# Kapitola 01: Transformácia nasadenia AI pre Edge

EdgeAI predstavuje zásadnú zmenu v nasadení umelej inteligencie, presúvajúc schopnosti AI z cloudového spracovania na lokálne edge zariadenia. Táto kapitola skúma základné koncepty, kľúčové technológie a praktické aplikácie, ktoré definujú tento transformačný prístup k implementácii AI.

## Štruktúra modulu

### [Sekcia 1: Základy EdgeAI](./01.EdgeAIFundamentals.md)
Táto sekcia vytvára základ tým, že porovnáva tradičné cloudové AI modely s modelmi nasadenia EdgeAI. Skúmame kľúčové technológie, ako sú kvantizácia modelov, optimalizácia kompresie a malé jazykové modely (SLMs), ktoré prekonávajú výpočtové obmedzenia edge zariadení. Diskusia zdôrazňuje, ako tieto inovácie prinášajú zvýšenú ochranu súkromia, ultra-nízku latenciu a robustné offline spracovanie.

### [Sekcia 2: Prípadové štúdie z reálneho sveta](./02.RealWorldCaseStudies.md)
Prostredníctvom konkrétnych príkladov, ako sú ekosystémy modelov Phi a Mu od Microsoftu a AI systém reportovania od Japan Airlines, táto sekcia demonštruje úspešné implementácie EdgeAI v rôznych odvetviach. Tieto prípadové štúdie potvrdzujú výnimočný výkon SLMs v špecializovaných úlohách a ilustrujú praktické výhody stratégií nasadenia na edge.

### [Sekcia 3: Praktický sprievodca implementáciou](./03.PracticalImplementationGuide.md)
Táto sekcia poskytuje komplexné pokyny na prípravu prostredia pre praktické učenie, pokrývajúc základné vývojové nástroje, požiadavky na hardvér, zdroje základných modelov a optimalizačné rámce. Vytvára technický základ potrebný pre študentov na vytvorenie a nasadenie vlastných EdgeAI riešení.

### [Sekcia 4: Hardvérové platformy pre nasadenie Edge AI](./04.EdgeDeployment.md)
Táto sekcia skúma hardvérový ekosystém, ktorý umožňuje nasadenie EdgeAI, pokrývajúc platformy od Intel, Qualcomm, NVIDIA a Windows AI PC. Poskytuje podrobné porovnania schopností hardvéru, techniky optimalizácie špecifické pre platformy a praktické úvahy o nasadení v rôznych scenároch edge computingu.

## Kľúčové výsledky učenia

Na konci tejto kapitoly čitatelia pochopia:
- Základné rozdiely medzi cloudovými a edge AI architektúrami
- Základné techniky optimalizácie pre nasadenie na edge
- Aplikácie z reálneho sveta a úspešné príklady
- Praktické zručnosti na implementáciu EdgeAI riešení
- Výber hardvérovej platformy a prístupy k optimalizácii špecifické pre platformy
- Benchmarking výkonu a osvedčené postupy nasadenia

## Budúce implikácie

EdgeAI sa objavuje ako kľúčový trend formujúci budúcnosť nasadenia AI, otvárajúc cestu k distribuovaným, efektívnym a súkromie chrániacim AI systémom, ktoré môžu fungovať nezávisle od cloudovej konektivity, pričom si zachovávajú vysoké štandardy výkonu.

---

**Upozornenie**:  
Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.