# Peatükk 01: AI juurutamise muutmine serva jaoks

EdgeAI esindab paradigmat, kus tehisintellekti juurutamine liigub pilvepõhisest töötlemisest kohalikele servaseadmetele. Selles peatükis uuritakse põhimõisteid, võtmetehnoloogiaid ja praktilisi rakendusi, mis määratlevad selle tehisintellekti rakendamise muutva lähenemisviisi.

## Mooduli struktuur

### [Jaotis 1: EdgeAI põhialused](./01.EdgeAIFundamentals.md)
See jaotis loob aluse, võrreldes traditsioonilisi pilvepõhiseid AI mudeleid serva AI juurutamise mudelitega. Uurime kriitilisi võimaldavaid tehnoloogiaid, sealhulgas mudeli kvantiseerimist, kompressiooni optimeerimist ja väikeseid keelemudeleid (SLM), mis ületavad servaseadmete arvutuslikud piirangud. Arutelu keskendub sellele, kuidas need uuendused pakuvad paremat privaatsuskaitset, ülimadalat latentsust ja tugevat võrguühenduseta töötlemisvõimekust.

### [Jaotis 2: Reaalse maailma juhtumiuuringud](./02.RealWorldCaseStudies.md)
Konkreetsete näidete, nagu Microsofti Phi ja Mu mudeliekosüsteemid ning Japan Airlinesi AI aruandlussüsteem, kaudu näitab see jaotis EdgeAI edukat rakendamist erinevates tööstusharudes. Need juhtumiuuringud kinnitavad SLM-ide erakordset jõudlust spetsialiseeritud ülesannetes ja illustreerivad serva juurutamise strateegiate praktilisi eeliseid.

### [Jaotis 3: Praktiline rakendamise juhend](./03.PracticalImplementationGuide.md)
See jaotis pakub põhjalikke keskkonna ettevalmistamise juhiseid praktiliseks õppimiseks, hõlmates olulisi arendustööriistu, riistvaranõudeid, põhivahendite ressursse ja optimeerimisraamistikke. See loob tehnilise aluse, mis on vajalik õppijatele oma EdgeAI lahenduste loomiseks ja juurutamiseks.

### [Jaotis 4: Edge AI juurutamise riistvaraplatvormid](./04.EdgeDeployment.md)
See jaotis uurib riistvara ökosüsteemi, mis võimaldab serva AI juurutamist, hõlmates platvorme nagu Intel, Qualcomm, NVIDIA ja Windows AI PC-d. See pakub üksikasjalikke võrdlusi riistvara võimaluste, platvormispetsiifiliste optimeerimistehnikate ja praktiliste juurutamise kaalutluste kohta erinevates serva arvutamise stsenaariumides.

## Olulised õpitulemused

Peatüki lõpuks mõistavad lugejad:
- Pilve ja serva AI arhitektuuride põhilisi erinevusi
- Serva juurutamise optimeerimise põhitehnikaid
- Reaalse maailma rakendusi ja edulugusid
- Praktilisi oskusi EdgeAI lahenduste rakendamiseks
- Riistvaraplatvormide valikut ja platvormispetsiifilisi optimeerimislähenemisi
- Jõudluse võrdlusuuringuid ja juurutamise parimaid tavasid

## Tuleviku mõjud

EdgeAI kujuneb kriitiliseks suundumuseks, mis kujundab tehisintellekti juurutamise tulevikku, sillutades teed hajutatud, tõhusatele ja privaatsust säilitavatele AI-süsteemidele, mis suudavad töötada sõltumatult pilveühendusest, säilitades samal ajal kõrged jõudlusstandardid.

---

**Lahtiütlus**:  
See dokument on tõlgitud AI tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame tagada täpsust, palume arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algne dokument selle algses keeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitame kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti tõlgenduste eest.