# Luku 01: AI:n käyttöönoton muuttaminen reunalaskennassa

EdgeAI edustaa merkittävää muutosta tekoälyn käyttöönotossa, siirtäen AI:n kyvykkyydet pilvipohjaisesta käsittelystä paikallisille reunalaitteille. Tässä luvussa tarkastellaan peruskäsitteitä, keskeisiä teknologioita ja käytännön sovelluksia, jotka määrittelevät tämän mullistavan lähestymistavan tekoälyn toteutukseen.

## Moduulin rakenne

### [Osio 1: EdgeAI:n perusteet](./01.EdgeAIFundamentals.md)
Tässä osiossa luodaan perusta vertaamalla perinteistä pilvipohjaista tekoälyä ja reunalaskennan AI-malleja. Tarkastelemme keskeisiä mahdollistavia teknologioita, kuten mallien kvantisointia, pakkausoptimointia ja pieniä kielimalleja (SLM), jotka voittavat reunalaitteiden laskennalliset rajoitteet. Keskustelu korostaa, kuinka nämä innovaatiot tarjoavat parannettua yksityisyyden suojaa, erittäin matalaa viivettä ja vahvoja offline-käsittelyominaisuuksia.

### [Osio 2: Tosielämän tapaustutkimukset](./02.RealWorldCaseStudies.md)
Konkreettisten esimerkkien, kuten Microsoftin Phi- ja Mu-malliekosysteemien sekä Japan Airlinesin AI-raportointijärjestelmän kautta, tämä osio esittelee onnistuneita EdgeAI-toteutuksia eri toimialoilla. Nämä tapaustutkimukset vahvistavat SLM:ien poikkeuksellisen suorituskyvyn erikoistuneissa tehtävissä ja havainnollistavat reunalaskennan käyttöönoton käytännön hyötyjä.

### [Osio 3: Käytännön toteutusopas](./03.PracticalImplementationGuide.md)
Tämä osio tarjoaa kattavat ohjeet ympäristön valmisteluun käytännön oppimista varten, kattaen olennaiset kehitystyökalut, laitteistovaatimukset, ydinkallioresurssit ja optimointikehykset. Se luo teknisen perustan, joka on tarpeen omien EdgeAI-ratkaisujen rakentamiseen ja käyttöönottoon.

### [Osio 4: Edge AI:n käyttöönoton laitealustat](./04.EdgeDeployment.md)
Tässä osiossa tarkastellaan laite-ekosysteemiä, joka mahdollistaa EdgeAI:n käyttöönoton, kattaen alustat Inteliltä, Qualcommilta, NVIDIA:lta ja Windows AI -tietokoneilta. Se tarjoaa yksityiskohtaisia vertailuja laitteistojen ominaisuuksista, alustakohtaisista optimointitekniikoista ja käytännön käyttöönoton näkökohdista eri reunalaskentaskenaarioissa.

## Keskeiset oppimistavoitteet

Luvun lopussa lukijat ymmärtävät:
- Pilvi- ja reunalaskennan AI-arkkitehtuurien keskeiset erot
- Reunalaskennan optimointitekniikat
- Tosielämän sovellukset ja menestystarinat
- Käytännön taidot EdgeAI-ratkaisujen toteuttamiseen
- Laitteistoalustojen valinnan ja alustakohtaiset optimointilähestymistavat
- Suorituskyvyn vertailu ja käyttöönoton parhaat käytännöt

## Tulevaisuuden vaikutukset

EdgeAI nousee kriittiseksi trendiksi, joka muokkaa tekoälyn käyttöönoton tulevaisuutta, avaten tien hajautetuille, tehokkaille ja yksityisyyttä suojaaville AI-järjestelmille, jotka voivat toimia itsenäisesti ilman pilviyhteyttä samalla säilyttäen korkeat suorituskyvyn standardit.

---

**Vastuuvapauslauseke**:  
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.