# Poglavje 01: Preoblikovanje uvajanja umetne inteligence za robne naprave

EdgeAI predstavlja paradigmatski premik v uvajanju umetne inteligence, saj prenaša zmogljivosti AI iz obdelave v oblaku na lokalne robne naprave. To poglavje raziskuje temeljne koncepte, ključne tehnologije in praktične aplikacije, ki opredeljujejo ta preoblikovalni pristop k implementaciji umetne inteligence.

## Struktura modula

### [Razdelek 1: Osnove EdgeAI](./01.EdgeAIFundamentals.md)
Ta razdelek postavlja temelje z primerjavo tradicionalnih modelov AI v oblaku in modelov uvajanja AI na robu. Preučujemo ključne tehnologije, kot so kvantizacija modelov, optimizacija stiskanja in majhni jezikovni modeli (SLM), ki premagujejo računske omejitve robnih naprav. Razprava poudarja, kako te inovacije zagotavljajo izboljšano zaščito zasebnosti, izjemno nizko zakasnitev in zanesljive zmogljivosti za obdelavo brez povezave.

### [Razdelek 2: Študije primerov iz resničnega sveta](./02.RealWorldCaseStudies.md)
S konkretnimi primeri, kot so ekosistemi modelov Phi in Mu podjetja Microsoft ter sistem poročanja AI družbe Japan Airlines, ta razdelek prikazuje uspešne implementacije EdgeAI v različnih industrijah. Te študije primerov potrjujejo izjemno zmogljivost SLM-jev pri specializiranih nalogah in ponazarjajo praktične prednosti strategij uvajanja na robu.

### [Razdelek 3: Praktični vodnik za implementacijo](./03.PracticalImplementationGuide.md)
Ta razdelek ponuja celovite smernice za pripravo okolja za praktično učenje, vključno z osnovnimi razvojnimi orodji, zahtevami glede strojne opreme, ključnimi viri modelov in okviri za optimizacijo. Postavlja tehnične temelje, ki so potrebni, da se učenci naučijo graditi in uvajati lastne rešitve EdgeAI.

### [Razdelek 4: Strojne platforme za uvajanje EdgeAI](./04.EdgeDeployment.md)
Ta razdelek raziskuje ekosistem strojne opreme, ki omogoča uvajanje EdgeAI, in zajema platforme podjetij Intel, Qualcomm, NVIDIA ter Windows AI PC-je. Ponuja podrobne primerjave zmogljivosti strojne opreme, tehnike optimizacije, specifične za platformo, ter praktične vidike uvajanja v različnih scenarijih robnega računalništva.

## Ključni učni cilji

Do konca tega poglavja bodo bralci razumeli:
- Temeljne razlike med arhitekturami AI v oblaku in na robu
- Osnovne tehnike optimizacije za uvajanje na robu
- Aplikacije iz resničnega sveta in uspešne zgodbe
- Praktične veščine za implementacijo rešitev EdgeAI
- Izbor strojnih platform in pristope optimizacije, specifične za platformo
- Merjenje zmogljivosti in najboljše prakse za uvajanje

## Prihodnje implikacije

EdgeAI se pojavlja kot ključni trend, ki oblikuje prihodnost uvajanja umetne inteligence, saj odpira pot za razpršene, učinkovite in zasebnost varujoče AI sisteme, ki lahko delujejo neodvisno od povezljivosti v oblaku, hkrati pa ohranjajo visoke standarde zmogljivosti.

---

**Omejitev odgovornosti**:  
Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda.