# Poglavlje 01: Transformacija implementacije AI-a za rubne uređaje

EdgeAI predstavlja promjenu paradigme u implementaciji umjetne inteligencije, premještajući AI mogućnosti s obrade u oblaku na lokalne rubne uređaje. Ovo poglavlje istražuje temeljne pojmove, ključne tehnologije i praktične primjene koje definiraju ovaj transformativni pristup implementaciji AI-a.

## Struktura modula

### [Odjeljak 1: Osnove EdgeAI-a](./01.EdgeAIFundamentals.md)
Ovaj odjeljak postavlja temelje uspoređujući tradicionalne AI modele temeljene na oblaku s modelima implementacije AI-a na rubnim uređajima. Istražujemo ključne tehnologije poput kvantizacije modela, optimizacije kompresije i malih jezičnih modela (SLM-ova) koji prevladavaju računalna ograničenja rubnih uređaja. Rasprava naglašava kako ove inovacije omogućuju poboljšanu zaštitu privatnosti, ultra-nisku latenciju i robusne mogućnosti obrade izvan mreže.

### [Odjeljak 2: Studije slučaja iz stvarnog svijeta](./02.RealWorldCaseStudies.md)
Kroz konkretne primjere poput Microsoftovih ekosustava modela Phi i Mu te AI sustava za izvještavanje Japan Airlinesa, ovaj odjeljak prikazuje uspješne implementacije EdgeAI-a u raznim industrijama. Ove studije slučaja potvrđuju izvanredne performanse SLM-ova u specijaliziranim zadacima i ilustriraju praktične prednosti strategija implementacije na rubnim uređajima.

### [Odjeljak 3: Praktični vodič za implementaciju](./03.PracticalImplementationGuide.md)
Ovaj odjeljak pruža sveobuhvatne smjernice za pripremu okruženja za praktično učenje, pokrivajući osnovne razvojne alate, zahtjeve za hardverom, ključne resurse modela i okvire za optimizaciju. Postavlja tehničke temelje potrebne za izgradnju i implementaciju vlastitih EdgeAI rješenja.

### [Odjeljak 4: Hardverske platforme za implementaciju EdgeAI-a](./04.EdgeDeployment.md)
Ovaj odjeljak istražuje hardverski ekosustav koji omogućuje implementaciju EdgeAI-a, pokrivajući platforme poput Intel-a, Qualcomm-a, NVIDIA-e i Windows AI PC-a. Pruža detaljne usporedbe hardverskih mogućnosti, tehnike optimizacije specifične za platformu i praktične razmatranja implementacije u raznim scenarijima rubnog računalstva.

## Ključni ishodi učenja

Do kraja ovog poglavlja, čitatelji će razumjeti:
- Temeljne razlike između arhitektura AI-a u oblaku i na rubnim uređajima
- Osnovne tehnike optimizacije za implementaciju na rubnim uređajima
- Primjene u stvarnom svijetu i uspješne primjere
- Praktične vještine za implementaciju EdgeAI rješenja
- Odabir hardverskih platformi i pristupe optimizaciji specifične za platformu
- Benchmarking performansi i najbolje prakse za implementaciju

## Buduće implikacije

EdgeAI se pojavljuje kao ključni trend koji oblikuje budućnost implementacije AI-a, otvarajući put za distribuirane, učinkovite i sustave umjetne inteligencije koji čuvaju privatnost, a mogu raditi neovisno o povezanosti s oblakom, uz održavanje visokih standarda performansi.

---

**Odricanje od odgovornosti**:  
Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.