EdgeAI for nybegynnere

April 6, 2026 · View on GitHub

Kurs omslagsbilde

Følg disse trinnene for å komme i gang med å bruke disse ressursene:

Gaffel repoet: Klikk
Klon repoet: git clone https://github.com/microsoft/edgeai-for-beginners.git
Bli med i Azure AI Foundry Discord og møt eksperter og andre utviklere

🌐 Støtte for flere språk

Støttet via GitHub Action (Automatisk og alltid oppdatert)

Foretrekker å klone lokalt?

Dette repoet inkluderer 50+ språkoversettelser som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk sparsjekontroll:

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"
Dette gir deg alt du trenger for å fullføre kurset med mye raskere nedlasting.

Hvis du ønsker flere støttede oversettelsesspråk, finnes de listet her

Velkommen til EdgeAI for nybegynnere – din omfattende reise inn i den transformative verdenen av Edge kunstig intelligens. Dette kurset bygger bro mellom kraftige AI-muligheter og praktisk, virkelig distribusjon på kant-enheter, og gir deg evnen til å utnytte AI sitt potensiale direkte der hvor data genereres og beslutninger må tas.

Hva du vil mestre

Dette kurset tar deg fra grunnleggende konsepter til produksjonsklare implementeringer, og dekker:

Små språkmodeller (SLMs) optimalisert for kant-distribusjon
Maskinvarebevisst optimalisering på tvers av ulike plattformer
Sanntidsinferenser med personvernbevarende muligheter
Strategier for produksjonsdistribusjon for bedriftsapplikasjoner

Hvorfor EdgeAI er viktig

Edge AI representerer et paradigmeskifte som adresserer kritiske moderne utfordringer:

Personvern og sikkerhet: Behandle sensitiv data lokalt uten eksponering mot skyen
Sanntidsprestasjon: Eliminere nettverksforsinkelse for tidskritiske applikasjoner
Kostnadseffektivitet: Redusere båndbredde- og skykostnader
Robuste operasjoner: Opprettholde funksjonalitet under nettverksavbrudd
Regulatorisk samsvar: Oppfylle krav om datasuverenitet

Edge AI

Edge AI betyr å kjøre AI-algoritmer og språkmodeller lokalt på maskinvare, nær der data genereres, uten å stole på skyressurser for inferens. Det reduserer forsinkelse, forbedrer personvern, og muliggjør sanntidsbeslutninger.

Kjerneprinsipper:

Inferens på enheten: AI-modeller kjører på kant-enheter (telefoner, rutere, mikrokontrollere, industrielle PC-er)
Offline-funksjonalitet: Fungerer uten konstant internettforbindelse
Lav forsinkelse: Umiddelbare responser egnet for sanntidssystemer
Datasuverenitet: Holder sensitiv data lokalt, forbedrer sikkerhet og samsvar

Små språkmodeller (SLMs)

SLMer som Phi-4, Mistral-7B og Gemma er optimaliserte versjoner av større LLM-er—trent eller destillert for:

Redusert minnebruk: Effektiv bruk av begrenset minne på kant-enheter
Lavere beregningsbehov: Optimalisert for CPU og kant-GPU-ytelse
Raskere oppstartstid: Kjapp initialisering for responsive applikasjoner

De låser opp kraftige NLP-funksjoner samtidig som de tilfredsstiller begrensningene til:

Innebygde systemer: IoT-enheter og industrielle kontrollere
Mobile enheter: Smarttelefoner og nettbrett med offline-muligheter
IoT-enheter: Sensorer og smarte enheter med begrensede ressurser
Edge-servere: Lokale prosesseringsenheter med begrensede GPU-ressurser
Personlige datamaskiner: Stasjonær og bærbar distribusjon

Kursmoduler og navigasjon

Modul	Emne	Fokusområde	Nøkkelinnhold	Nivå	Varighet
📖 00	Introduksjon til EdgeAI	Grunnlag og kontekst	EdgeAI Oversikt • Bransjeapplikasjoner • SLM-introduksjon • Læringsmål	Nybegynner	1-2 timer
📚 01	EdgeAI Grunnprinsipper	Sky vs Edge AI sammenligning	EdgeAI Grunnprinsipper • Virkelige caser • Implementeringsveiledning • Edge-distribusjon	Nybegynner	3-4 timer
🧠 02	SLM Modellgrunnlag	Modellfamilier og arkitektur	Phi-familien • Qwen-familien • Gemma-familien • BitNET • μModel • Phi-Silica	Nybegynner	4-5 timer
🚀 03	SLM Distribusjonspraksis	Lokal og skybasert distribusjon	Avansert læring • Lokalt miljø • Sky-distribusjon	Mellomnivå	4-5 timer
⚙️ 04	Verktøykasse for modelloptimalisering	Tverrplattformoptimalisering	Innføring • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • Arbeidsflytsyntese	Mellomnivå	5-6 timer
🔧 05	SLMOps Produksjon	Produksjonsoperasjoner	SLMOps introduksjon • Modelldestillasjon • Finjustering • Produksjonsdistribusjon	Avansert	5-6 timer
🤖 06	AI-agenter & Funksjonskall	Agentrammeverk og MCP	Agentintroduksjon • Funksjonskall • Modellkontekstprotokoll	Avansert	4-5 timer
💻 07	Plattformimplementering	Tverrplattformeksempler	AI-verktøykasse • Foundry Local • Windows utvikling	Avansert	3-4 timer
🏭 08	Foundry Local Verktøykasse	Produksjonsklare eksempler	Eksempelsøknader (se detaljer nedenfor)	Ekspert	8-10 timer

🏭 Modul 08: Eksempelsøknader

🎓 Workshop: Praktisk læringsvei

Omfattende praktisk workshop-materiale med produksjonsklare implementeringer:

Workshop Guide - Komplette læringsmål, resultater og ressursnavigasjon
Python-eksempler (6 økter) - Oppdatert med beste praksis, feilhåndtering og omfattende dokumentasjon
Jupyter Notebooks (8 interaktive) - Steg-for-steg veiledninger med benchmarks og ytelsesovervåkning
Øktveiledninger - Detaljerte markdown-veiledninger for hver workshop-økt
Valideringsverktøy - Skript for å verifisere kodekvalitet og kjøre røyktester

Hva du vil bygge:

Lokale AI-chat-applikasjoner med streamingstøtte
RAG-pipelines med kvalitetsevaluering (RAGAS)
Multi-modell benchmarking og sammenligning
Multi-agent orkestreringssystemer
Intelligente modellrutere basert på oppgavevalg

🎙️ Workshop For Agentic: Praktisk - AI Podcast Studio

Bygg en AI-drevet podcastproduksjonspipeline fra bunnen av! Denne engasjerende workshoppen lærer deg å lage et komplett multi-agent system som forvandler ideer til profesjonelle podcastepisoder.

🎬 Start The AI Podcast Studio Workshop

Din oppgave: Lanser "Future Bytes" — en teknologipodcast drevet helt av AI-agenter du bygger selv. Ingen skyavhengigheter, ingen API-kostnader — alt kjører lokalt på din maskin.

Hva som gjør dette unikt:

🤖 Ekte multi-agent orkestrering - Bygg spesialiserte AI-agenter som forsker, skriver og produserer lyd
🎯 Komplett produksjonspipeline - Fra valg av tema til ferdig podcastlyd
💻 100% Lokal distribusjon - Bruker Ollama og lokale modeller (Qwen-3-8B) for full personvern og kontroll
🎤 Tekst-til-tale integrasjon - Forvandle manus til naturlig klingende samtaler med flere stemmer
✋ Menneskelig kontrollpunkt i arbeidsflyter - Godkjenningsporter sikrer kvalitet samtidig som automatiseringen bevares

Læringsreise i tre akter:

Akt	Fokus	Nøkkelferdigheter	Varighet
Akt 1: Møt dine AI-assistenter	Bygg din første AI-agent	Verktøyintegrasjon • Websøk • Problemløsning • Agentisk resonnering	2-3 timer
Akt 2: Sett sammen ditt produksjonsteam	Orkestrere flere agenter	Teamkoordinering • Godkjenningsflyter • DevUI-grensesnitt • Menneskelig tilsyn	3-4 timer
Akt 3: Gi liv til podcasten din	Generer podcastlyd	Tekst-til-tale • Flerstemmesyntese • Langformat lyd • Full automatisering	2-3 timer

Brukte teknologier:

Microsoft Agent Framework - Multi-agent orkestrering og koordinering
Ollama - Lokalt AI-modell-runtime (ingen sky nødvendig)
Qwen-3-8B - Åpen kildekode språkmodell optimalisert for agentiske oppgaver
Tekst-til-tale API-er - Naturlig stemmesyntese for podcastgenerering

Maskinvarestøtte:

✅ CPU-modus - Fungerer på hvilken som helst moderne datamaskin (anbefalt 8GB+ RAM)
🚀 GPU-akselerasjon - Betydelig raskere inferens med NVIDIA/AMD GPUer
⚡ NPU-støtte - Neste generasjons nevral behandling akselerasjon

Perfekt for:

Utviklere som lærer multi-agent AI-systemer
Alle med interesse for AI-automatisering og arbeidsflyter
Innholdsprodusenter som utforsker AI-assistert produksjon
Studenter som studerer praktiske AI-orkestreringsmønstre

Start byggingen: 🎙️ The AI Podcast Studio Workshop →

📊 Sammendrag av læringsløype

Total varighet: 36-45 timer
Nybegynnerløype: Moduler 01-02 (7-9 timer)
Mellomnivåløype: Moduler 03-04 (9-11 timer)
Avansert løype: Moduler 05-07 (12-15 timer)
Ekspertløype: Modul 08 (8-10 timer)

Hva du vil bygge

🎯 Kjernekompetanser

Edge AI-arkitektur: Design lokale AI-systemer med skyløs integrasjon
Modelloptimalisering: Kvantisere og komprimere modeller for edge-distribusjon (85 % fartsgain, 75 % størrelsesreduksjon)
Multi-plattform distribusjon: Windows, mobil, innebygde og sky-edge hybride systemer
Produksjonsoperasjoner: Overvåking, skalering og vedlikehold av Edge AI i produksjon

🏗️ Praktiske prosjekter

Foundry Local Chat-apper: Windows 11 native applikasjon med modellbryting
Multi-agent systemer: Koordinator med spesialistagenter for komplekse arbeidsflyter
RAG-applikasjoner: Lokal dokumentbehandling med vektorsøk
Modellrutere: Intelligent valg mellom modeller basert på oppgaveanalyse
API-rammeverk: Produksjonsklare klienter med streaming og helsesjekk
Tverrplattformverktøy: LangChain/Semantic Kernel integrasjonsmønstre

🏢 Industrielle anvendelser

Produksjon • Helsevesen • Autonome kjøretøy • Smartere byer • Mobilapper

Rask start

Anbefalt læringsløype (totalt 20-30 timer):

📖 Introduksjon (Introduction.md): EdgeAI-grunnlag + industrieffekt + læringsrammeverk
📚 Grunnlag (Moduler 01-02): EdgeAI-konsepter + SLM-modellfamilier
⚙️ Optimalisering (Moduler 03-04): Distribusjon + kvantiseringsrammeverk
🚀 Produksjon (Moduler 05-06): SLMOps + AI-agenter + funksjonskalling
💻 Implementering (Moduler 07-08): Plattformeksempler + Foundry Local verktøykasse

Hver modul inkluderer teori, praktiske øvelser og produksjonsklare kodesnutter.

Karriereeffekt

Tekniske roller: EdgeAI-løsningsarkitekt • ML-ingeniør (Edge) • IoT AI-utvikler • Mobil AI-utvikler

Bransjesektorer: Produksjon 4.0 • Helsevesensteknologi • Autonome systemer • FinTech • Forbrukerelektronikk

Porteføljeprosjekter: Multi-agent systemer • Produksjons-RAG-apper • Tverrplattform distribusjon • Ytelsesoptimalisering

Repositoriumstruktur

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

Kurs høydepunkter

✅ Progressiv læring: Teori → Praksis → Produksjonsdistribusjon
✅ Virkelige case-studier: Microsoft, Japan Airlines, bedriftsimplementeringer
✅ Praktiske eksempler: 50+ eksempler, 10 omfattende Foundry Local demoer
✅ Ytelsesfokus: 85 % raskere, 75 % mindre størrelse
✅ Multi-plattform: Windows, mobil, innebygde, sky-edge hybrid
✅ Produksjonsklart: Overvåking, skalering, sikkerhet, compliance rammeverk

📖 Studieveiledning tilgjengelig: Strukturert 20-timers læringsløype med tidsallokeringsveiledning og selvvurderingsverktøy.

EdgeAI representerer fremtiden for AI-distribusjon: lokal-først, personvernbeskyttende og effektiv. Mestre disse ferdighetene for å bygge neste generasjon intelligente applikasjoner.

Andre kurs

Vårt team produserer flere kurs! Sjekk ut:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

Core Learning

Copilot Series

Få hjelp

Hvis du sitter fast eller har spørsmål om å bygge AI-apper, bli med:

Hvis du har tilbakemeldinger på produktet eller feil under bygging, besøk:

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som følge av bruk av denne oversettelsen.