานได้กับคอมพิวเตอร์ทันสมัยทุกเครื่อง (แนะนำแรม 8GB ขึ้นไป)
🚀 เร่งความเร็ว GPU - การคาดการณ์ที่เร็วขึ้นอย่างมากด้วย GPU ของ NVIDIA/AMD
⚡ รองรับ NPU - เร่งหน่วยประมวลผลประสาทเทอร์เจนเนอเรชันถัดไป

เหมาะสำหรับ:

นักพัฒนาที่เรียนรู้ระบบ AI มัลติเอเย่นต์
บุคคลที่สนใจในระบบอัตโนมัติและเวิร์กโฟลว์ AI
ผู้สร้างเนื้อหาที่ต้องการสำรวจการผลิตด้วย AI ช่วย
นักศึกษาที่ศึกษาแนวทางการประสานงาน AI เชิงปฏิบัติ

เริ่มสร้างกันเลย: 🎙️ The AI Podcast Studio Workshop →

📊 สรุปเส้นทางการเรียนรู้

ระยะเวลารวม: 36-45 ชั่วโมง
เส้นทางผู้เริ่มต้น: โมดูล 01-02 (7-9 ชั่วโมง)
เส้นทางระดับกลาง: โมดูล 03-04 (9-11 ชั่วโมง)
เส้นทางระดับสูง: โมดูล 05-07 (12-15 ชั่วโมง)
เส้นทางผู้เชี่ยวชาญ: โมดูล 08 (8-10 ชั่วโมง)

สิ่งที่คุณจะสร้าง

🎯 ทักษะแกนหลัก

สถาปัตยกรรม Edge AI: ออกแบบระบบ AI ที่เน้นใช้งานในเครื่องก่อนและผสานคลาวด์
การปรับแต่งโมเดล: การประมาณค่าคุณภาพและบีบอัดโมเดลสำหรับการติดตั้งที่ปลายทาง (เพิ่มความเร็ว 85% ลดขนาด 75%)
การติดตั้งหลายแพลตฟอร์ม: Windows, มือถือ, ระบบฝังตัว และระบบไฮบริดคลาวด์-เอดจ์
ปฏิบัติการผลิต: การตรวจสอบ, ขยายระบบ, และรักษา Edge AI ในสภาพแวดล้อมจริง

🏗️ โครงการปฏิบัติ

แอปแชทท้องถิ่น Foundry: แอปพลิเคชัน Windows 11 เนทีฟ พร้อมสลับโมเดล
ระบบมัลติเอเย่นต์: ผู้ประสานงานกับเอเย่นต์ผู้เชี่ยวชาญสำหรับเวิร์กโฟลว์ซับซ้อน
แอป RAG: การประมวลผลเอกสารในเครื่องพร้อมการค้นหาเวกเตอร์
ตัวเลือกโมเดลอัจฉริยะ: การเลือกโมเดลตามการวิเคราะห์งานอย่างชาญฉลาด
เฟรมเวิร์ก API: ไคลเอนต์พร้อมสำหรับการใช้งานจริงที่รองรับการสตรีมและตรวจสอบสุขภาพระบบ
เครื่องมือข้ามแพลตฟอร์ม: รูปแบบบูรณาการ LangChain/Semantic Kernel

🏢 การประยุกต์ใช้ในอุตสาหกรรม

การผลิต • สุขภาพ • ยานยนต์อัตโนมัติ • เมืองอัจฉริยะ • แอปมือถือ

เริ่มต้นอย่างรวดเร็ว

เส้นทางการเรียนรู้แนะนำ (20-30 ชั่วโมงรวม):

📖 บทนำ (Introduction.md): พื้นฐาน EdgeAI + บริบทอุตสาหกรรม + กรอบการเรียนรู้
📚 พื้นฐาน (โมดูล 01-02): แนวคิด EdgeAI + ครอบครัวโมเดล SLM
⚙️ การปรับแต่ง (โมดูล 03-04): การติดตั้ง + เฟรมเวิร์กการประมาณค่า
🚀 การผลิต (โมดูล 05-06): SLMOps + เอเย่นต์ AI + การเรียกฟังก์ชัน
💻 การใช้งานจริง (โมดูล 07-08): ตัวอย่างแพลตฟอร์ม + ชุดเครื่องมือ Foundry Local

แต่ละโมดูลประกอบด้วยทฤษฎี, แบบฝึกหัดลงมือทำ, และตัวอย่างโค้ดพร้อมใช้งานจริง

ผลกระทบต่ออาชีพ

บทบาททางเทคนิค: สถาปนิกโซลูชัน EdgeAI • วิศวกร ML (Edge) • นักพัฒนา IoT AI • นักพัฒนา AI บนมือถือ

ภาคอุตสาหกรรม: การผลิต 4.0 • เทคโนโลยีสุขภาพ • ระบบอัตโนมัติ • FinTech • อิเล็กทรอนิกส์สำหรับผู้บริโภค

โครงการพอร์ตโฟลิโอ: ระบบมัลติเอเย่นต์ • แอป RAG สำหรับผลิต • การติดตั้งข้ามแพลตฟอร์ม • การปรับแต่งประสิทธิภาพ

โครงสร้างที่เก็บข้อมูล

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

ไฮไลท์ของหลักสูตร

✅ การเรียนรู้อย่างก้าวหน้า: ทฤษฎี → ปฏิบัติ → การติดตั้งใช้งานจริง
✅ กรณีศึกษาจริง: Microsoft, Japan Airlines, การใช้งานในองค์กร
✅ ตัวอย่างลงมือทำ: กว่า 50 ตัวอย่าง, 10 เดโม Foundry Local ครบชุด
✅ เน้นประสิทธิภาพ: เพิ่มความเร็ว 85% ลดขนาด 75%
✅ หลายแพลตฟอร์ม: Windows, มือถือ, ฝังตัว, ไฮบริดคลาวด์-เอดจ์
✅ พร้อมใช้งานจริง: ระบบตรวจสอบ, ขยายระบบ, ความปลอดภัย, กรอบการปฏิบัติตาม

📖 คู่มือการศึกษา: เส้นทางการเรียนรู้ 20 ชั่วโมงโครงสร้างพร้อมคำแนะนำการจัดสรรเวลาและเครื่องมือประเมินตนเอง

EdgeAI คืออนาคตของการติดตั้ง AI: เน้นการใช้งานในเครื่อง, รักษาความเป็นส่วนตัว, และมีประสิทธิภาพ เชี่ยวชาญทักษะเหล่านี้เพื่อสร้างแอปอัจฉริยะยุคใหม่

หลักสูตรอื่นๆ

ทีมงานของเรามีหลักสูตรอื่นๆ ให้เลือกเรียน! ตรวจสอบได้ที่:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

Core Learning

Copilot Series

ขอความช่วยเหลือ

ถ้าคุณติดขัดหรือมีคำถามใด ๆ เกี่ยวกับการสร้างแอป AI เข้าร่วมได้ที่:

ถ้าคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดในระหว่างการพัฒนา เยี่ยมชมได้ที่:

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลด้วย AI Co-op Translator แม้ว่าเราจะพยายามให้เกิดความถูกต้องสูงสุด แต่กรุณาทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถูกพิจารณาว่าเป็นแหล่งข้อมูลที่เป็นทางการ สำหรับข้อมูลสำคัญแนะนำให้ใช้บริการแปลโดยมนุษย์มืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

← 返回课程