# Kapitola 01: Transformace nasazení AI pro Edge

EdgeAI představuje zásadní změnu v nasazení umělé inteligence, kdy se schopnosti AI přesouvají z cloudového zpracování na lokální edge zařízení. Tato kapitola zkoumá základní koncepty, klíčové technologie a praktické aplikace, které definují tento transformační přístup k implementaci AI.

## Struktura modulu

### [Sekce 1: Základy EdgeAI](./01.EdgeAIFundamentals.md)
Tato sekce vytváří základní přehled tím, že porovnává tradiční cloudové AI s modely nasazení EdgeAI. Zkoumáme klíčové technologie, jako je kvantizace modelů, optimalizace komprese a malé jazykové modely (SLM), které překonávají výpočetní omezení edge zařízení. Diskuze zdůrazňuje, jak tyto inovace přinášejí lepší ochranu soukromí, ultra-nízkou latenci a robustní offline zpracování.

### [Sekce 2: Případové studie z reálného světa](./02.RealWorldCaseStudies.md)
Prostřednictvím konkrétních příkladů, jako jsou ekosystémy modelů Phi a Mu od Microsoftu a AI systém pro reportování od Japan Airlines, tato sekce ukazuje úspěšné implementace EdgeAI napříč různými odvětvími. Tyto případové studie potvrzují výjimečný výkon SLM při specializovaných úlohách a ilustrují praktické výhody strategií nasazení na edge.

### [Sekce 3: Praktický průvodce implementací](./03.PracticalImplementationGuide.md)
Tato sekce poskytuje komplexní pokyny pro přípravu prostředí pro praktické učení, zahrnující základní vývojové nástroje, požadavky na hardware, klíčové zdroje modelů a optimalizační rámce. Vytváří technický základ nezbytný pro to, aby si čtenáři mohli sami vytvořit a nasadit vlastní EdgeAI řešení.

### [Sekce 4: Hardwarové platformy pro nasazení Edge AI](./04.EdgeDeployment.md)
Tato sekce zkoumá hardwarový ekosystém, který umožňuje nasazení EdgeAI, a pokrývá platformy od společností Intel, Qualcomm, NVIDIA a Windows AI PC. Poskytuje podrobné srovnání schopností hardwaru, technik optimalizace specifických pro platformy a praktických úvah o nasazení v různých scénářích edge computingu.

## Klíčové výstupy učení

Na konci této kapitoly čtenáři porozumí:
- Základním rozdílům mezi cloudovou a edge AI architekturou
- Klíčovým optimalizačním technikám pro nasazení na edge
- Aplikacím z reálného světa a úspěšným příkladům
- Praktickým dovednostem pro implementaci EdgeAI řešení
- Výběru hardwarových platforem a optimalizačním přístupům specifickým pro platformy
- Benchmarkingu výkonu a osvědčeným postupům pro nasazení

## Budoucí dopady

EdgeAI se stává klíčovým trendem, který formuje budoucnost nasazení AI, a otevírá cestu k distribuovaným, efektivním a soukromí chránícím AI systémům, které mohou fungovat nezávisle na cloudové konektivitě a zároveň si zachovat vysoké standardy výkonu.

---

**Prohlášení**:  
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.