STUDY_GUIDE.md

ਐਜਏਆਈ ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ: ਸਿੱਖਣ ਦੇ ਰਾਹ ਅਤੇ ਅਧਿਐਨ ਸਮਾਂਸੂਚੀ

ਕੇਂਦ੍ਰਿਤ ਸਿੱਖਣ ਰਾਹ (1 ਹਫ਼ਤਾ)

ਦਿਨ	ਕੇਂਦਰਿਤ ਵਿਸ਼ਾ	ਅਨੁਮਾਨਿਤ ਘੰਟੇ
ਦਿਨ 0	ਮਾਡਿਊਲ 0: ਐਜਏਆਈ ਦਾ ਪਰਿਚਯ	1-2 ਘੰਟੇ
ਦਿਨ 1	ਮਾਡਿਊਲ 1: ਐਜਏਆਈ ਮੁੱਢਲੇ ਸਿਧਾਂਤ	3 ਘੰਟੇ
ਦਿਨ 2	ਮਾਡਿਊਲ 2: SLM ਬੁਨਿਆਦਾਂ	3 ਘੰਟੇ
ਦਿਨ 3	ਮਾਡਿਊਲ 3: SLM ਤੈਨਾਤੀ	2 ਘੰਟੇ
ਦਿਨ 4-5	ਮਾਡਿਊਲ 4: ਮਾਡਲ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ (6 ਫਰੇਮਵਰਕ)	4 ਘੰਟੇ
ਦਿਨ 6	ਮਾਡਿਊਲ 5: SLMOps	3 ਘੰਟੇ
ਦਿਨ 7	ਮਾਡਿਊਲ 6-7: AI ਏਜੰਟ ਅਤੇ ਵਿਕਾਸ ਟੂਲ	4 ਘੰਟੇ
ਦਿਨ 8	ਮਾਡਿਊਲ 8: ਫਾਉਂਡਰੀ ਲੋਕਲ ਟੂਲਕਿਟ (ਆਧੁਨਿਕ ਲਾਗੂਕਰਨ)	1 ਘੰਟਾ

ਕੇਂਦ੍ਰਿਤ ਸਿੱਖਣ ਰਾਹ (2 ਹਫ਼ਤੇ)

ਦਿਨ	ਕੇਂਦਰਿਤ ਵਿਸ਼ਾ	ਅਨੁਮਾਨਿਤ ਘੰਟੇ
ਦਿਨ 1-2	ਮਾਡਿਊਲ 1: ਐਜਏਆਈ ਮੁੱਢਲੇ ਸਿਧਾਂਤ	3 ਘੰਟੇ
ਦਿਨ 3-4	ਮਾਡਿਊਲ 2: SLM ਬੁਨਿਆਦਾਂ	3 ਘੰਟੇ
ਦਿਨ 5-6	ਮਾਡਿਊਲ 3: SLM ਤੈਨਾਤੀ	2 ਘੰਟੇ
ਦਿਨ 7-8	ਮਾਡਿਊਲ 4: ਮਾਡਲ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ	4 ਘੰਟੇ
ਦਿਨ 9-10	ਮਾਡਿਊਲ 5: SLMOps	3 ਘੰਟੇ
ਦਿਨ 11-12	ਮਾਡਿਊਲ 6: AI ਏਜੰਟ	2 ਘੰਟੇ
ਦਿਨ 13-14	ਮਾਡਿਊਲ 7: ਵਿਕਾਸ ਟੂਲ	3 ਘੰਟੇ

ਅਰਧ-ਕਾਲਕ ਸਟੱਡੀ (4 ਹਫ਼ਤੇ)

ਹਫ਼ਤਾ	ਕੇਂਦਰਿਤ ਵਿਸ਼ਾ	ਅਨੁਮਾਨਿਤ ਘੰਟੇ
ਹਫ਼ਤਾ 1	ਮਾਡਿਊਲ 1-2: ਮੁੱਢਲੇ ਸਿਧਾਂਤ ਅਤੇ SLM ਬੁਨਿਆਦਾਂ	6 ਘੰਟੇ
ਹਫ਼ਤਾ 2	ਮਾਡਿਊਲ 3-4: ਤੈਨਾਤੀ ਅਤੇ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ	6 ਘੰਟੇ
ਹਫ਼ਤਾ 3	ਮਾਡਿਊਲ 5-6: SLMOps ਅਤੇ AI ਏਜੰਟ	5 ਘੰਟੇ
ਹਫ਼ਤਾ 4	ਮਾਡਿਊਲ 7: ਵਿਕਾਸ ਟੂਲ ਅਤੇ ਇੰਟੀਗ੍ਰੇਸ਼ਨ	3 ਘੰਟੇ

ਦਿਨ	ਕੇਂਦਰਿਤ ਵਿਸ਼ਾ	ਅਨੁਮਾਨਿਤ ਘੰਟੇ
ਦਿਨ 0	ਮਾਡਿਊਲ 0: ਐਜਏਆਈ ਦਾ ਪਰਿਚਯ	1-2 ਘੰਟੇ
ਦਿਨ 1-2	ਮਾਡਿਊਲ 1: ਐਜਏਆਈ ਮੁੱਢਲੇ ਸਿਧਾਂਤ	3 ਘੰਟੇ
ਦਿਨ 3-4	ਮਾਡਿਊਲ 2: SLM ਬੁਨਿਆਦਾਂ	3 ਘੰਟੇ
ਦਿਨ 5-6	ਮਾਡਿਊਲ 3: SLM ਤੈਨਾਤੀ	2 ਘੰਟੇ
ਦਿਨ 7-8	ਮਾਡਿਊਲ 4: ਮਾਡਲ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ	4 ਘੰਟੇ
ਦਿਨ 9-10	ਮਾਡਿਊਲ 5: SLMOps	3 ਘੰਟੇ
ਦਿਨ 11-12	ਮਾਡਿਊਲ 6: SLM ਏਜੰਟਿਕ ਸਿਸਟਮ	2 ਘੰਟੇ
ਦਿਨ 13-14	ਮਾਡਿਊਲ 7: ਐਜਏਆਈ ਲਾਗੂਕਰਨ ਦੇ ਨਮੂਨੇ	2 ਘੰਟੇ

ਮਾਡਿਊਲ	ਪੂਰਨ ਤਾਰੀਖ	ਲਗਾਏ ਘੰਟੇ	ਮੁੱਖ ਸਿੱਖਣ
ਮਾਡਿਊਲ 0: ਐਜਏਆਈ ਦਾ ਪਰਿਚਯ
ਮਾਡਿਊਲ 1: ਐਜਏਆਈ ਮੁੱਢਲੇ ਸਿਧਾਂਤ
ਮਾਡਿਊਲ 2: SLM ਬੁਨਿਆਦਾਂ
ਮਾਡਿਊਲ 3: SLM ਤੈਨਾਤੀ
ਮਾਡਿਊਲ 4: ਮਾਡਲ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ (6 ਫਰੇਮਵਰਕ)
ਮਾਡਿਊਲ 5: SLMOps
ਮਾਡਿਊਲ 6: SLM ਏਜੰਟਿਕ ਸਿਸਟਮ
ਮਾਡਿਊਲ 7: ਐਜਏਆਈ ਲਾਗੂਕਰਨ ਦੇ ਨਮੂਨੇ
ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ
ਮਿਨੀ-ਪ੍ਰੋਜੈਕਟ

ਅਰਧ-ਕਾਲਕ ਸਟੱਡੀ (4 ਹਫ਼ਤੇ)

ਹਫ਼ਤਾ	ਕੇਂਦਰਿਤ ਵਿਸ਼ਾ	ਅਨੁਮਾਨਿਤ ਘੰਟੇ
ਹਫ਼ਤਾ 1	ਮਾਡਿਊਲ 1-2: ਮੁੱਢਲੇ ਸਿਧਾਂਤ ਅਤੇ SLM ਬੁਨਿਆਦਾਂ	6 ਘੰਟੇ
ਹਫ਼ਤਾ 2	ਮਾਡਿਊਲ 3-4: ਤੈਨਾਤੀ ਅਤੇ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ	6 ਘੰਟੇ
ਹਫ਼ਤਾ 3	ਮਾਡਿਊਲ 5-6: SLMOps ਅਤੇ AI ਏਜੰਟ	5 ਘੰਟੇ
ਹਫ਼ਤਾ 4	ਮਾਡਿਊਲ 7: ਵਿਕਾਸ ਟੂਲ ਅਤੇ ਇੰਟੀਗ੍ਰੇਸ਼ਨ	3 ਘੰਟੇ

ਪਰਿਚਯ

ਐਜਏਆਈ ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਸਟੱਡੀ ਗਾਈਡ ਵਿੱਚ ਤੁਹਾਡਾ ਸਵਾਗਤ ਹੈ! ਇਹ ਦਸਤਾਵੇਜ਼ ਤੁਹਾਨੂੰ ਕੋਰਸ ਸਮੱਗਰੀ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸਮਝਣ ਅਤੇ ਆਪਣੇ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵ ਨੂੰ ਵਧਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਸੰਗਠਿਤ ਸਿੱਖਣ ਦੇ ਰਾਹ, ਸੁਝਾਏ ਗਏ ਅਧਿਐਨ ਸਮਾਂਸੂਚੀਆਂ, ਮੁੱਖ ਸਿਧਾਂਤਾਂ ਦੇ ਸਾਰ, ਅਤੇ ਐਜਏਆਈ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਗਹਿਰਾਈ ਨਾਲ ਸਮਝਣ ਲਈ ਪੂਰਕ ਸਾਧਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਇਹ ਇੱਕ ਸੰਕੁਚਿਤ 20-ਘੰਟੇ ਦਾ ਕੋਰਸ ਹੈ ਜੋ ਐਜਏਆਈ ਬਾਰੇ ਜ਼ਰੂਰੀ ਗਿਆਨ ਨੂੰ ਸਮੇਂ-ਕੁਸ਼ਲ ਫਾਰਮੈਟ ਵਿੱਚ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜੋ ਵਿਅਸਤ ਪੇਸ਼ੇਵਰਾਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਬਹੁਤ ਹੀ ਉਚਿਤ ਹੈ ਜੋ ਇਸ ਉਭਰ ਰਹੀ ਖੇਤਰ ਵਿੱਚ ਜਲਦੀ ਪ੍ਰਯੋਗਿਕ ਹੁਨਰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ।

ਕੋਰਸ ਝਲਕ

ਇਹ ਕੋਰਸ ਅੱਠ ਵਿਸਤ੍ਰਿਤ ਮਾਡਿਊਲਾਂ ਵਿੱਚ ਵਿਭਾਜਿਤ ਹੈ:

0. ਐਜਏਆਈ ਦਾ ਪਰਿਚਯ - ਉਦਯੋਗੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ਾਂ ਨਾਲ ਬੁਨਿਆਦ ਅਤੇ ਸੰਦਰਭ ਸੈਟਿੰਗ
1. ਐਜਏਆਈ ਮੁੱਢਲੇ ਸਿਧਾਂਤ ਅਤੇ ਬਦਲਾਅ - ਮੁੱਖ ਸਿਧਾਂਤਾਂ ਅਤੇ ਤਕਨਾਲੋਜੀ ਬਦਲਾਅ ਨੂੰ ਸਮਝਣਾ
2. ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੀਆਂ ਬੁਨਿਆਦਾਂ - ਵੱਖ-ਵੱਖ SLM ਪਰਿਵਾਰਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਆਰਕੀਟੈਕਚਰਾਂ ਦੀ ਪੜਚੋਲ
3. ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੀ ਤੈਨਾਤੀ - ਪ੍ਰਯੋਗਿਕ ਤੈਨਾਤੀ ਰਣਨੀਤੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ
4. ਮਾਡਲ ਫਾਰਮੈਟ ਕਨਵਰਜਨ ਅਤੇ ਮਾਤਰਾ ਘਟਾਉਣਾ - 6 ਫਰੇਮਵਰਕਾਂ ਨਾਲ ਉੱਚ-ਪੱਧਰੀ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ
5. SLMOps - ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੇ ਸੰਚਾਲਨ - ਉਤਪਾਦਨ ਜੀਵਨਚੱਕਰ ਪ੍ਰਬੰਧਨ ਅਤੇ ਤੈਨਾਤੀ
6. SLM ਏਜੰਟਿਕ ਸਿਸਟਮ - AI ਏਜੰਟ, ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ, ਅਤੇ ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ
7. ਐਜਏਆਈ ਲਾਗੂਕਰਨ ਦੇ ਨਮੂਨੇ - AI ਟੂਲਕਿਟ, Windows ਵਿਕਾਸ, ਅਤੇ ਪਲੇਟਫਾਰਮ-ਵਿਸ਼ੇਸ਼ ਲਾਗੂਕਰਨ
8. ਮਾਈਕਰੋਸਾਫਟ ਫਾਉਂਡਰੀ ਲੋਕਲ – ਪੂਰਾ ਡਿਵੈਲਪਰ ਟੂਲਕਿਟ - ਹਾਈਬ੍ਰਿਡ ਐਜ਼ਰ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਨਾਲ ਲੋਕਲ-ਪਹਿਲਾਂ ਵਿਕਾਸ (ਮਾਡਿਊਲ 08)

ਇਸ ਸਟੱਡੀ ਗਾਈਡ ਨੂੰ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ

• ਤਰੱਕੀਵਾਦੀ ਸਿੱਖਣ: ਸਭ ਤੋਂ ਸੰਗਠਿਤ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵ ਲਈ ਮਾਡਿਊਲਾਂ ਨੂੰ ਕ੍ਰਮਵਾਰ ਪੂਰਾ ਕਰੋ
• ਗਿਆਨ ਦੇ ਚੌਕੀਦਾਰ: ਹਰ ਭਾਗ ਦੇ ਬਾਅਦ ਸਵੈ-ਮੁਲਾਂਕਣ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ
• ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ: ਸਿਧਾਂਤਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਸੁਝਾਏ ਗਏ ਅਭਿਆਸ ਪੂਰੇ ਕਰੋ
• ਪੂਰਕ ਸਾਧਨ: ਉਹ ਵਿਸ਼ੇ ਜੋ ਤੁਹਾਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਦਿਲਚਸਪ ਲੱਗਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਲਈ ਵਾਧੂ ਸਮੱਗਰੀ ਦੀ ਪੜਚੋਲ ਕਰੋ

ਅਧਿਐਨ ਸਮਾਂਸੂਚੀ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ

ਕੇਂਦ੍ਰਿਤ ਸਿੱਖਣ ਰਾਹ (1 ਹਫ਼ਤਾ)

ਦਿਨ	ਕੇਂਦਰਿਤ ਵਿਸ਼ਾ	ਅਨੁਮਾਨਿਤ ਘੰਟੇ
ਦਿਨ 0	ਮਾਡਿਊਲ 0: ਐਜਏਆਈ ਦਾ ਪਰਿਚਯ	1-2 ਘੰਟੇ
ਦਿਨ 1-2	ਮਾਡਿਊਲ 1: ਐਜਏਆਈ ਮੁੱਢਲੇ ਸਿਧਾਂਤ	6 ਘੰਟੇ
ਦਿਨ 3-4	ਮਾਡਿਊਲ 2: SLM ਬੁਨਿਆਦਾਂ	8 ਘੰਟੇ
ਦਿਨ 5	ਮਾਡਿਊਲ 3: SLM ਤੈਨਾਤੀ	3 ਘੰਟੇ
ਦਿਨ 6	ਮਾਡਿਊਲ 8: ਫਾਉਂਡਰੀ ਲੋਕਲ ਟੂਲਕਿਟ	3 ਘੰਟੇ

ਅਰਧ-ਕਾਲਕ ਸਟੱਡੀ (3 ਹਫ਼ਤੇ)

ਹਫ਼ਤਾ	ਕੇਂਦਰਿਤ ਵਿਸ਼ਾ	ਅਨੁਮਾਨਿਤ ਘੰਟੇ
ਹਫ਼ਤਾ 1	ਮਾਡਿਊਲ 0: ਪਰਿਚਯ + ਮਾਡਿਊਲ 1: ਐਜਏਆਈ ਮੁੱਢਲੇ ਸਿਧਾਂਤ	7-9 ਘੰਟੇ
ਹਫ਼ਤਾ 2	ਮਾਡਿਊਲ 2: SLM ਬੁਨਿਆਦਾਂ	7-8 ਘੰਟੇ
ਹਫ਼ਤਾ 3	ਮਾਡਿਊਲ 3: SLM ਤੈਨਾਤੀ (3 ਘੰਟੇ) + ਮਾਡਿਊਲ 8: ਫਾਉਂਡਰੀ ਲੋਕਲ ਟੂਲਕਿਟ (2-3 ਘੰਟੇ)	5-6 ਘੰਟੇ

ਮਾਡਿਊਲ 0: ਐਜਏਆਈ ਦਾ ਪਰਿਚਯ

ਮੁੱਖ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼

• ਸਮਝੋ ਕਿ ਐਜਏਆਈ ਕੀ ਹੈ ਅਤੇ ਇਹ ਅੱਜ ਦੀ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
• ਉਹ ਮੁੱਖ ਉਦਯੋਗ ਪਛਾਣੋ ਜੋ ਐਜਏਆਈ ਦੁਆਰਾ ਬਦਲੇ ਗਏ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਵਿਸ਼ੇਸ਼ ਉਪਯੋਗ
• ਸਮਝੋ ਕਿ ਐਜ ਤੈਨਾਤੀ ਲਈ ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ (SLMs) ਕਿਵੇਂ ਲਾਭਦਾਇਕ ਹਨ
• ਪੂਰੇ ਕੋਰਸ ਲਈ ਸਪਸ਼ਟ ਸਿੱਖਣ ਦੀਆਂ ਉਮੀਦਾਂ ਅਤੇ ਨਤੀਜੇ ਸਥਾਪਿਤ ਕਰੋ
• ਐਜਏਆਈ ਖੇਤਰ ਵਿੱਚ ਕਰੀਅਰ ਦੇ ਮੌਕੇ ਅਤੇ ਹੁਨਰ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਪਛਾਣੋ

ਅਧਿਐਨ ਦੇ ਕੇਂਦਰਿਤ ਖੇਤਰ

ਭਾਗ 1: ਐਜਏਆਈ ਪੈਰਾਡਾਈਮ ਅਤੇ ਪਰਿਭਾਸ਼ਾ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸਿਧਾਂਤ:
  • ਐਜਏਆਈ ਅਤੇ ਰਵਾਇਤੀ ਕਲਾਉਡ ਐਆਈ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਅੰਤਰ
  • ਹਾਰਡਵੇਅਰ, ਮਾਡਲ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ, ਅਤੇ ਕਾਰੋਬਾਰੀ ਮੰਗਾਂ ਦਾ ਮਿਲਾਪ
  • ਰੀਅਲ-ਟਾਈਮ, ਗੋਪਨੀਯਤਾ-ਸੰਭਾਲਣ ਵਾਲੀ, ਅਤੇ ਲਾਗਤ-ਕੁਸ਼ਲ ਐਆਈ ਤੈਨਾਤੀ

ਭਾਗ 2: ਉਦਯੋਗੀ ਐਪਲੀਕੇਸ਼ਨ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸਿਧਾਂਤ:
  • ਮੈਨੂਫੈਕਚਰਿੰਗ ਅਤੇ ਇੰਡਸਟਰੀ 4.0: ਪੂਰਵ-ਭਵਿੱਖਵਾਣੀ ਰੱਖ-ਰਖਾਵ ਅਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ
  • ਸਿਹਤ ਸੇਵਾਵਾਂ: ਨਿਦਾਨਕ ਚਿੱਤਰਕਲਾ ਅਤੇ ਮਰੀਜ਼ ਦੀ ਨਿਗਰਾਨੀ
  • ਸਵੈ-ਚਲਾਉਣ ਵਾਲੇ ਸਿਸਟਮ: ਸਵੈ-ਚਲਾਉਣ ਵਾਲੀਆਂ ਗੱਡੀਆਂ ਅਤੇ ਆਵਾਜਾਈ
  • ਸਮਾਰਟ ਸ਼ਹਿਰ: ਟ੍ਰੈਫਿਕ ਪ੍ਰਬੰਧਨ ਅਤੇ ਜਨਤਕ ਸੁਰੱਖਿਆ
  • ਉਪਭੋਗਤਾ ਤਕਨਾਲੋਜੀ: ਸਮਾਰਟਫੋਨ, ਵਿਆਰਬਲ, ਅਤੇ ਸਮਾਰਟ ਘਰ

ਭਾਗ 3: ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੀ ਬੁਨਿਆਦ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸਿਧਾਂਤ:
  • SLM ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ
  • ਪੈਰਾਮੀਟਰ ਕੁਸ਼ਲਤਾ ਅਤੇ ਸਮਰੱਥਾ ਦੇ ਵਿਚਕਾਰ ਸਮਝੌਤਾ
  • ਐਜ ਤੈਨਾਤੀ ਦੀਆਂ ਰੋਕਾਵਟਾਂ ਅਤੇ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਰਣਨੀਤੀਆਂ

ਭਾਗ 4: ਸਿੱਖਣ ਦਾ ਢਾਂਚਾ ਅਤੇ ਕਰੀਅਰ ਰਾਹ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸਿਧਾਂਤ:
  • ਕੋਰਸ ਦਾ ਢਾਂਚਾ ਅਤੇ ਤਰੱਕੀਵਾਦੀ ਮਾਹਰਤਾ ਪਹੁੰਚ
  • ਤਕਨੀਕੀ ਹੁਨਰ ਅਤੇ ਪ੍ਰਯੋਗਿਕ ਲਾਗੂਕਰਨ ਦੇ ਉਦੇਸ਼
  • ਕਰੀਅਰ ਉੱਨਤੀ ਦੇ ਮੌਕੇ ਅਤੇ ਉਦਯੋਗੀ ਐਪਲੀਕੇਸ਼ਨ

ਸਵੈ-ਮੁਲਾਂਕਣ ਪ੍ਰਸ਼ਨ

1. ਉਹ ਤਿੰਨ ਮੁੱਖ ਤਕਨਾਲੋਜੀ ਰੁਝਾਨ ਕਿਹੜੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੇ ਐਜਏਆਈ ਨੂੰ ਯੋਗ ਬਣਾਇਆ ਹੈ?
2. ਐਜਏਆਈ ਅਤੇ ਕਲਾਉਡ-ਅਧਾਰਤ ਐਆਈ ਦੇ ਫਾਇਦੇ ਅਤੇ ਚੁਣੌਤੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ।
3. ਉਹ ਤਿੰਨ ਉਦਯੋਗ ਕਿਹੜੇ ਹਨ ਜਿੱਥੇ ਐਜਏਆਈ ਮਹੱਤਵਪੂਰਨ ਕਾਰੋਬਾਰੀ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ ਕਿਉਂ?
4. ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਐਜਏਆਈ ਨੂੰ ਹਕੀਕਤ ਵਿੱਚ ਕਿਵੇਂ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ?
6. Windows ਨਾਲ Mu ਮਾਡਲ ਦੇ ਵਿਲੱਖਣ ਫਾਇਦੇ ਕੀ ਹਨ?
7. Phi-Silica NPU ਹਾਰਡਵੇਅਰ ਨੂੰ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਕਿਵੇਂ ਵਰਤਦਾ ਹੈ?
8. ਜੇਕਰ ਇੱਕ ਮੋਬਾਈਲ ਐਪਲੀਕੇਸ਼ਨ ਸੀਮਿਤ ਕਨੈਕਟਿਵਿਟੀ ਨਾਲ ਹੈ, ਤਾਂ ਕਿਹੜਾ ਮਾਡਲ ਪਰਿਵਾਰ ਸਭ ਤੋਂ ਉਚਿਤ ਹੋਵੇਗਾ ਅਤੇ ਕਿਉਂ?

ਪ੍ਰੈਕਟਿਕਲ ਅਭਿਆਸ

1. ਮਾਡਲ ਦੀ ਤੁਲਨਾ: ਦੋ ਵੱਖ-ਵੱਖ SLM ਮਾਡਲਾਂ ਦਾ ਤੇਜ਼ ਬੈਂਚਮਾਰਕ (1 ਘੰਟਾ)
2. ਸਰਲ ਟੈਕਸਟ ਜਨਰੇਸ਼ਨ: ਛੋਟੇ ਮਾਡਲ ਨਾਲ ਟੈਕਸਟ ਜਨਰੇਸ਼ਨ ਦੀ ਬੁਨਿਆਦੀ ਲਾਗੂ ਕਰਨਾ (1 ਘੰਟਾ)
3. ਤੇਜ਼ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ: ਇੰਫਰੈਂਸ ਗਤੀ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਇੱਕ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕ ਲਾਗੂ ਕਰੋ (1 ਘੰਟਾ)

ਮੋਡੀਊਲ 3: ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੀ ਤਾਇਨਾਤੀ

ਮੁੱਖ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼

• ਤਾਇਨਾਤੀ ਦੀਆਂ ਪਾਬੰਦੀਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਉਚਿਤ ਮਾਡਲ ਚੁਣੋ
• ਵੱਖ-ਵੱਖ ਤਾਇਨਾਤੀ ਸਥਿਤੀਆਂ ਲਈ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਵਿੱਚ ਮਾਹਰ ਬਣੋ
• SLM ਨੂੰ ਸਥਾਨਕ ਅਤੇ ਕਲਾਉਡ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰੋ
• EdgeAI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਉਤਪਾਦਨ-ਤਿਆਰ ਸੰਰਚਨਾਵਾਂ ਡਿਜ਼ਾਈਨ ਕਰੋ

ਅਧਿਐਨ ਦੇ ਕੇਂਦਰੀ ਖੇਤਰ

ਸੈਕਸ਼ਨ 1: SLM ਉੱਚ-ਪੱਧਰੀ ਸਿੱਖਿਆ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਪੈਰਾਮੀਟਰ ਵਰਗੀਕਰਨ ਫਰੇਮਵਰਕ
  • ਉੱਚ-ਪੱਧਰੀ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ
  • ਮਾਡਲ ਪ੍ਰਾਪਤੀ ਰਣਨੀਤੀਆਂ

ਸੈਕਸ਼ਨ 2: ਸਥਾਨਕ ਵਾਤਾਵਰਣ ਤਾਇਨਾਤੀ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • Ollama ਪਲੇਟਫਾਰਮ ਤਾਇਨਾਤੀ
  • Microsoft Foundry ਸਥਾਨਕ ਹੱਲ
  • ਫਰੇਮਵਰਕ ਦੀ ਤੁਲਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ

ਸੈਕਸ਼ਨ 3: ਕੰਟੇਨਰਾਈਜ਼ਡ ਕਲਾਉਡ ਤਾਇਨਾਤੀ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • vLLM ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਇੰਫਰੈਂਸ
  • ਕੰਟੇਨਰ ਆਰਕੇਸਟ੍ਰੇਸ਼ਨ
  • ONNX Runtime ਲਾਗੂ ਕਰਨਾ

ਖੁਦ-ਮੁਲਾਂਕਣ ਪ੍ਰਸ਼ਨ

1. ਸਥਾਨਕ ਤਾਇਨਾਤੀ ਅਤੇ ਕਲਾਉਡ ਤਾਇਨਾਤੀ ਵਿਚਕਾਰ ਚੋਣ ਕਰਦੇ ਸਮੇਂ ਕਿਹੜੇ ਕਾਰਕ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੇ ਚਾਹੀਦੇ ਹਨ?
2. Ollama ਅਤੇ Microsoft Foundry Local ਨੂੰ ਤਾਇਨਾਤੀ ਦੇ ਵਿਕਲਪਾਂ ਵਜੋਂ ਤੁਲਨਾ ਕਰੋ।
3. SLM ਤਾਇਨਾਤੀ ਲਈ ਕੰਟੇਨਰਾਈਜ਼ੇਸ਼ਨ ਦੇ ਫਾਇਦੇ ਕੀ ਹਨ?
4. Edge 'ਤੇ ਤਾਇਨਾਤ SLM ਲਈ ਮੁੱਖ ਪ੍ਰਦਰਸ਼ਨ ਮਾਪਦੰਡ ਕੀ ਹਨ?
5. ਮਾਡਲ ਚੋਣ ਤੋਂ ਲੈ ਕੇ ਉਤਪਾਦਨ ਤਾਇਨਾਤੀ ਤੱਕ ਪੂਰੀ ਵਰਕਫਲੋ ਦਾ ਵਰਣਨ ਕਰੋ।

ਪ੍ਰੈਕਟਿਕਲ ਅਭਿਆਸ

1. ਬੁਨਿਆਦੀ ਸਥਾਨਕ ਤਾਇਨਾਤੀ: Ollama ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਸਧਾਰਨ SLM ਤਾਇਨਾਤ ਕਰੋ (1 ਘੰਟਾ)
2. ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਜਾਂਚ: ਆਪਣੇ ਤਾਇਨਾਤ ਮਾਡਲ 'ਤੇ ਇੱਕ ਤੇਜ਼ ਬੈਂਚਮਾਰਕ ਚਲਾਓ (30 ਮਿੰਟ)
3. ਸਰਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ: ਆਪਣੇ ਤਾਇਨਾਤ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਘੱਟੋ-ਘੱਟ ਐਪਲੀਕੇਸ਼ਨ ਬਣਾਓ (1 ਘੰਟਾ)

ਮੋਡੀਊਲ 4: ਮਾਡਲ ਫਾਰਮੈਟ ਕਨਵਰਜ਼ਨ ਅਤੇ ਕਵਾਂਟਾਈਜ਼ੇਸ਼ਨ

ਮੁੱਖ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼

• 1-ਬਿਟ ਤੋਂ 8-ਬਿਟ ਪ੍ਰਿਸੀਜ਼ਨ ਤੱਕ ਉੱਚ-ਪੱਧਰੀ ਕਵਾਂਟਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਵਿੱਚ ਮਾਹਰ ਬਣੋ
• ਫਾਰਮੈਟ ਕਨਵਰਜ਼ਨ ਰਣਨੀਤੀਆਂ ਨੂੰ ਸਮਝੋ (GGUF, ONNX)
• ਛੇ ਫਰੇਮਵਰਕਾਂ ਵਿੱਚ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਲਾਗੂ ਕਰੋ (Llama.cpp, Olive, OpenVINO, MLX, ਵਰਕਫਲੋ ਸਿੰਥੇਸਿਸ)
• ਇੰਟੈਲ, ਐਪਲ ਅਤੇ ਕ੍ਰਾਸ-ਪਲੇਟਫਾਰਮ ਹਾਰਡਵੇਅਰ 'ਤੇ ਉਤਪਾਦਨ ਲਈ ਅਪਟਿਮਾਈਜ਼ਡ ਮਾਡਲ ਤਾਇਨਾਤ ਕਰੋ

ਅਧਿਐਨ ਦੇ ਕੇਂਦਰੀ ਖੇਤਰ

ਸੈਕਸ਼ਨ 1: ਕਵਾਂਟਾਈਜ਼ੇਸ਼ਨ ਦੀਆਂ ਬੁਨਿਆਦਾਂ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਪ੍ਰਿਸੀਜ਼ਨ ਵਰਗੀਕਰਨ ਫਰੇਮਵਰਕ
  • ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੇ ਵਿਚਕਾਰ ਸਮਝੌਤਾ
  • ਮੈਮੋਰੀ ਫੁਟਪ੍ਰਿੰਟ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ

ਸੈਕਸ਼ਨ 2: Llama.cpp ਲਾਗੂ ਕਰਨਾ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਕ੍ਰਾਸ-ਪਲੇਟਫਾਰਮ ਤਾਇਨਾਤੀ
  • GGUF ਫਾਰਮੈਟ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ
  • ਹਾਰਡਵੇਅਰ ਐਕਸਲੇਰੇਸ਼ਨ ਤਕਨੀਕਾਂ

ਸੈਕਸ਼ਨ 3: Microsoft Olive Suite

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਹਾਰਡਵੇਅਰ-ਅਵੇਅਰ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ
  • ਐਨਟਰਪ੍ਰਾਈਜ਼-ਗ੍ਰੇਡ ਤਾਇਨਾਤੀ
  • ਆਟੋਮੇਟਡ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਵਰਕਫਲੋਜ਼

ਸੈਕਸ਼ਨ 4: OpenVINO ਟੂਲਕਿਟ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਇੰਟੈਲ ਹਾਰਡਵੇਅਰ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ
  • ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੰਪ੍ਰੈਸ਼ਨ ਫਰੇਮਵਰਕ (NNCF)
  • ਕ੍ਰਾਸ-ਪਲੇਟਫਾਰਮ ਇੰਫਰੈਂਸ ਤਾਇਨਾਤੀ
  • OpenVINO GenAI ਲਈ LLM ਤਾਇਨਾਤੀ

ਸੈਕਸ਼ਨ 5: Apple MLX Framework

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਐਪਲ ਸਿਲਿਕਾਨ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ
  • ਯੂਨਿਫਾਈਡ ਮੈਮੋਰੀ ਆਰਕੀਟੈਕਚਰ
  • LoRA ਫਾਈਨ-ਟਿਊਨਿੰਗ ਸਮਰੱਥਾਵਾਂ

ਸੈਕਸ਼ਨ 6: Edge AI ਵਿਕਾਸ ਵਰਕਫਲੋ ਸਿੰਥੇਸਿਸ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਯੂਨਿਫਾਈਡ ਵਰਕਫਲੋ ਆਰਕੀਟੈਕਚਰ
  • ਫਰੇਮਵਰਕ ਚੋਣ ਫੈਸਲੇ ਦੇ ਰੁੱਖ
  • ਉਤਪਾਦਨ ਤਿਆਰੀ ਦੀ ਪੁਸ਼ਟੀ
  • ਭਵਿੱਖ-ਪ੍ਰਮਾਣ ਰਣਨੀਤੀਆਂ

ਖੁਦ-ਮੁਲਾਂਕਣ ਪ੍ਰਸ਼ਨ

1. ਵੱਖ-ਵੱਖ ਪ੍ਰਿਸੀਜ਼ਨ ਪੱਧਰਾਂ (1-ਬਿਟ ਤੋਂ 8-ਬਿਟ) ਵਿੱਚ ਕਵਾਂਟਾਈਜ਼ੇਸ਼ਨ ਰਣਨੀਤੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ।
2. Edge ਤਾਇਨਾਤੀ ਲਈ GGUF ਫਾਰਮੈਟ ਦੇ ਫਾਇਦੇ ਸਮਝਾਓ।
3. Microsoft Olive ਵਿੱਚ ਹਾਰਡਵੇਅਰ-ਅਵੇਅਰ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਤਾਇਨਾਤੀ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰਦਾ ਹੈ?
4. ਮਾਡਲ ਕੰਪ੍ਰੈਸ਼ਨ ਲਈ OpenVINO ਦੇ NNCF ਦੇ ਮੁੱਖ ਫਾਇਦੇ ਕੀ ਹਨ?
5. Apple MLX ਯੂਨਿਫਾਈਡ ਮੈਮੋਰੀ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਲਈ ਕਿਵੇਂ ਵਰਤਦਾ ਹੈ?
6. ਵਰਕਫਲੋ ਸਿੰਥੇਸਿਸ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਫਰੇਮਵਰਕ ਦੀ ਚੋਣ ਵਿੱਚ ਕਿਵੇਂ ਮਦਦ ਕਰਦਾ ਹੈ?

ਪ੍ਰੈਕਟਿਕਲ ਅਭਿਆਸ

1. ਮਾਡਲ ਕਵਾਂਟਾਈਜ਼ੇਸ਼ਨ: ਇੱਕ ਮਾਡਲ 'ਤੇ ਵੱਖ-ਵੱਖ ਕਵਾਂਟਾਈਜ਼ੇਸ਼ਨ ਪੱਧਰ ਲਾਗੂ ਕਰੋ ਅਤੇ ਨਤੀਜੇ ਦੀ ਤੁਲਨਾ ਕਰੋ (1 ਘੰਟਾ)
2. OpenVINO ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ: NNCF ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੰਟੈਲ ਹਾਰਡਵੇਅਰ ਲਈ ਇੱਕ ਮਾਡਲ ਨੂੰ ਕੰਪ੍ਰੈੱਸ ਕਰੋ (1 ਘੰਟਾ)
3. ਫਰੇਮਵਰਕ ਦੀ ਤੁਲਨਾ: ਤਿੰਨ ਵੱਖ-ਵੱਖ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਫਰੇਮਵਰਕਾਂ 'ਤੇ ਇੱਕੋ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕਰੋ (1 ਘੰਟਾ)
4. ਪ੍ਰਦਰਸ਼ਨ ਬੈਂਚਮਾਰਕਿੰਗ: ਇੰਫਰੈਂਸ ਗਤੀ ਅਤੇ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ 'ਤੇ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪੋ (1 ਘੰਟਾ)

ਮੋਡੀਊਲ 5: SLMOps - ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਓਪਰੇਸ਼ਨ

ਮੁੱਖ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼

• SLMOps ਲਾਈਫਸਾਈਕਲ ਪ੍ਰਬੰਧਨ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝੋ
• Edge ਤਾਇਨਾਤੀ ਲਈ ਡਿਸਟਿਲੇਸ਼ਨ ਅਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਤਕਨੀਕਾਂ ਵਿੱਚ ਮਾਹਰ ਬਣੋ
• ਨਿਗਰਾਨੀ ਨਾਲ ਉਤਪਾਦਨ ਤਾਇਨਾਤੀ ਰਣਨੀਤੀਆਂ ਲਾਗੂ ਕਰੋ
• ਐਨਟਰਪ੍ਰਾਈਜ਼-ਗ੍ਰੇਡ SLM ਓਪਰੇਸ਼ਨ ਅਤੇ ਰੱਖ-ਰਖਾਅ ਦੇ ਵਰਕਫਲੋ ਬਣਾਓ

ਅਧਿਐਨ ਦੇ ਕੇਂਦਰੀ ਖੇਤਰ

ਸੈਕਸ਼ਨ 1: SLMOps ਦਾ ਪਰਚੇ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • AI ਓਪਰੇਸ਼ਨਾਂ ਵਿੱਚ SLMOps ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ
  • ਲਾਗਤ ਦੀ ਕੁਸ਼ਲਤਾ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ-ਪਹਿਲਾਂ ਆਰਕੀਟੈਕਚਰ
  • ਰਣਨੀਤਿਕ ਕਾਰੋਬਾਰੀ ਪ੍ਰਭਾਵ ਅਤੇ ਮੁਕਾਬਲੇ ਦੇ ਫਾਇਦੇ

ਸੈਕਸ਼ਨ 2: ਮਾਡਲ ਡਿਸਟਿਲੇਸ਼ਨ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਗਿਆਨ ਟ੍ਰਾਂਸਫਰ ਤਕਨੀਕਾਂ
  • ਦੋ-ਪੜਾਅ ਡਿਸਟਿਲੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਲਾਗੂ ਕਰਨਾ
  • Azure ML ਡਿਸਟਿਲੇਸ਼ਨ ਵਰਕਫਲੋਜ਼

ਸੈਕਸ਼ਨ 3: ਫਾਈਨ-ਟਿਊਨਿੰਗ ਰਣਨੀਤੀਆਂ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਪੈਰਾਮੀਟਰ-ਕੁਸ਼ਲ ਫਾਈਨ-ਟਿਊਨਿੰਗ (PEFT)
  • LoRA ਅਤੇ QLoRA ਉੱਚ-ਪੱਧਰੀ ਤਰੀਕੇ
  • ਮਲਟੀ-ਅਡਾਪਟਰ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ

ਸੈਕਸ਼ਨ 4: ਉਤਪਾਦਨ ਤਾਇਨਾਤੀ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਉਤਪਾਦਨ ਲਈ ਮਾਡਲ ਕਨਵਰਜ਼ਨ ਅਤੇ ਕਵਾਂਟਾਈਜ਼ੇਸ਼ਨ
  • Foundry Local ਤਾਇਨਾਤੀ ਸੰਰਚਨਾ
  • ਪ੍ਰਦਰਸ਼ਨ ਬੈਂਚਮਾਰਕਿੰਗ ਅਤੇ ਗੁਣਵੱਤਾ ਦੀ ਪੁਸ਼ਟੀ

ਖੁਦ-ਮੁਲਾਂਕਣ ਪ੍ਰਸ਼ਨ

1. SLMOps ਰਵਾਇਤੀ MLOps ਤੋਂ ਕਿਵੇਂ ਵੱਖ ਹੈ?
2. Edge ਤਾਇਨਾਤੀ ਲਈ ਮਾਡਲ ਡਿਸਟਿਲੇਸ਼ਨ ਦੇ ਫਾਇਦੇ ਸਮਝਾਓ।
3. ਸਰੋਤ-ਸੀਮਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ SLMs ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਲਈ ਮੁੱਖ ਵਿਚਾਰ ਕੀ ਹਨ?
4. Edge AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਪੂਰੀ ਉਤਪਾਦਨ ਤਾਇਨਾਤੀ ਪਾਈਪਲਾਈਨ ਦਾ ਵਰਣਨ ਕਰੋ।

ਪ੍ਰੈਕਟਿਕਲ ਅਭਿਆਸ

1. ਬੁਨਿਆਦੀ ਡਿਸਟਿਲੇਸ਼ਨ: ਇੱਕ ਵੱਡੇ ਟੀਚਰ ਮਾਡਲ ਤੋਂ ਇੱਕ ਛੋਟਾ ਮਾਡਲ ਬਣਾਓ (1 ਘੰਟਾ)
2. ਫਾਈਨ-ਟਿਊਨਿੰਗ ਪ੍ਰਯੋਗ: ਇੱਕ ਖਾਸ ਖੇਤਰ ਲਈ ਮਾਡਲ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰੋ (1 ਘੰਟਾ)
3. ਤਾਇਨਾਤੀ ਪਾਈਪਲਾਈਨ: ਮਾਡਲ ਤਾਇਨਾਤੀ ਲਈ ਇੱਕ ਬੁਨਿਆਦੀ CI/CD ਪਾਈਪਲਾਈਨ ਸੈੱਟ ਕਰੋ (1 ਘੰਟਾ)

Module 6: SLM Agentic Systems - AI Agents and Function Calling

ਮੁੱਖ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼

• ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ Edge ਵਾਤਾਵਰਣਾਂ ਲਈ ਬੁੱਧੀਮਾਨ AI ਏਜੰਟ ਬਣਾਓ
• ਸਿਸਟਮੈਟਿਕ ਵਰਕਫਲੋਜ਼ ਨਾਲ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਸਮਰੱਥਾਵਾਂ ਲਾਗੂ ਕਰੋ
• ਮਾਡਲ ਕਾਂਟੈਕਸਟ ਪ੍ਰੋਟੋਕੋਲ (MCP) ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਵਿੱਚ ਮਾਹਰ ਬਣੋ
• ਘੱਟ ਤੋਂ ਘੱਟ ਮਨੁੱਖੀ ਦਖਲ ਨਾਲ ਸੁਧਾਰਸ਼ੀਲ ਏਜੰਟਿਕ ਸਿਸਟਮ ਬਣਾਓ

ਅਧਿਐਨ ਦੇ ਕੇਂਦਰੀ ਖੇਤਰ

ਸੈਕਸ਼ਨ 1: AI ਏਜੰਟ ਅਤੇ SLM ਦੀਆਂ ਬੁਨਿਆਦਾਂ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਏਜੰਟ ਵਰਗੀਕਰਨ ਫਰੇਮਵਰਕ (ਰਿਫਲੈਕਸ, ਮਾਡਲ-ਅਧਾਰਿਤ, ਗੋਲ-ਅਧਾਰਿਤ, ਸਿੱਖਣ ਵਾਲੇ ਏਜੰਟ)
  • SLM ਅਤੇ LLM ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
  • Edge-ਖਾਸ ਏਜੰਟ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ
  • ਏਜੰਟਾਂ ਲਈ ਸਰੋਤ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ

ਸੈਕਸ਼ਨ 2: ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵਿੱਚ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਸਿਸਟਮੈਟਿਕ ਵਰਕਫਲੋ ਲਾਗੂ ਕਰਨਾ (ਇਰਾਦਾ ਪਛਾਣ, JSON ਆਉਟਪੁੱਟ, ਬਾਹਰੀ ਐਗਜ਼ਿਕਿਊਸ਼ਨ)
  • ਪਲੇਟਫਾਰਮ-ਖਾਸ ਲਾਗੂ ਕਰਨ (Phi-4-mini, ਚੁਣੇ ਹੋਏ Qwen ਮਾਡਲ, Microsoft Foundry Local)
  • ਉੱਚ-ਪੱਧਰੀ ਉਦਾਹਰਣ (ਮਲਟੀ-ਏਜੰਟ ਸਹਿਯੋਗ, ਡਾਇਨਾਮਿਕ ਟੂਲ ਚੋਣ)
  • ਉਤਪਾਦਨ ਵਿਚਾਰ (ਰੇਟ ਲਿਮਿਟਿੰਗ, ਆਡੀਟ ਲੌਗਿੰਗ, ਸੁਰੱਖਿਆ ਉਪਾਅ)

ਸੈਕਸ਼ਨ 3: ਮਾਡਲ ਕਾਂਟੈਕਸਟ ਪ੍ਰੋਟੋਕੋਲ (MCP) ਇੰਟੀਗ੍ਰੇਸ਼ਨ

• ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੰਕਲਪ:
  • ਪ੍ਰੋਟੋਕੋਲ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਲੇਅਰਡ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ
  • ਮਲਟੀ-ਬੈਕਐਂਡ ਸਹਾਇਤਾ (ਵਿਕਾਸ ਲਈ Ollama, ਉਤਪਾਦਨ ਲਈ vLLM)
  • ਕਨੈਕਸ਼ਨ ਪ੍ਰੋਟੋਕੋਲ (STDIO ਅਤੇ SSE ਮੋਡ)
  • ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨ (ਵੈੱਬ ਆਟੋਮੇਸ਼

4. ਆਧੁਨਿਕ ਐਜ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ NPU ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਦੀ ਭੂਮਿਕਾ ਨੂੰ ਸਮਝਾਓ।
5. Phi Silica API NPU ਹਾਰਡਵੇਅਰ ਨੂੰ ਪ੍ਰਦਰਸ਼ਨ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਲਈ ਕਿਵੇਂ ਵਰਤਦਾ ਹੈ?
6. ਗੋਪਨੀਯਤਾ-ਸੰਵੇਦਨਸ਼ੀਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਸਥਾਨਕ ਅਤੇ ਕਲਾਉਡ ਡਿਪਲੌਇਮੈਂਟ ਦੇ ਫਾਇਦਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ।

ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ

1. AI ਟੂਲਕਿਟ ਸੈਟਅਪ: AI ਟੂਲਕਿਟ ਨੂੰ ਕਨਫਿਗਰ ਕਰੋ ਅਤੇ ਮਾਡਲ ਨੂੰ ਅਪਟਿਮਾਈਜ਼ ਕਰੋ (1 ਘੰਟਾ)
2. Windows AI Foundry: Phi Silica API ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਸਧਾਰਨ Windows AI ਐਪਲੀਕੇਸ਼ਨ ਬਣਾਓ (1 ਘੰਟਾ)
3. ਕਰਾਸ-ਪਲੇਟਫਾਰਮ ਡਿਪਲੌਇਮੈਂਟ: ਇੱਕੋ ਮਾਡਲ ਨੂੰ ਦੋ ਵੱਖ-ਵੱਖ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਡਿਪਲੌਇ ਕਰੋ (1 ਘੰਟਾ)
4. NPU ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ: Windows AI Foundry ਟੂਲਾਂ ਨਾਲ NPU ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਜਾਂਚ ਕਰੋ (30 ਮਿੰਟ)

ਮੋਡਿਊਲ 8: Microsoft Foundry Local – ਪੂਰਾ ਡਿਵੈਲਪਰ ਟੂਲਕਿਟ (ਆਧੁਨਿਕ)

ਮੁੱਖ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼

• Foundry Local ਨੂੰ ਆਧੁਨਿਕ SDK ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਨਾਲ ਇੰਸਟਾਲ ਅਤੇ ਕਨਫਿਗਰ ਕਰੋ
• ਕੋਆਰਡੀਨੇਟਰ ਪੈਟਰਨ ਨਾਲ ਉੱਨਤ ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਲਾਗੂ ਕਰੋ
• ਆਟੋਮੈਟਿਕ ਟਾਸਕ-ਅਧਾਰਿਤ ਚੋਣ ਨਾਲ ਸਮਰਥ ਮਾਡਲ ਰਾਊਟਰ ਬਣਾਓ
• ਵਿਸਤ੍ਰਿਤ ਮਾਨੀਟਰਿੰਗ ਨਾਲ ਪ੍ਰੋਡਕਸ਼ਨ-ਤਿਆਰ AI ਹੱਲ ਡਿਪਲੌਇ ਕਰੋ
• ਹਾਈਬ੍ਰਿਡ ਡਿਪਲੌਇਮੈਂਟ ਸਥਿਤੀਆਂ ਲਈ Azure AI Foundry ਨਾਲ ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ
• FoundryLocalManager ਅਤੇ OpenAI ਕਲਾਇੰਟ ਨਾਲ ਆਧੁਨਿਕ SDK ਪੈਟਰਨਾਂ ਵਿੱਚ ਮਾਹਰ ਬਣੋ

ਅਧਿਐਨ ਦੇ ਫੋਕਸ ਖੇਤਰ

ਸੈਕਸ਼ਨ 1: ਆਧੁਨਿਕ ਇੰਸਟਾਲੇਸ਼ਨ ਅਤੇ ਕਨਫਿਗਰੇਸ਼ਨ

• ਪ੍ਰਾਇਰਟੀ ਸੰਕਲਪ:
  • FoundryLocalManager SDK ਇੰਟੀਗ੍ਰੇਸ਼ਨ
  • ਆਟੋਮੈਟਿਕ ਸਰਵਿਸ ਡਿਸਕਵਰੀ ਅਤੇ ਹੈਲਥ ਮਾਨੀਟਰਿੰਗ
  • ਵਾਤਾਵਰਣ-ਅਧਾਰਿਤ ਕਨਫਿਗਰੇਸ਼ਨ ਪੈਟਰਨ
  • ਪ੍ਰੋਡਕਸ਼ਨ ਡਿਪਲੌਇਮੈਂਟ ਦੇ ਵਿਚਾਰ

ਸੈਕਸ਼ਨ 2: ਉੱਨਤ ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ

• ਪ੍ਰਾਇਰਟੀ ਸੰਕਲਪ:
  • ਕੋਆਰਡੀਨੇਟਰ ਪੈਟਰਨ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾ ਵਾਲੇ ਏਜੰਟ
  • ਰਿਟਰੀਵਲ, ਰੀਜ਼ਨਿੰਗ, ਅਤੇ ਐਗਜ਼ਿਕਿਊਸ਼ਨ ਏਜੰਟ ਵਿਸ਼ੇਸ਼ਤਾ
  • ਸੁਧਾਰ ਲਈ ਫੀਡਬੈਕ ਲੂਪ ਮਕੈਨਿਜ਼ਮ
  • ਪ੍ਰਦਰਸ਼ਨ ਮਾਨੀਟਰਿੰਗ ਅਤੇ ਸਟੈਟਿਸਟਿਕ ਟ੍ਰੈਕਿੰਗ

ਸੈਕਸ਼ਨ 3: ਸਮਰਥ ਮਾਡਲ ਰਾਊਟਿੰਗ

• ਪ੍ਰਾਇਰਟੀ ਸੰਕਲਪ:
  • ਕੀਵਰਡ-ਅਧਾਰਿਤ ਮਾਡਲ ਚੋਣ ਅਲਗੋਰਿਥਮ
  • ਕਈ ਮਾਡਲਾਂ ਦਾ ਸਮਰਥਨ (ਜਨਰਲ, ਰੀਜ਼ਨਿੰਗ, ਕੋਡ, ਕ੍ਰੀਏਟਿਵ)
  • ਲਚਕਤਾ ਲਈ ਵਾਤਾਵਰਣ ਵੈਰੀਏਬਲ ਕਨਫਿਗਰੇਸ਼ਨ
  • ਸਰਵਿਸ ਹੈਲਥ ਚੈਕਿੰਗ ਅਤੇ ਐਰਰ ਹੈਂਡਲਿੰਗ

ਸੈਕਸ਼ਨ 4: ਪ੍ਰੋਡਕਸ਼ਨ-ਤਿਆਰ ਲਾਗੂਕਰਨ

• ਪ੍ਰਾਇਰਟੀ ਸੰਕਲਪ:
  • ਵਿਸਤ੍ਰਿਤ ਐਰਰ ਹੈਂਡਲਿੰਗ ਅਤੇ ਫਾਲਬੈਕ ਮਕੈਨਿਜ਼ਮ
  • ਰਿਕਵੈਸਟ ਮਾਨੀਟਰਿੰਗ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਟ੍ਰੈਕਿੰਗ
  • ਬੈਂਚਮਾਰਕਸ ਨਾਲ ਇੰਟਰਐਕਟਿਵ Jupyter ਨੋਟਬੁੱਕ ਉਦਾਹਰਨ
  • ਮੌਜੂਦਾ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨਾਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਪੈਟਰਨ

ਸਵੈ-ਮੁਲਾਂਕਣ ਪ੍ਰਸ਼ਨ

1. ਆਧੁਨਿਕ FoundryLocalManager ਪਹੁੰਚ ਮੈਨੂਅਲ REST ਕਾਲਾਂ ਤੋਂ ਕਿਵੇਂ ਵੱਖਰੀ ਹੈ?
2. ਕੋਆਰਡੀਨੇਟਰ ਪੈਟਰਨ ਨੂੰ ਸਮਝਾਓ ਅਤੇ ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਏਜੰਟਾਂ ਨੂੰ ਕਿਵੇਂ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ।
3. ਸਮਰਥ ਰਾਊਟਰ ਕਿਵੇਂ ਪੁੱਛਗਿੱਛ ਸਮੱਗਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਉਚਿਤ ਮਾਡਲ ਚੁਣਦਾ ਹੈ?
4. ਪ੍ਰੋਡਕਸ਼ਨ-ਤਿਆਰ AI ਏਜੰਟ ਸਿਸਟਮ ਦੇ ਮੁੱਖ ਘਟਕਾਂ ਕੀ ਹਨ?
5. Foundry Local ਸਰਵਿਸਾਂ ਲਈ ਵਿਸਤ੍ਰਿਤ ਹੈਲਥ ਮਾਨੀਟਰਿੰਗ ਕਿਵੇਂ ਲਾਗੂ ਕਰਦੇ ਹੋ?
6. ਆਧੁਨਿਕ ਪਹੁੰਚ ਦੇ ਫਾਇਦਿਆਂ ਦੀ ਪਰੰਪਰਾਗਤ ਲਾਗੂਕਰਨ ਪੈਟਰਨਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰੋ।

ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ

1. ਆਧੁਨਿਕ SDK ਸੈਟਅਪ: FoundryLocalManager ਨੂੰ ਆਟੋਮੈਟਿਕ ਸਰਵਿਸ ਡਿਸਕਵਰੀ ਨਾਲ ਕਨਫਿਗਰ ਕਰੋ (30 ਮਿੰਟ)
2. ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ: ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਏਜੰਟਾਂ ਨਾਲ ਉੱਨਤ ਕੋਆਰਡੀਨੇਟਰ ਚਲਾਓ (30 ਮਿੰਟ)
3. ਸਮਰਥ ਰਾਊਟਿੰਗ: ਵੱਖ-ਵੱਖ ਪੁੱਛਗਿੱਛ ਕਿਸਮਾਂ ਨਾਲ ਮਾਡਲ ਰਾਊਟਰ ਦੀ ਜਾਂਚ ਕਰੋ (30 ਮਿੰਟ)
4. ਇੰਟਰਐਕਟਿਵ ਐਕਸਪਲੋਰੇਸ਼ਨ: ਉੱਨਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨ ਲਈ Jupyter ਨੋਟਬੁੱਕ ਦੀ ਵਰਤੋਂ ਕਰੋ (45 ਮਿੰਟ)
5. ਪ੍ਰੋਡਕਸ਼ਨ ਡਿਪਲੌਇਮੈਂਟ: ਮਾਨੀਟਰਿੰਗ ਅਤੇ ਐਰਰ ਹੈਂਡਲਿੰਗ ਪੈਟਰਨ ਲਾਗੂ ਕਰੋ (30 ਮਿੰਟ)
6. ਹਾਈਬ੍ਰਿਡ ਇੰਟੀਗ੍ਰੇਸ਼ਨ: Azure AI Foundry ਫਾਲਬੈਕ ਸਥਿਤੀਆਂ ਨੂੰ ਕਨਫਿਗਰ ਕਰੋ (30 ਮਿੰਟ)

ਸਮਾਂ ਵੰਡਣ ਦੀ ਗਾਈਡ

30-ਘੰਟੇ ਦੇ ਕੋਰਸ ਟਾਈਮਲਾਈਨ (ਵਰਕਸ਼ਾਪ ਸਮੇਤ) ਦਾ ਵਧੀਆ ਲਾਭ ਲੈਣ ਲਈ, ਇੱਥੇ ਸਮਾਂ ਵੰਡਣ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਗਈ ਹੈ:

ਗਤੀਵਿਧੀ	ਸਮਾਂ ਵੰਡਣ	ਵੇਰਵਾ
ਕੋਰ ਮਟੀਰੀਅਲ ਪੜ੍ਹਨਾ	12 ਘੰਟੇ	ਹਰ ਮੋਡਿਊਲ ਵਿੱਚ ਜ਼ਰੂਰੀ ਸੰਕਲਪਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ
ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ	10 ਘੰਟੇ	ਮੁੱਖ ਤਕਨੀਕਾਂ ਦੀ ਵਿਵਹਾਰਕ ਲਾਗੂਕਰਨ (ਵਰਕਸ਼ਾਪ ਸਮੇਤ)
ਸਵੈ-ਮੁਲਾਂਕਣ	3 ਘੰਟੇ	ਪ੍ਰਸ਼ਨਾਂ ਅਤੇ ਚਿੰਤਨ ਰਾਹੀਂ ਆਪਣੀ ਸਮਝ ਦੀ ਜਾਂਚ
ਮਿਨੀ-ਪ੍ਰੋਜੈਕਟ	5 ਘੰਟੇ	ਇੱਕ ਛੋਟੇ ਵਿਵਹਾਰਕ ਲਾਗੂਕਰਨ 'ਤੇ ਗਿਆਨ ਲਾਗੂ ਕਰਨਾ

ਸਮਾਂ ਦੀ ਪਾਬੰਦੀ ਦੇ ਅਧਾਰ 'ਤੇ ਮੁੱਖ ਫੋਕਸ ਖੇਤਰ

ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਸਿਰਫ 10 ਘੰਟੇ ਹਨ:

• ਮੋਡਿਊਲ 0 (ਪ੍ਰਸਤਾਵਨਾ) ਅਤੇ ਮੋਡਿਊਲ 1, 2, ਅਤੇ 3 (ਮੁੱਖ EdgeAI ਸੰਕਲਪ) ਪੂਰੇ ਕਰੋ
• ਹਰ ਮੋਡਿਊਲ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ ਕਰੋ
• ਲਾਗੂਕਰਨ ਦੇ ਵੇਰਵਿਆਂ ਦੀ ਬਜਾਏ ਮੁੱਖ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ 'ਤੇ ਧਿਆਨ ਦਿਓ

ਜੇ ਤੁਸੀਂ ਪੂਰੇ 20 ਘੰਟੇ ਸਮਰਪਿਤ ਕਰ ਸਕਦੇ ਹੋ:

• ਸਾਰੇ 8 ਮੋਡਿਊਲ ਪੂਰੇ ਕਰੋ (ਪ੍ਰਸਤਾਵਨਾ ਸਮੇਤ)
• ਹਰ ਮੋਡਿਊਲ ਤੋਂ ਮੁੱਖ ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ ਕਰੋ
• ਮੋਡਿਊਲ 7 ਤੋਂ ਇੱਕ ਮਿਨੀ-ਪ੍ਰੋਜੈਕਟ ਪੂਰਾ ਕਰੋ
• ਘੱਟੋ-ਘੱਟ 2-3 ਪੂਰਕ ਸਰੋਤਾਂ ਦੀ ਪੜਚੋਲ ਕਰੋ

ਜੇ ਤੁਹਾਡੇ ਕੋਲ 20 ਘੰਟਿਆਂ ਤੋਂ ਵੱਧ ਹਨ:

• ਸਾਰੇ ਮੋਡਿਊਲ (ਪ੍ਰਸਤਾਵਨਾ ਸਮੇਤ) ਵਿਸਤ੍ਰਿਤ ਅਭਿਆਸਾਂ ਨਾਲ ਪੂਰੇ ਕਰੋ
• ਕਈ ਮਿਨੀ-ਪ੍ਰੋਜੈਕਟ ਬਣਾਓ
• ਮੋਡਿਊਲ 4 ਵਿੱਚ ਉੱਨਤ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਦੀ ਪੜਚੋਲ ਕਰੋ
• ਮੋਡਿਊਲ 5 ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਡਿਪਲੌਇਮੈਂਟ ਲਾਗੂ ਕਰੋ

ਜ਼ਰੂਰੀ ਸਰੋਤ

ਇਹ ਚੋਣੇ ਹੋਏ ਸਰੋਤ ਤੁਹਾਡੇ ਸੀਮਿਤ ਅਧਿਐਨ ਸਮੇਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ:

ਪੜ੍ਹਨ ਲਈ ਜ਼ਰੂਰੀ ਦਸਤਾਵੇਜ਼

• ONNX Runtime Getting Started - ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਾਡਲ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਟੂਲ
• Ollama Quick Start - SLMs ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਡਿਪਲੌਇ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਤੇਜ਼ ਤਰੀਕਾ
• Microsoft Phi Model Card - ਇੱਕ ਅਗੇਤ-ਅਪਟਿਮਾਈਜ਼ਡ ਮਾਡਲ ਲਈ ਸੰਦਰਭ
• OpenVINO Documentation - Intel ਦਾ ਵਿਸਤ੍ਰਿਤ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਟੂਲਕਿਟ
• AI Toolkit for VS Code - ਇੰਟੀਗ੍ਰੇਟਡ EdgeAI ਵਿਕਾਸ ਵਾਤਾਵਰਣ
• Windows AI Foundry - Windows-ਵਿਸ਼ੇਸ਼ EdgeAI ਵਿਕਾਸ ਪਲੇਟਫਾਰਮ

ਸਮਾਂ ਬਚਾਉਣ ਵਾਲੇ ਟੂਲ

• Hugging Face Transformers - ਤੇਜ਼ ਮਾਡਲ ਪਹੁੰਚ ਅਤੇ ਡਿਪਲੌਇਮੈਂਟ
• Gradio - AI ਡੈਮੋਜ਼ ਲਈ ਤੇਜ਼ UI ਵਿਕਾਸ
• Microsoft Olive - ਸਰਲ ਮਾਡਲ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ
• Llama.cpp - ਪ੍ਰਭਾਵਸ਼ਾਲੀ CPU ਇੰਫਰੈਂਸ
• OpenVINO NNCF - ਨਿਊਰਲ ਨੈਟਵਰਕ ਕੰਪ੍ਰੈਸ਼ਨ ਫਰੇਮਵਰਕ
• OpenVINO GenAI - ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ ਟੂਲਕਿਟ

ਪ੍ਰਗਤੀ ਟ੍ਰੈਕਿੰਗ ਟੈਂਪਲੇਟ

20-ਘੰਟੇ ਦੇ ਕੋਰਸ ਵਿੱਚ ਆਪਣੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਗਤੀ ਟ੍ਰੈਕ ਕਰਨ ਲਈ ਇਸ ਸਰਲ ਟੈਂਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ:

ਮੋਡਿਊਲ	ਪੂਰਨ ਦੀ ਮਿਤੀ	ਖਰਚੇ ਹੋਏ ਘੰਟੇ	ਮੁੱਖ ਸਿੱਖਣ
ਮੋਡਿਊਲ 0: EdgeAI ਦਾ ਪ੍ਰਸਤਾਵਨਾ
ਮੋਡਿਊਲ 1: EdgeAI ਮੂਲਭੂਤ
ਮੋਡਿਊਲ 2: SLM Foundations
ਮੋਡਿਊਲ 3: SLM Deployment
ਮੋਡਿਊਲ 4: ਮਾਡਲ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ
ਮੋਡਿਊਲ 5: SLMOps
ਮੋਡਿਊਲ 6: AI Agents
ਮੋਡਿਊਲ 7: ਵਿਕਾਸ ਟੂਲ
ਵਰਕਸ਼ਾਪ: ਹੈਂਡਸ-ਆਨ ਸਿੱਖਣ
ਮੋਡਿਊਲ 8: Foundry Local Toolkit
ਹੈਂਡਸ-ਆਨ ਅਭਿਆਸ
ਮਿਨੀ-ਪ੍ਰੋਜੈਕਟ

ਮਿਨੀ ਪ੍ਰੋਜੈਕਟ ਵਿਚਾਰ

EdgeAI ਸੰਕਲਪਾਂ ਦਾ ਅਭਿਆਸ ਕਰਨ ਲਈ ਇਨ੍ਹਾਂ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਪੂਰਾ ਕਰੋ (ਹਰ ਇੱਕ 2-4 ਘੰਟਿਆਂ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ):

ਸ਼ੁਰੂਆਤੀ ਪ੍ਰੋਜੈਕਟ (2-3 ਘੰਟੇ ਹਰ ਇੱਕ)

1. Edge Text Assistant: ਇੱਕ ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਸਧਾਰਨ ਆਫਲਾਈਨ ਟੈਕਸਟ ਕਮਪਲੀਸ਼ਨ ਟੂਲ ਬਣਾਓ
2. Model Comparison Dashboard: ਵੱਖ-ਵੱਖ SLMs ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਮਾਪਦੰਡਾਂ ਦੀ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਓ
3. Optimization Experiment: ਇੱਕੋ ਬੇਸ ਮਾਡਲ 'ਤੇ ਵੱਖ-ਵੱਖ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਪੱਧਰਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪੋ

ਮੱਧਮ ਪੱਧਰ ਦੇ ਪ੍ਰੋਜੈਕਟ (3-4 ਘੰਟੇ ਹਰ ਇੱਕ)

4. AI Toolkit Workflow: VS Code AI Toolkit ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਅਪਟਿਮਾਈਜ਼ ਅਤੇ ਡਿਪਲੌਇ ਕਰੋ
5. Windows AI Foundry Application: Phi Silica API ਅਤੇ NPU ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ Windows ਐਪ ਬਣਾਓ
6. Cross-Platform Deployment: ਇੱਕੋ ਅਪਟਿਮਾਈਜ਼ਡ ਮਾਡਲ ਨੂੰ Windows (OpenVINO) ਅਤੇ ਮੋਬਾਈਲ (.NET MAUI) 'ਤੇ ਡਿਪਲੌਇ ਕਰੋ
7. Function Calling Agent: ਐਜ ਸਥਿਤੀਆਂ ਲਈ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਸਮਰਥਨ ਵਾਲਾ AI ਏਜੰਟ ਬਣਾਓ

ਉੱਨਤ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟ (4-5 ਘੰਟੇ ਹਰ ਇੱਕ)

8. OpenVINO Optimization Pipeline: NNCF ਅਤੇ GenAI ਟੂਲਕਿਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੂਰੀ ਮਾਡਲ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਲਾਗੂ ਕਰੋ
9. SLMOps Pipeline: ਟ੍ਰੇਨਿੰਗ ਤੋਂ ਐਜ ਡਿਪਲੌਇਮੈਂਟ ਤੱਕ ਪੂਰੀ ਮਾਡਲ ਲਾਈਫਸਾਈਕਲ ਲਾਗੂ ਕਰੋ
10. Multi-Model Edge System: ਐਜ ਹਾਰਡਵੇਅਰ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੇ ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਡਿਪਲੌਇ ਕਰੋ
11. MCP Integration System: ਟੂਲ ਇੰਟਰਐਕਸ਼ਨ ਲਈ Model Context Protocol ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਏਜੰਟਿਕ ਸਿਸਟਮ ਬਣਾਓ

ਸੰਦਰਭ

• Microsoft Learn (Foundry Local)
  • ਝਲਕ: https://learn.microsoft.com/en-us/azure/ai-foundry/foundry-local/
  • ਸ਼ੁਰੂ ਕਰੋ: https://learn.microsoft.com/en-us/azure/ai-foundry/foundry-local/get-started
  • CLI ਸੰਦਰਭ: https://learn.microsoft.com/en-us/azure/ai-foundry/foundry-local/reference/reference-cli
  • ਇੰਫਰੈਂਸ SDKs ਨਾਲ ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ: https://learn.microsoft

---

ਅਸਵੀਕਰਤਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦਸਤਾਵੇਜ਼ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਕਾਪੀ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।