Kövesd ezeket a lépéseket, hogy elkezdhess dolgozni ezekkel az erőforrásokkal:
- Forkold a tárat: Kattints ide
- Klónozd a tárat:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Csatlakozz az Azure AI Foundry Discordhoz, és találkozz szakértőkkel és más fejlesztőkkel
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
Szeretnéd helyileg klónozni?
Ez a tár több mint 50 nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használd a sparse checkoutot:
Bash / macOS / Linux:
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):
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"Így minden szükséges fájl meglesz a kurzus elvégzéséhez sokkal gyorsabb letöltéssel.
Ha további fordítási nyelveket szeretnél támogatni, ezek megtalálhatók itt
Üdvözlünk a EdgeAI kezdőknek kurzuson – a teljes körű utazásodon a Edge Mesterséges Intelligencia átalakító világában. Ez a tanfolyam hidat képez a hatékony AI képességek és a gyakorlati, valós környezetben történő telepítés között az élő eszközökön, lehetővé téve, hogy a mesterséges intelligencia potenciálját közvetlenül ott használd ki, ahol az adatok keletkeznek és döntéseket kell hozni.
Ez a tanfolyam az alapvető fogalmaktól a gyártásra kész megvalósításokig vezet végig, lefedve:
- Kis nyelvi modellek (SLM-ek) élő környezetre optimalizálva
- Hardver tudatos optimalizáció különböző platformokon
- Valós idejű inferencia adatvédelemmel
- Gyártásba telepítési stratégiák vállalati alkalmazásokhoz
Az Edge AI paradigmaváltást jelent, amely a modern kihívásokra ad választ:
- Adatvédelem és biztonság: Érzékeny adatok helyi feldolgozása felhő kiadása nélkül
- Valós idejű teljesítmény: Hálózati késleltetés kiküszöbölése időkritikus alkalmazásoknál
- Költséghatékonyság: Sávszélesség és felhő alapú számítási költségek csökkentése
- Rugalmas működés: Funkcionalitás fenntartása hálózati kiesés esetén
- Szabályozási megfelelőség: Adat-szuverenitási követelmények betartása
Az Edge AI azt jelenti, hogy AI algoritmusok és nyelvi modellek helyileg futnak a hardveren, közel az adatok keletkezési helyéhez, anélkül, hogy a cloud erőforrásokra támaszkodnánk az inferencia során. Ez csökkenti a késleltetést, növeli az adatvédelmet és valós idejű döntéshozatalt tesz lehetővé.
- Interferencia az eszközön: AI modellek helyi eszközökön futnak (telefonok, routerek, mikrovezérlők, ipari PC-k)
- Offline funkció: Internetkapcsolat nélkül is működik
- Alacsony késleltetés: Azonnali válaszok valós idejű rendszereknek
- Adat-szuverenitás: Az érzékeny adatok helyben maradnak, javítva a biztonságot és megfelelést
Az SLM-ek, mint például a Phi-4, Mistral-7B és Gemma, nagyobb LLM-ek optimalizált változatai—kiképzett vagy „kondenzált” alakban:
- Csökkentett memóriaigény: Hatékony kihasználása a korlátozott élő eszköz memóriának
- Alacsonyabb számítási igény: CPU és élő GPU teljesítményre optimalizálva
- Gyorsabb indulás: Gyors inicializálás a gyors reakciókért
Ezek lehetővé teszik a hatékony NLP képességeket miközben megfelelnek az alábbi korlátoknak:
- Beágyazott rendszerek: IoT eszközök és ipari vezérlők
- Mobil eszközök: Okostelefonok és táblagépek offline képességekkel
- IoT eszközök: Szenzorok és okos eszközök korlátozott erőforrásokkal
- Edge szerverek: Helyi feldolgozó egységek korlátozott GPU erőforrásokkal
- Személyi számítógépek: Asztali és laptop telepítési forgatókönyvek
| Modul | Téma | Fókuszterület | Fő tartalom | Szint | Időtartam |
|---|---|---|---|---|---|
| 📖 00 | Bevezetés az EdgeAI-be | Alapok és kontextus | EdgeAI áttekintés • Iparági alkalmazások • SLM bemutatás • Tanulási célok | Kezdő | 1-2 óra |
| 📚 01 | EdgeAI alapok | Felhő vs Edge AI összehasonlítás | EdgeAI alapok • Valós esettanulmányok • Megvalósítási útmutató • Edge telepítés | Kezdő | 3-4 óra |
| 🧠 02 | SLM modell alapok | Modellcsaládok és architektúra | Phi család • Qwen család • Gemma család • BitNET • μModel • Phi-Silica | Kezdő | 4-5 óra |
| 🚀 03 | SLM telepítési gyakorlat | Helyi és felhőbeli telepítés | Haladó tanulás • Helyi környezet • Felhő telepítés | Középhaladó | 4-5 óra |
| ⚙️ 04 | Modell optimalizációs eszköztár | Platformok közötti optimalizáció | Bevezetés • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Munkafolyamat szintézis | Középhaladó | 5-6 óra |
| 🔧 05 | SLMOps gyártásban | Gyártásbeli működés | SLMOps bevezetés • Modell desztilláció • Finomhangolás • Gyártásbeli telepítés | Haladó | 5-6 óra |
| 🤖 06 | AI ügynökök & függvényhívás | Ügynök keretrendszerek & MCP | Ügynök bevezetés • Függvényhívás • Modell Kontextus Protokoll | Haladó | 4-5 óra |
| 💻 07 | Platform megvalósítás | Többplatformos példák | AI eszköztár • Foundry Local • Windows fejlesztés | Haladó | 3-4 óra |
| 🏭 08 | Foundry Local eszköztár | Gyártásra kész példák | Mintaalkalmazások (lásd alább részletezve) | Szakértő | 8-10 óra |
- 01: REST Chat Gyorsindítás
- 02: OpenAI SDK Integráció
- 03: Modell felfedezés & benchmark
- 04: Chainlit RAG alkalmazás
- 05: Többügynökös összehangolás
- 06: Modellek mint Eszközök Router
- 07: Közvetlen API kliens
- 08: Windows 11 Chat alkalmazás
- 09: Haladó többügynök rendszer
- 10: Foundry Tools keretrendszer
Teljes körű gyakorlati workshop anyagok gyártásra kész megvalósításokkal:
- Workshop Útmutató - Teljes tanulási célok, eredmények és erőforrás navigáció
- Python példák (6 alkalom) - Frissítve a legjobb gyakorlatokkal, hibakezeléssel és átfogó dokumentációval
- Jupyter jegyzetfüzetek (8 interaktív) - Lépésről lépésre oktatóanyagok benchmarkokkal és teljesítmény monitorozással
- Ülés útmutatók - Részletes markdown útmutatók az egyes workshop ülésekhez
- Validációs eszközök - Szkriptek a kódminőség ellenőrzésére és smoke tesztek futtatására
Amit készíteni fogsz:
- Helyi AI chat alkalmazások streaming támogatással
- RAG adatfolyamok minőségi értékeléssel (RAGAS)
- Többmodell benchmark és összehasonlító eszközök
- Többügynökös összehangoló rendszerek
- Intelligens modellirányítás feladat alapú kiválasztással
Építs egy mesterséges intelligencia által működtetett podcast gyártási folyamatot a semmiből! Ez az elmélyült workshop megtanít arra, hogyan hozz létre egy teljes többügynökös rendszert, amely az ötleteket professzionális podcast epizódokká alakítja.
🎬 Kezdd el az AI Podcast Studio Workshopot
Feladatod: Indítsd el a "Future Bytes" nevű technológiai podcastot — egy teljesen AI ügynökök által működtetett műsort, amelyet te magad építesz fel. Nincsenek felhőfüggőségek, nincsenek API-költségek — minden helyileg, a gépeden fut.
Mi teszi egyedivé:
- 🤖 Valódi többügynökös koordináció – Specializált AI ügynökök építése, amelyek kutatnak, írnak és hanganyagot készítenek
- 🎯 Teljes gyártási folyamat – Témaválasztástól a végső podcast hanganyagig
- 💻 100% helyi telepítés – Ollama és helyi modellek (Qwen-3-8B) a teljes adatvédelem és irányítás érdekében
- 🎤 Szöveg-beszéd integráció – Szkriptet alakít természetes hangzású, több beszélőből álló beszélgetéssé
- ✋ Ember a folyamatban – Jóváhagyási pontok a minőség biztosítására miközben az automatizálás megmarad
Háromrészes tanulási út:
| Felvonás | Fókusz | Kulcskészségek | Időtartam |
|---|---|---|---|
| 1. felvonás: Ismerd meg AI asszisztenseidet | Építsd meg első AI ügynöködet | Eszközintegráció • Webes keresés • Problémamegoldás • Ügynöki gondolkodás | 2-3 óra |
| 2. felvonás: Állítsd össze a gyártó csapatodat | Több ügynök koordinálása | Csapatkoordináció • Jóváhagyási munkafolyamatok • DevUI felület • Emberi felügyelet | 3-4 óra |
| 3. felvonás: Keltsd életre podcastodat | Podcast hanganyag generálás | Szöveg-beszéd • Több beszélős szintézis • Hosszú hanganyag • Teljes automatizálás | 2-3 óra |
Használt technológiák:
- Microsoft Agent Framework – Többügynökös koordináció és együttműködés
- Ollama – Helyi AI modell futtatókörnyezet (nem igényel felhőt)
- Qwen-3-8B – Nyílt forráskódú nyelvi modell, ügynöki feladatokra optimalizálva
- Szöveg-beszéd API-k – Természetes hangú szintézis a podcast készítéshez
Hardver támogatás:
- ✅ CPU mód – Bármely modern számítógépen működik (ajánlott minimum 8GB RAM)
- 🚀 GPU gyorsítás – Jelentősen gyorsabb inferálás NVIDIA/AMD GPU-kon
- ⚡ NPU támogatás – Következő generációs neurális feldolgozó egység gyorsítás
Kiknek ideális:
- Fejlesztők, akik többügynökös AI rendszereket tanulnak
- Mindenki, akit érdekel az AI automatizálás és munkafolyamatok
- Tartalomkészítők, akik AI által segített gyártást szeretnének felfedezni
- Hallgatók, akik a gyakorlati AI koordinációs mintákat tanulmányozzák
Kezdj el építeni: 🎙️ The AI Podcast Studio Workshop →
- Teljes időtartam: 36-45 óra
- Kezdő szint: 01-02 modulok (7-9 óra)
- Középhaladó szint: 03-04 modulok (9-11 óra)
- Haladó szint: 05-07 modulok (12-15 óra)
- Szakértői szint: 08 modul (8-10 óra)
- Edge AI architektúra: Helyileg előtérbe helyezett AI rendszerek tervezése felhőintegrációval
- Modell optimalizálás: Modellek kvantálása és tömörítése élőhelyi telepítéshez (85% sebességnövekedés, 75% méretcsökkenés)
- Többplatformos telepítés: Windows, mobil, beágyazott és felhő-él hibrid rendszerek
- Gyártási műveletek: Élőhelyi AI monitorozása, skálázása és karbantartása termelésben
- Foundry Local Chat alkalmazások: Windows 11 natív alkalmazás modellváltással
- Többügynökös rendszerek: Koordinátor speciális ügynökökkel komplex munkafolyamatokhoz
- RAG alkalmazások: Helyi dokumentumfeldolgozás vektoros kereséssel
- Modellválasztók: Intelligens válogatás modellek között feladatelemzés alapján
- API keretrendszerek: Termelésre kész kliens streaminggel és egészségügyi monitorozással
- Cross-platform eszközök: LangChain/Semantic Kernel integrációs minták
Gyártás • Egészségügy • Autonóm járművek • Okos városok • Mobilalkalmazások
Ajánlott tanulási út (összesen 20-30 óra):
- 📖 Bevezetés (Introduction.md): EdgeAI alapok + iparági kontextus + tanulási keretrendszer
- 📚 Alapozás (01-02 modulok): EdgeAI fogalmak + SLM modell családok
- ⚙️ Optimalizálás (03-04 modulok): Telepítés + kvantálási keretrendszerek
- 🚀 Termelés (05-06 modulok): SLMOps + AI ügynökök + függvényhívás
- 💻 Implementáció (07-08 modulok): Platformminták + Foundry Local eszköztár
Minden modul magába foglal elméletet, gyakorlati feladatokat és termelésre kész kódmintákat.
Technikai szerepek: EdgeAI megoldástervező • ML mérnök (Edge) • IoT AI fejlesztő • Mobil AI fejlesztő
Iparági szektorok: Gyártás 4.0 • Egészségügyi technológia • Autonóm rendszerek • FinTech • Fogyasztói elektronika
Portfólió projektek: Többügynökös rendszerek • Termelési RAG alkalmazások • Többplatformos telepítés • Teljesítmény-optimalizálás
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
✅ Fokozatos tanulás: Elmélet → Gyakorlat → Termelési telepítés
✅ Valódi esettanulmányok: Microsoft, Japan Airlines, vállalati implementációk
✅ Gyakorlati példák: 50+ példa, 10 átfogó Foundry Local demó
✅ Teljesítmény fókusz: 85%-os sebességnövekedés, 75%-os méretcsökkenés
✅ Többplatformos: Windows, mobil, beágyazott, felhő-él hibrid
✅ Termelésre kész: Monitorozás, skálázás, biztonság, megfelelőségi keretek
📖 Elérhető tanulmányi útmutató: Strukturált 20 órás tanulási út időbeosztással és önértékelő eszközökkel.
Az EdgeAI az AI telepítés jövője: helyileg elsődleges, adatvédelmet szem előtt tartó és hatékony. Sajátítsd el ezeket a készségeket, hogy felépítsd a következő generációs intelligens alkalmazásokat.
Csapatunk más kurzusokat is készít! Nézd meg:
Ha elakad, vagy bármilyen kérdése van az AI alkalmazások fejlesztésével kapcsolatban, csatlakozzon:
Ha termék-visszajelzése vagy hibái vannak a fejlesztés során, látogasson el ide:
Jogi nyilatkozat:
Ez a dokumentum az Co-op Translator mesterséges intelligencia fordító szolgáltatásával készült. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások tartalmazhatnak hibákat vagy pontatlanságokat. Az eredeti dokumentum az anyanyelvén az irányadó forrás. Kritikus információk esetén professzionális emberi fordítást javaslunk. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy félremagyarázásokért.