# Глава 01: Трансформация внедрения ИИ для периферийных устройств

EdgeAI представляет собой кардинальное изменение в подходе к внедрению искусственного интеллекта, перемещая возможности ИИ с облачной обработки на локальные периферийные устройства. В этой главе рассматриваются основные концепции, ключевые технологии и практические приложения, которые определяют этот преобразующий подход к реализации ИИ.

## Структура модуля

### [Раздел 1: Основы EdgeAI](./01.EdgeAIFundamentals.md)
Этот раздел закладывает основу, сравнивая традиционные облачные модели ИИ с моделями внедрения EdgeAI. Мы изучаем ключевые технологии, такие как квантование моделей, оптимизация сжатия и Малые языковые модели (SLMs), которые преодолевают вычислительные ограничения периферийных устройств. Особое внимание уделяется тому, как эти инновации обеспечивают улучшенную защиту конфиденциальности, сверхнизкую задержку и надежные возможности обработки в автономном режиме.

### [Раздел 2: Реальные примеры](./02.RealWorldCaseStudies.md)
На конкретных примерах, таких как экосистемы моделей Phi и Mu от Microsoft и система отчетности с использованием ИИ от Japan Airlines, этот раздел демонстрирует успешные внедрения EdgeAI в различных отраслях. Эти кейсы подтверждают исключительную производительность SLMs в специализированных задачах и иллюстрируют практические преимущества стратегий периферийного внедрения.

### [Раздел 3: Практическое руководство по реализации](./03.PracticalImplementationGuide.md)
Этот раздел предоставляет подробные рекомендации по подготовке среды для практического обучения, охватывая основные инструменты разработки, требования к оборудованию, ключевые ресурсы моделей и оптимизационные фреймворки. Он закладывает техническую основу, необходимую для того, чтобы обучающиеся могли создавать и внедрять собственные решения EdgeAI.

### [Раздел 4: Аппаратные платформы для внедрения EdgeAI](./04.EdgeDeployment.md)
Этот раздел исследует экосистему оборудования, которая позволяет внедрять EdgeAI, охватывая платформы от Intel, Qualcomm, NVIDIA и Windows AI PCs. Он предоставляет подробные сравнения возможностей оборудования, платформенно-специфических техник оптимизации и практических соображений по внедрению в различных сценариях периферийных вычислений.

## Основные результаты обучения

К концу этой главы читатели будут понимать:
- Основные различия между архитектурами облачного и периферийного ИИ
- Основные техники оптимизации для периферийного внедрения
- Реальные примеры и успешные кейсы
- Практические навыки для реализации решений EdgeAI
- Выбор аппаратных платформ и подходы к платформенно-специфической оптимизации
- Оценку производительности и лучшие практики внедрения

## Будущие перспективы

EdgeAI становится ключевой тенденцией, формирующей будущее внедрения ИИ, прокладывая путь к распределенным, эффективным и конфиденциальным системам ИИ, которые могут работать независимо от облачного подключения, сохраняя при этом высокие стандарты производительности.

---

**Отказ от ответственности**:  
Этот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, учитывайте, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникающие в результате использования данного перевода.