راهنمای توسعه هوش مصنوعی Edge در ویندوز

مقدمه

به دنیای توسعه هوش مصنوعی Edge در ویندوز خوش آمدید - راهنمای جامع شما برای ساخت برنامه‌های هوشمند که از قدرت هوش مصنوعی در دستگاه با استفاده از پلتفرم Windows AI Foundry مایکروسافت بهره می‌برند. این راهنما به طور خاص برای توسعه‌دهندگان ویندوز طراحی شده است که می‌خواهند قابلیت‌های پیشرفته هوش مصنوعی Edge را در برنامه‌های خود ادغام کنند و از تمام طیف شتاب‌دهی سخت‌افزاری ویندوز بهره‌مند شوند.

مزایای هوش مصنوعی ویندوز

Windows AI Foundry یک پلتفرم یکپارچه، قابل اعتماد و امن است که از چرخه کامل توسعه‌دهنده هوش مصنوعی پشتیبانی می‌کند - از انتخاب و تنظیم مدل تا بهینه‌سازی و استقرار در معماری‌های CPU، GPU، NPU و ابر هیبریدی. این پلتفرم توسعه هوش مصنوعی را دموکراتیک می‌کند و امکانات زیر را فراهم می‌آورد:

• انتزاع سخت‌افزاری: استقرار بی‌دردسر در سیلیکون‌های AMD، Intel، NVIDIA و Qualcomm
• هوش در دستگاه: هوش مصنوعی حفظ حریم خصوصی که به طور کامل بر روی سخت‌افزار محلی اجرا می‌شود
• عملکرد بهینه: مدل‌هایی که برای پیکربندی‌های سخت‌افزاری ویندوز از پیش بهینه شده‌اند
• آماده برای سازمان‌ها: ویژگی‌های امنیتی و انطباق در سطح تولید

Windows ML

Windows Machine Learning (ML) به توسعه‌دهندگان C#، C++ و Python امکان می‌دهد مدل‌های هوش مصنوعی ONNX را به صورت محلی بر روی رایانه‌های ویندوزی از طریق ONNX Runtime اجرا کنند، با مدیریت خودکار ارائه‌دهنده اجرا برای سخت‌افزارهای مختلف (CPU، GPU، NPU). ONNX Runtime می‌تواند با مدل‌های PyTorch، Tensorflow/Keras، TFLite، scikit-learn و سایر فریم‌ورک‌ها استفاده شود.

Windows ML یک نسخه مشترک از ONNX Runtime در سراسر ویندوز ارائه می‌دهد، به علاوه امکان دانلود پویا ارائه‌دهندگان اجرا (EPها).

چرا ویندوز برای هوش مصنوعی Edge؟

پشتیبانی جهانی سخت‌افزار Windows ML بهینه‌سازی سخت‌افزاری خودکار را در سراسر اکوسیستم ویندوز فراهم می‌کند، و اطمینان می‌دهد که برنامه‌های هوش مصنوعی شما بدون توجه به معماری سیلیکون زیرین، عملکرد بهینه‌ای دارند.

زمان اجرای یکپارچه هوش مصنوعی موتور استنتاج داخلی Windows ML نیاز به تنظیمات پیچیده را از بین می‌برد و به توسعه‌دهندگان امکان می‌دهد بر منطق برنامه تمرکز کنند نه نگرانی‌های زیرساختی.

بهینه‌سازی PC Copilot+ APIهای طراحی‌شده به طور خاص برای دستگاه‌های نسل بعدی ویندوز با واحدهای پردازش عصبی اختصاصی (NPUs) که عملکرد استثنایی در هر وات ارائه می‌دهند.

اکوسیستم توسعه‌دهنده ابزارهای غنی شامل ادغام با Visual Studio، مستندات جامع و برنامه‌های نمونه که چرخه‌های توسعه را تسریع می‌کنند.

اهداف یادگیری

با تکمیل این راهنمای توسعه هوش مصنوعی Edge در ویندوز، شما مهارت‌های ضروری برای ساخت برنامه‌های هوش مصنوعی آماده تولید بر روی پلتفرم ویندوز را به دست خواهید آورد.

مهارت‌های فنی اصلی

تسلط بر Windows AI Foundry

• درک معماری و اجزای پلتفرم Windows AI Foundry
• پیمایش چرخه کامل توسعه هوش مصنوعی در اکوسیستم ویندوز
• اجرای بهترین شیوه‌های امنیتی برای برنامه‌های هوش مصنوعی در دستگاه
• بهینه‌سازی برنامه‌ها برای پیکربندی‌های مختلف سخت‌افزاری ویندوز

تخصص در ادغام API

• تسلط بر APIهای هوش مصنوعی ویندوز برای برنامه‌های متنی، تصویری و چندوجهی
• اجرای ادغام مدل زبان Phi Silica برای تولید متن و استدلال
• استقرار قابلیت‌های بینایی کامپیوتری با استفاده از APIهای پردازش تصویر داخلی
• سفارشی‌سازی مدل‌های از پیش آموزش‌دیده با استفاده از تکنیک‌های LoRA (Low-Rank Adaptation)

پیاده‌سازی محلی Foundry

• مرور، ارزیابی و استقرار مدل‌های زبان متن‌باز با استفاده از CLI Foundry Local
• درک بهینه‌سازی مدل و کمینه‌سازی برای استقرار محلی
• اجرای قابلیت‌های هوش مصنوعی آفلاین که بدون اتصال به اینترنت کار می‌کنند
• مدیریت چرخه‌های عمر مدل و به‌روزرسانی‌ها در محیط‌های تولید

استقرار Windows ML

• آوردن مدل‌های ONNX سفارشی به برنامه‌های ویندوز با استفاده از Windows ML
• بهره‌گیری از شتاب سخت‌افزاری خودکار در معماری‌های CPU، GPU و NPU
• اجرای استنتاج در زمان واقعی با استفاده بهینه از منابع
• طراحی برنامه‌های هوش مصنوعی مقیاس‌پذیر برای دسته‌های مختلف دستگاه‌های ویندوز

مهارت‌های توسعه برنامه

توسعه چندپلتفرمی ویندوز

• ساخت برنامه‌های مجهز به هوش مصنوعی با استفاده از .NET MAUI برای استقرار جهانی ویندوز
• ادغام قابلیت‌های هوش مصنوعی در Win32، UWP و برنامه‌های وب پیشرفته
• اجرای طراحی‌های رابط کاربری پاسخگو که به حالت‌های پردازش هوش مصنوعی تطبیق می‌یابند
• مدیریت عملیات غیرهمزمان هوش مصنوعی با الگوهای مناسب تجربه کاربری

بهینه‌سازی عملکرد

• پروفایل‌گیری و بهینه‌سازی عملکرد استنتاج هوش مصنوعی در پیکربندی‌های مختلف سخت‌افزاری
• اجرای مدیریت حافظه کارآمد برای مدل‌های زبان بزرگ
• طراحی برنامه‌هایی که بر اساس قابلیت‌های سخت‌افزاری موجود به طور مناسب کاهش می‌یابند
• اعمال استراتژی‌های کش برای عملیات هوش مصنوعی پرکاربرد

آمادگی برای تولید

• اجرای مدیریت جامع خطا و مکانیزم‌های جایگزین
• طراحی تله‌متری و نظارت بر عملکرد برنامه‌های هوش مصنوعی
• اعمال بهترین شیوه‌های امنیتی برای ذخیره‌سازی و اجرای مدل‌های هوش مصنوعی محلی
• برنامه‌ریزی استراتژی‌های استقرار برای برنامه‌های سازمانی و مصرف‌کننده

درک کسب‌وکار و استراتژیک

معماری برنامه‌های هوش مصنوعی

• طراحی معماری‌های هیبریدی که بین پردازش هوش مصنوعی محلی و ابری بهینه‌سازی می‌کنند
• ارزیابی مبادلات بین اندازه مدل، دقت و سرعت استنتاج
• برنامه‌ریزی معماری‌های جریان داده که حریم خصوصی را حفظ می‌کنند و در عین حال هوشمندی را امکان‌پذیر می‌سازند
• اجرای راه‌حل‌های هوش مصنوعی مقرون‌به‌صرفه که با تقاضای کاربران مقیاس‌پذیر هستند

موقعیت‌یابی در بازار

• درک مزایای رقابتی برنامه‌های هوش مصنوعی بومی ویندوز
• شناسایی موارد استفاده‌ای که هوش مصنوعی در دستگاه تجربه‌های کاربری برتر ارائه می‌دهد
• توسعه استراتژی‌های ورود به بازار برای برنامه‌های ویندوز مجهز به هوش مصنوعی
• موقعیت‌یابی برنامه‌ها برای بهره‌گیری از مزایای اکوسیستم ویندوز

نمونه‌های AI در Windows App SDK

Windows App SDK نمونه‌های جامعی ارائه می‌دهد که ادغام هوش مصنوعی را در چندین فریم‌ورک و سناریوهای استقرار نشان می‌دهند. این نمونه‌ها منابع ضروری برای درک الگوهای توسعه هوش مصنوعی ویندوز هستند.

نمونه‌های Windows AI Foundry

نمونه	فریم‌ورک	حوزه تمرکز	ویژگی‌های کلیدی
cs-winui	C# WinUI 3	ادغام APIهای هوش مصنوعی ویندوز	برنامه کامل WinUI که APIهای هوش مصنوعی ویندوز، بهینه‌سازی ARM64، و استقرار بسته‌بندی‌شده را نشان می‌دهد

فناوری‌های کلیدی:

• APIهای هوش مصنوعی ویندوز
• فریم‌ورک WinUI 3
• بهینه‌سازی پلتفرم ARM64
• سازگاری با PC Copilot+
• استقرار برنامه بسته‌بندی‌شده

پیش‌نیازها:

• ویندوز 11 با PC Copilot+ توصیه می‌شود
• Visual Studio 2022
• پیکربندی ساخت ARM64
• Windows App SDK نسخه 1.8.1+

نمونه‌های Windows ML

نمونه‌های C++

نمونه	نوع	حوزه تمرکز	ویژگی‌های کلیدی
CppConsoleDesktop	برنامه کنسول	Windows ML پایه	کشف EP، گزینه‌های خط فرمان، کامپایل مدل
CppConsoleDesktop.FrameworkDependent	برنامه کنسول	استقرار فریم‌ورک	زمان اجرای مشترک، ردپای استقرار کوچک‌تر
CppConsoleDesktop.SelfContained	برنامه کنسول	استقرار مستقل	استقرار مستقل، بدون وابستگی به زمان اجرا
CppConsoleDll	DLL	استفاده از کتابخانه	WindowsML در کتابخانه مشترک، مدیریت حافظه
CppResnetBuildDemo	دمو	آموزش ResNet	تبدیل مدل، کامپایل EP، آموزش Build 2025

نمونه‌های C#

برنامه‌های کنسول

نمونه	نوع	حوزه تمرکز	ویژگی‌های کلیدی
CSharpConsoleDesktop	برنامه کنسول	ادغام پایه C#	استفاده از کمک‌کننده‌های مشترک، رابط خط فرمان
ResnetBuildDemoCS	دمو	آموزش ResNet	تبدیل مدل، کامپایل EP، آموزش Build 2025

برنامه‌های GUI

نمونه	فریم‌ورک	حوزه تمرکز	ویژگی‌های کلیدی
cs-wpf	WPF	GUI دسکتاپ	طبقه‌بندی تصویر با رابط WPF
cs-winforms	Windows Forms	GUI سنتی	طبقه‌بندی تصویر با Windows Forms
cs-winui	WinUI 3	GUI مدرن	طبقه‌بندی تصویر با رابط WinUI 3

نمونه‌های Python

نمونه	زبان	حوزه تمرکز	ویژگی‌های کلیدی
SqueezeNetPython	Python	طبقه‌بندی تصویر	اتصال‌های WinML Python، پردازش دسته‌ای تصویر

پیش‌نیازهای نمونه‌ها

نیازمندی‌های سیستم:

• رایانه ویندوز 11 با نسخه 24H2 (بیلد 26100) یا بالاتر
• Visual Studio 2022 با بارهای کاری C++ و .NET
• Windows App SDK نسخه 1.8.1 یا جدیدتر
• Python نسخه 3.10-3.13 برای نمونه‌های Python در دستگاه‌های x64 و ARM64

ویژه Windows AI Foundry:

• PC Copilot+ برای عملکرد بهینه توصیه می‌شود
• پیکربندی ساخت ARM64 برای نمونه‌های هوش مصنوعی ویندوز
• هویت بسته مورد نیاز (برنامه‌های بدون بسته دیگر پشتیبانی نمی‌شوند)

جریان کاری مشترک نمونه‌ها

اکثر نمونه‌های Windows ML از این الگوی استاندارد پیروی می‌کنند:

1. راه‌اندازی محیط - ایجاد محیط ONNX Runtime
2. ثبت ارائه‌دهندگان اجرا - کشف و ثبت شتاب‌دهنده‌های سخت‌افزاری موجود (CPU، GPU، NPU)
3. بارگذاری مدل - بارگذاری مدل ONNX، به صورت اختیاری کامپایل برای سخت‌افزار هدف
4. پیش‌پردازش ورودی - تبدیل تصاویر/داده‌ها به فرمت ورودی مدل
5. اجرای استنتاج - اجرای مدل و دریافت پیش‌بینی‌ها
6. پردازش نتایج - اعمال softmax و نمایش پیش‌بینی‌های برتر

فایل‌های مدل استفاده‌شده

مدل	هدف	شامل شده	یادداشت‌ها
SqueezeNet	طبقه‌بندی تصویر سبک	✅ شامل شده	از پیش آموزش‌دیده، آماده استفاده
ResNet-50	طبقه‌بندی تصویر با دقت بالا	❌ نیاز به تبدیل	از AI Toolkit برای تبدیل استفاده کنید

پشتیبانی سخت‌افزاری

تمام نمونه‌ها به طور خودکار سخت‌افزار موجود را شناسایی و استفاده می‌کنند:

• CPU - پشتیبانی جهانی در تمام دستگاه‌های ویندوز
• GPU - شناسایی و بهینه‌سازی خودکار برای سخت‌افزار گرافیکی موجود
• NPU - استفاده از واحدهای پردازش عصبی در دستگاه‌های پشتیبانی‌شده (PCهای Copilot+)

اجزای پلتفرم Windows AI Foundry

1. APIهای هوش مصنوعی ویندوز

APIهای هوش مصنوعی ویندوز قابلیت‌های آماده استفاده هوش مصنوعی را ارائه می‌دهند که توسط مدل‌های محلی در دستگاه پشتیبانی می‌شوند، بهینه‌شده برای کارایی و عملکرد در دستگاه‌های PC Copilot+ با حداقل تنظیمات مورد نیاز.

دسته‌های اصلی API

مدل زبان Phi Silica

• مدل زبان کوچک اما قدرتمند برای تولید متن و استدلال
• بهینه‌شده برای استنتاج در زمان واقعی با مصرف انرژی کم
• پشتیبانی از تنظیم سفارشی با استفاده از تکنیک‌های LoRA
• ادغام با جستجوی معنایی ویندوز و بازیابی دانش

APIهای بینایی کامپیوتری

• تشخیص متن (OCR): استخراج متن از تصاویر با دقت بالا
• افزایش وضوح تصویر: ارتقای تصاویر با استفاده از مدل‌های هوش مصنوعی محلی
• تقسیم‌بندی تصویر: شناسایی و جداسازی اشیاء خاص در تصاویر
• توصیف تصویر: تولید توضیحات متنی دقیق برای محتوای بصری
• حذف اشیاء: حذف اشیاء ناخواسته از تصاویر با استفاده از بازسازی هوش مصنوعی

قابلیت‌های چندوجهی

• ادغام بینایی-زبان: ترکیب درک متن و تصویر
• جستجوی معنایی: امکان جستجوی زبان طبیعی در محتوای چندرسانه‌ای
• بازیابی دانش: ساخت تجربه‌های جستجوی هوشمند با داده‌های محلی

2. Foundry Local

Foundry Local دسترسی سریع به مدل‌های زبان متن‌باز آماده استفاده بر روی سیلیکون ویندوز را برای توسعه‌دهندگان فراهم می‌کند، و امکان مرور، آزمایش، تعامل و استقرار مدل‌ها در برنامه‌های محلی را ارائه می‌دهد.

نمونه‌های برنامه Foundry Local

مخزن Foundry Local نمونه‌های جامعی در چندین زبان برنامه‌نویسی و فریم‌ورک ارائه می‌دهد که الگوهای مختلف ادغام و موارد استفاده را نشان می‌دهند.

نمونه	زبان/فریم‌ورک	حوزه تمرکز	ویژگی‌های کلیدی
dotNET/rag	C# / .NET	اجرای RAG	ادغام Semantic Kernel، ذخیره برداری Qdrant، جاسازی‌های JINA، ورود اسناد، چت استریمینگ
electron/foundry-chat	JavaScript / Electron	برنامه چت دسکتاپ	چت چندپلتفرمی، تغییر مدل محلی/ابری، ادغام SDK OpenAI، استریمینگ زمان واقعی
js/hello-foundry-local	JavaScript / Node.js	ادغام پایه	استفاده ساده از SDK، راه‌اندازی مدل، قابلیت چت پایه
python/hello-foundry-local	Python	ادغام پایه	استفاده از SDK Python، پاسخ‌های استریمینگ، API سازگار با OpenAI
rust/hello-foundry-local	Rust	یکپارچه‌سازی سیستم‌ها	استفاده از SDK سطح پایین، عملیات‌های غیرهمزمان، کلاینت HTTP reqwest

دسته‌بندی نمونه‌ها بر اساس موارد استفاده

RAG (تولید تقویت‌شده با بازیابی)

• dotNET/rag: پیاده‌سازی کامل RAG با استفاده از Semantic Kernel، پایگاه داده برداری Qdrant و جاسازی‌های JINA
• معماری: دریافت اسناد → تقسیم متن → جاسازی برداری → جستجوی شباهت → پاسخ‌های آگاه از زمینه
• فناوری‌ها: Microsoft.SemanticKernel، Qdrant.Client، جاسازی‌های BERT ONNX، تکمیل چت استریمینگ

برنامه‌های دسکتاپ

• electron/foundry-chat: برنامه چت آماده تولید با قابلیت تغییر بین مدل محلی/ابری
• ویژگی‌ها: انتخابگر مدل، پاسخ‌های استریمینگ، مدیریت خطا، استقرار چندپلتفرمی
• معماری: فرآیند اصلی Electron، ارتباط IPC، اسکریپت‌های پیش‌بارگذاری امن

نمونه‌های یکپارچه‌سازی SDK

• JavaScript (Node.js): تعامل پایه با مدل و پاسخ‌های استریمینگ
• Python: استفاده از API سازگار با OpenAI با استریمینگ غیرهمزمان
• Rust: یکپارچه‌سازی سطح پایین با reqwest و tokio برای عملیات‌های غیرهمزمان

پیش‌نیازهای نمونه‌های Foundry Local

نیازمندی‌های سیستم:

• ویندوز 11 با نصب Foundry Local
• Node.js نسخه 16+ برای نمونه‌های JavaScript/Electron
• .NET نسخه 8.0+ برای نمونه‌های C#
• Python نسخه 3.10+ برای نمونه‌های Python
• Rust نسخه 1.70+ برای نمونه‌های Rust

نصب:

# Install Foundry Local
winget install Microsoft.FoundryLocal

# Verify installation
foundry --version
foundry model list

تنظیمات خاص نمونه

نمونه RAG در dotNET:

# Install required packages via NuGet
# Microsoft.SemanticKernel.Connectors.Onnx
# Microsoft.SemanticKernel.Connectors.Qdrant
# Qdrant.Client

# Start Qdrant vector database
docker run -p 6333:6333 qdrant/qdrant

# Run Jupyter notebook
jupyter notebook rag_foundrylocal_demo.ipynb

نمونه چت در Electron:

# Set environment variables for cloud fallback
$env:YOUR_API_KEY="your-cloud-api-key"
$env:YOUR_ENDPOINT="your-cloud-endpoint"
$env:YOUR_MODEL_NAME="your-cloud-model"

# Install dependencies and run
npm install
npm start

نمونه‌های JavaScript/Python/Rust:

# Download model (example with phi-3.5-mini)
foundry model run phi-3.5-mini

# Run respective sample
node src/app.js          # JavaScript
python src/app.py        # Python
cargo run               # Rust

ویژگی‌های کلیدی

کاتالوگ مدل

• مجموعه‌ای جامع از مدل‌های متن‌باز بهینه‌شده
• مدل‌هایی بهینه‌شده برای CPU، GPU و NPU برای استقرار فوری
• پشتیبانی از خانواده‌های مدل محبوب مانند Llama، Mistral، Phi و مدل‌های تخصصی حوزه

یکپارچه‌سازی CLI

• رابط خط فرمان برای مدیریت و استقرار مدل‌ها
• گردش کارهای بهینه‌سازی و کمینه‌سازی خودکار
• یکپارچه‌سازی با محیط‌های توسعه محبوب و خطوط CI/CD

استقرار محلی

• عملیات کامل آفلاین بدون وابستگی به ابر
• پشتیبانی از فرمت‌ها و تنظیمات سفارشی مدل
• سرویس‌دهی کارآمد مدل با بهینه‌سازی خودکار سخت‌افزار

3. Windows ML

Windows ML به عنوان پلتفرم اصلی هوش مصنوعی و زمان اجرای استنتاج یکپارچه در ویندوز عمل می‌کند و به توسعه‌دهندگان امکان می‌دهد مدل‌های سفارشی را به طور کارآمد در سراسر اکوسیستم سخت‌افزاری گسترده ویندوز مستقر کنند.

مزایای معماری

پشتیبانی جهانی از سخت‌افزار

• بهینه‌سازی خودکار برای سیلیکون AMD، Intel، NVIDIA و Qualcomm
• پشتیبانی از اجرای CPU، GPU و NPU با تغییر شفاف
• انتزاع سخت‌افزاری که نیاز به کار بهینه‌سازی خاص پلتفرم را از بین می‌برد

انعطاف‌پذیری مدل

• پشتیبانی از فرمت مدل ONNX با تبدیل خودکار از چارچوب‌های محبوب
• استقرار مدل‌های سفارشی با عملکرد در سطح تولید
• یکپارچه‌سازی با معماری‌های موجود برنامه‌های ویندوز

یکپارچه‌سازی سازمانی

• سازگار با چارچوب‌های امنیتی و انطباق ویندوز
• پشتیبانی از ابزارهای استقرار و مدیریت سازمانی
• یکپارچه‌سازی با سیستم‌های مدیریت و نظارت دستگاه‌های ویندوز

گردش کار توسعه

مرحله 1: آماده‌سازی محیط و پیکربندی ابزارها

آماده‌سازی محیط توسعه

1. نصب Visual Studio 2022 با بارهای کاری C++ و .NET
2. نصب Windows App SDK نسخه 1.8.1 یا بالاتر
3. پیکربندی ابزارهای CLI Windows AI Foundry
4. تنظیم افزونه AI Toolkit برای Visual Studio Code
5. ایجاد ابزارهای پروفایلینگ عملکرد و نظارت
6. اطمینان از پیکربندی ساخت ARM64 برای بهینه‌سازی Copilot+ PC

تنظیم مخزن نمونه

1. کلون کردن مخزن نمونه‌های Windows App SDK
2. رفتن به Samples/WindowsAIFoundry/cs-winui برای نمونه‌های API هوش مصنوعی ویندوز
3. رفتن به Samples/WindowsML برای نمونه‌های جامع Windows ML
4. بررسی نیازمندی‌های ساخت برای پلتفرم‌های هدف

کاوش گالری توسعه هوش مصنوعی

• کاوش برنامه‌های نمونه و پیاده‌سازی‌های مرجع
• آزمایش API‌های هوش مصنوعی ویندوز با نمایش‌های تعاملی
• بررسی کد منبع برای بهترین شیوه‌ها و الگوها
• شناسایی نمونه‌های مرتبط برای مورد استفاده خاص شما

مرحله 2: انتخاب و یکپارچه‌سازی مدل

تحلیل نیازمندی‌ها

• تعریف نیازمندی‌های عملکردی برای قابلیت‌های هوش مصنوعی
• تعیین محدودیت‌های عملکرد و اهداف بهینه‌سازی
• ارزیابی نیازمندی‌های حریم خصوصی و امنیت
• برنامه‌ریزی معماری استقرار و استراتژی‌های مقیاس‌پذیری

ارزیابی مدل

• استفاده از Foundry Local برای آزمایش مدل‌های متن‌باز برای مورد استفاده شما
• مقایسه API‌های هوش مصنوعی ویندوز با نیازمندی‌های مدل سفارشی
• ارزیابی مصالحه‌ها بین اندازه مدل، دقت و سرعت استنتاج
• نمونه‌سازی رویکردهای یکپارچه‌سازی با مدل‌های انتخاب‌شده

مرحله 3: توسعه برنامه

یکپارچه‌سازی اصلی

• پیاده‌سازی یکپارچه‌سازی API هوش مصنوعی ویندوز با مدیریت خطای مناسب
• طراحی رابط‌های کاربری که گردش کارهای پردازش هوش مصنوعی را در نظر می‌گیرند
• پیاده‌سازی استراتژی‌های کش و بهینه‌سازی برای استنتاج مدل
• افزودن تله‌متری و نظارت برای عملکرد عملیات هوش مصنوعی

آزمایش و اعتبارسنجی

• آزمایش برنامه‌ها در پیکربندی‌های مختلف سخت‌افزاری ویندوز
• اعتبارسنجی معیارهای عملکرد تحت شرایط بار مختلف
• پیاده‌سازی آزمایش خودکار برای قابلیت اطمینان عملکرد هوش مصنوعی
• انجام آزمایش تجربه کاربری با ویژگی‌های تقویت‌شده هوش مصنوعی

مرحله 4: بهینه‌سازی و استقرار

بهینه‌سازی عملکرد

• پروفایل عملکرد برنامه در پیکربندی‌های سخت‌افزاری هدف
• بهینه‌سازی استفاده از حافظه و استراتژی‌های بارگذاری مدل
• پیاده‌سازی رفتار تطبیقی بر اساس قابلیت‌های سخت‌افزار موجود
• تنظیم دقیق تجربه کاربری برای سناریوهای عملکرد مختلف

استقرار تولید

• بسته‌بندی برنامه‌ها با وابستگی‌های مدل هوش مصنوعی مناسب
• پیاده‌سازی مکانیزم‌های به‌روزرسانی برای مدل‌ها و منطق برنامه
• پیکربندی نظارت و تحلیل برای محیط‌های تولید
• برنامه‌ریزی استراتژی‌های انتشار برای استقرار سازمانی و مصرف‌کننده

نمونه‌های پیاده‌سازی عملی

مثال 1: برنامه پردازش هوشمند اسناد

ساخت یک برنامه ویندوز که اسناد را با استفاده از قابلیت‌های متعدد هوش مصنوعی پردازش می‌کند:

فناوری‌های استفاده‌شده:

• Phi Silica برای خلاصه‌سازی اسناد و پاسخ به سوالات
• API‌های OCR برای استخراج متن از اسناد اسکن‌شده
• API‌های توصیف تصویر برای تحلیل نمودارها و دیاگرام‌ها
• مدل‌های سفارشی ONNX برای طبقه‌بندی اسناد

رویکرد پیاده‌سازی:

• طراحی معماری ماژولار با اجزای هوش مصنوعی قابل اتصال
• پیاده‌سازی پردازش غیرهمزمان برای دسته‌های بزرگ اسناد
• افزودن نشانگرهای پیشرفت و پشتیبانی از لغو برای عملیات‌های طولانی‌مدت
• شامل قابلیت آفلاین برای پردازش اسناد حساس

مثال 2: سیستم مدیریت موجودی خرده‌فروشی

ایجاد یک سیستم مدیریت موجودی مبتنی بر هوش مصنوعی برای برنامه‌های خرده‌فروشی:

فناوری‌های استفاده‌شده:

• تقسیم‌بندی تصویر برای شناسایی محصولات
• مدل‌های دید سفارشی برای طبقه‌بندی برند و دسته‌بندی
• استقرار محلی Foundry مدل‌های زبان تخصصی خرده‌فروشی
• یکپارچه‌سازی با سیستم‌های موجود POS و موجودی

رویکرد پیاده‌سازی:

• ساخت یکپارچه‌سازی دوربین برای اسکن محصولات در زمان واقعی
• پیاده‌سازی شناسایی بارکد و محصول بصری
• افزودن پرسش‌های زبان طبیعی موجودی با استفاده از مدل‌های زبان محلی
• طراحی معماری مقیاس‌پذیر برای استقرار چند فروشگاهی

مثال 3: دستیار مستندسازی مراقبت‌های بهداشتی

توسعه یک ابزار مستندسازی مراقبت‌های بهداشتی با حفظ حریم خصوصی:

فناوری‌های استفاده‌شده:

• Phi Silica برای تولید یادداشت‌های پزشکی و پشتیبانی تصمیم‌گیری بالینی
• OCR برای دیجیتالی کردن سوابق پزشکی دست‌نویس
• مدل‌های زبان پزشکی سفارشی مستقر شده از طریق Windows ML
• ذخیره‌سازی برداری محلی برای بازیابی دانش پزشکی

رویکرد پیاده‌سازی:

• اطمینان از عملیات کاملاً آفلاین برای حفظ حریم خصوصی بیماران
• پیاده‌سازی اعتبارسنجی و پیشنهاد اصطلاحات پزشکی
• افزودن ثبت گزارش‌های حسابرسی برای انطباق با مقررات
• طراحی یکپارچه‌سازی با سیستم‌های موجود سوابق الکترونیکی سلامت

استراتژی‌های بهینه‌سازی عملکرد

توسعه آگاه از سخت‌افزار

بهینه‌سازی NPU

• طراحی برنامه‌ها برای استفاده از قابلیت‌های NPU در رایانه‌های Copilot+
• پیاده‌سازی بازگشت تدریجی به GPU/CPU در دستگاه‌های بدون NPU
• بهینه‌سازی فرمت‌های مدل برای شتاب خاص NPU
• نظارت بر استفاده از NPU و ویژگی‌های حرارتی

مدیریت حافظه

• پیاده‌سازی استراتژی‌های بارگذاری و کش مدل کارآمد
• استفاده از نگاشت حافظه برای مدل‌های بزرگ برای کاهش زمان راه‌اندازی
• طراحی برنامه‌های آگاه از حافظه برای دستگاه‌های محدود منابع
• پیاده‌سازی کمینه‌سازی مدل برای بهینه‌سازی حافظه

کارایی باتری

• بهینه‌سازی عملیات هوش مصنوعی برای مصرف حداقل انرژی
• پیاده‌سازی پردازش تطبیقی بر اساس وضعیت باتری
• طراحی پردازش پس‌زمینه کارآمد برای عملیات هوش مصنوعی مداوم
• استفاده از ابزارهای پروفایلینگ انرژی برای بهینه‌سازی مصرف انرژی

ملاحظات مقیاس‌پذیری

چندریسمانی

• طراحی عملیات هوش مصنوعی ایمن برای پردازش همزمان
• پیاده‌سازی توزیع کار کارآمد در هسته‌های موجود
• استفاده از الگوهای async/await برای عملیات‌های هوش مصنوعی غیرمسدودکننده
• برنامه‌ریزی بهینه‌سازی استخر رشته برای پیکربندی‌های سخت‌افزاری مختلف

استراتژی‌های کش

• پیاده‌سازی کش هوشمند برای عملیات‌های هوش مصنوعی پرکاربرد
• طراحی استراتژی‌های ابطال کش برای به‌روزرسانی مدل‌ها
• استفاده از کش پایدار برای عملیات‌های پیش‌پردازش پرهزینه
• پیاده‌سازی کش توزیع‌شده برای سناریوهای چندکاربره

بهترین شیوه‌های امنیت و حریم خصوصی

حفاظت از داده‌ها

پردازش محلی

• اطمینان از اینکه داده‌های حساس هرگز دستگاه محلی را ترک نمی‌کنند
• پیاده‌سازی ذخیره‌سازی امن برای مدل‌های هوش مصنوعی و داده‌های موقت
• استفاده از ویژگی‌های امنیتی ویندوز برای سندباکس کردن برنامه‌ها
• اعمال رمزگذاری برای مدل‌های ذخیره‌شده و نتایج پردازش میانی

امنیت مدل

• اعتبارسنجی یکپارچگی مدل قبل از بارگذاری و اجرا
• پیاده‌سازی مکانیزم‌های به‌روزرسانی امن مدل
• استفاده از مدل‌های امضاشده برای جلوگیری از دستکاری
• اعمال کنترل‌های دسترسی برای فایل‌های مدل و تنظیمات

ملاحظات انطباق

هم‌راستایی با مقررات

• طراحی برنامه‌ها برای رعایت GDPR، HIPAA و سایر الزامات قانونی
• پیاده‌سازی ثبت گزارش‌های حسابرسی برای فرآیندهای تصمیم‌گیری هوش مصنوعی
• ارائه ویژگی‌های شفافیت برای نتایج تولیدشده توسط هوش مصنوعی
• فعال‌سازی کنترل کاربر بر پردازش داده‌های هوش مصنوعی

امنیت سازمانی

• یکپارچه‌سازی با سیاست‌های امنیتی سازمانی ویندوز
• پشتیبانی از استقرار مدیریت‌شده از طریق ابزارهای مدیریت سازمانی
• پیاده‌سازی کنترل‌های دسترسی مبتنی بر نقش برای ویژگی‌های هوش مصنوعی
• ارائه کنترل‌های مدیریتی برای عملکرد هوش مصنوعی

عیب‌یابی و رفع اشکال

چالش‌های رایج توسعه

مشکلات پیکربندی ساخت

• اطمینان از پیکربندی پلتفرم ARM64 برای نمونه‌های API هوش مصنوعی ویندوز
• بررسی سازگاری نسخه Windows App SDK (نیاز به نسخه 1.8.1+)
• بررسی اینکه هویت بسته به درستی پیکربندی شده است (مورد نیاز برای API‌های هوش مصنوعی ویندوز)
• اعتبارسنجی اینکه ابزارهای ساخت از نسخه چارچوب هدف پشتیبانی می‌کنند

مشکلات بارگذاری مدل

• اعتبارسنجی سازگاری مدل ONNX با Windows ML
• بررسی یکپارچگی فایل مدل و الزامات فرمت
• تأیید الزامات قابلیت سخت‌افزار برای مدل‌های خاص
• رفع اشکال مشکلات تخصیص حافظه در هنگام بارگذاری مدل
• اطمینان از ثبت ارائه‌دهنده اجرا برای شتاب سخت‌افزاری

ملاحظات حالت استقرار

• حالت خودکفا: کاملاً پشتیبانی‌شده با اندازه استقرار بزرگ‌تر
• حالت وابسته به چارچوب: ردپای کوچک‌تر اما نیاز به زمان اجرای مشترک
• برنامه‌های بدون بسته‌بندی: دیگر برای API‌های هوش مصنوعی ویندوز پشتیبانی نمی‌شود
• استفاده از dotnet run -p:Platform=ARM64 -p:SelfContained=true برای استقرار خودکفا ARM64

مشکلات عملکرد

• پروفایل عملکرد برنامه در پیکربندی‌های سخت‌افزاری مختلف
• شناسایی گلوگاه‌ها در خطوط پردازش هوش مصنوعی
• بهینه‌سازی عملیات‌های پیش‌پردازش و پس‌پردازش داده‌ها
• پیاده‌سازی نظارت بر عملکرد و هشداردهی

مشکلات یکپارچه‌سازی

• رفع اشکال مشکلات یکپارچه‌سازی API با مدیریت خطای مناسب
• اعتبارسنجی فرمت‌های داده ورودی و الزامات پیش‌پردازش
• آزمایش موارد لبه و شرایط خطا به طور کامل
• پیاده‌سازی ثبت جامع برای رفع اشکال مشکلات تولید

ابزارها و تکنیک‌های رفع اشکال

یکپارچه‌سازی Visual Studio

• استفاده از دیباگر AI Toolkit برای تحلیل اجرای مدل
• پیاده‌سازی پروفایلینگ عملکرد برای عملیات‌های هوش مصنوعی
• رفع اشکال عملیات‌های هوش مصنوعی غیرهمزمان با مدیریت استثنای مناسب
• استفاده از ابزارهای پروفایلینگ حافظه برای بهینه‌سازی

ابزارهای Windows AI Foundry

• استفاده از CLI Foundry Local برای آزمایش و اعتبارسنجی مدل
• استفاده از ابزارهای آزمایش API هوش مصنوعی ویندوز برای تأیید یکپارچه‌سازی
• پیاده‌سازی ثبت سفارشی برای نظارت بر عملیات هوش مصنوعی
• ایجاد آزمایش خودکار برای قابلیت اطمینان عملکرد هوش مصنوعی

آینده‌نگری برای برنامه‌های شما

فناوری‌های نوظهور

سخت‌افزار نسل بعدی

• طراحی برنامه‌ها برای استفاده از قابلیت‌های آینده NPU
• برنامه‌ریزی برای افزایش اندازه و پیچیدگی مدل‌ها
• پیاده‌سازی معماری‌های تطبیقی برای سخت‌افزار در حال تکامل
• در نظر گرفتن الگوریتم‌های آماده کوانتوم برای سازگاری آینده

قابلیت‌های پیشرفته هوش مصنوعی

• آماده‌سازی برای یکپارچه‌سازی چندوجهی هوش مصنوعی در انواع داده‌های بیشتر
• برنامه‌ریزی برای همکاری هوش مصنوعی در زمان واقعی بین دستگاه‌های متعدد
• طراحی برای قابلیت‌های یادگیری فدرال
• در نظر گرفتن معماری‌های هوش ترکیبی لبه-ابر

یادگیری و تطبیق مداوم

به‌روزرسانی مدل‌ها

• پیاده‌سازی مکانیزم‌های به‌روزرسانی بی‌وقفه مدل
• مروری بر Windows ML
• نیازمندی‌های سیستم برای Windows App SDK
• راه‌اندازی محیط توسعه Windows App SDK

مخازن نمونه و کد

• نمونه‌های Windows App SDK - Windows AI Foundry
• نمونه‌های Windows App SDK - Windows ML
• نمونه‌های استنتاج ONNX Runtime
• مخزن نمونه‌های Windows App SDK

ابزارهای توسعه

• ابزارهای AI برای Visual Studio Code
• گالری توسعه‌دهندگان AI
• نمونه‌های Windows AI
• ابزارهای تبدیل مدل

پشتیبانی فنی

• مستندات Windows ML
• مستندات ONNX Runtime
• مستندات Windows App SDK
• گزارش مشکلات - نمونه‌های Windows App SDK

جامعه و پشتیبانی

• جامعه توسعه‌دهندگان Windows
• وبلاگ Windows AI Foundry
• آموزش هوش مصنوعی Microsoft Learn

---

این راهنما برای هماهنگی با اکوسیستم در حال پیشرفت Windows AI طراحی شده است. به‌روزرسانی‌های منظم، هم‌راستایی با جدیدترین قابلیت‌های پلتفرم و بهترین شیوه‌های توسعه را تضمین می‌کنند.

08. کار عملی با Microsoft Foundry Local - مجموعه کامل ابزارهای توسعه‌دهنده

---

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه انسانی حرفه‌ای استفاده کنید. ما هیچ مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.