# Глава 01: Трансформација примене вештачке интелигенције за периферне уређаје

EdgeAI представља парадигму у примени вештачке интелигенције, прелазећи са обраде засноване на облаку на локалне периферне уређаје. Ова глава истражује основне концепте, кључне технологије и практичне примене које дефинишу овај трансформативни приступ имплементацији вештачке интелигенције.

## Структура модула

### [Одељак 1: Основе EdgeAI](./01.EdgeAIFundamentals.md)
Овај одељак поставља темеље упоређујући традиционалне моделе вештачке интелигенције засноване на облаку са моделима примене EdgeAI. Испитујемо кључне технологије као што су квантовање модела, оптимизација компресије и мали језички модели (SLMs) који превазилазе рачунарска ограничења периферних уређаја. Дискусија наглашава како ове иновације пружају побољшану заштиту приватности, ултра-ниску латенцију и робусне могућности обраде ван мреже.

### [Одељак 2: Студије случаја из стварног света](./02.RealWorldCaseStudies.md)
Кроз конкретне примере као што су Microsoft-ови Phi и Mu екосистеми модела и систем за извештавање вештачке интелигенције Japan Airlines-а, овај одељак демонстрира успешне имплементације EdgeAI-а у различитим индустријама. Ове студије случаја потврђују изузетне перформансе SLM-ова у специјализованим задацима и илуструју практичне предности стратегија примене на периферним уређајима.

### [Одељак 3: Практични водич за имплементацију](./03.PracticalImplementationGuide.md)
Овај одељак пружа свеобухватне смернице за припрему окружења за практично учење, покривајући основне алате за развој, хардверске захтеве, основне ресурсе модела и оквире за оптимизацију. Поставља техничке основе неопходне за учење како да се изграде и примене сопствена EdgeAI решења.

### [Одељак 4: Хардверске платформе за примену EdgeAI](./04.EdgeDeployment.md)
Овај одељак истражује хардверски екосистем који омогућава примену EdgeAI-а, покривајући платформе као што су Intel, Qualcomm, NVIDIA и Windows AI рачунари. Пружа детаљна поређења хардверских могућности, технике оптимизације специфичне за платформу и практичне аспекте примене у различитим сценаријима периферног рачунарства.

## Кључни исходи учења

До краја ове главе, читаоци ће разумети:
- Основне разлике између архитектура вештачке интелигенције засноване на облаку и периферних уређаја
- Основне технике оптимизације за примену на периферним уређајима
- Примене у стварном свету и успешне приче
- Практичне вештине за имплементацију EdgeAI решења
- Избор хардверских платформи и приступе оптимизацији специфичне за платформу
- Бенчмаркинг перформанси и најбоље праксе за примену

## Будуће импликације

EdgeAI се појављује као критичан тренд који обликује будућност примене вештачке интелигенције, отварајући пут за дистрибуиране, ефикасне и системе који чувају приватност, а који могу да функционишу независно од повезаности са облаком уз одржавање високих стандарда перформанси.

---

**Одрицање од одговорности**:  
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људског преводиоца. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.