# บทที่ 01: การเปลี่ยนแปลงการใช้งาน AI สำหรับ Edge

EdgeAI เป็นการเปลี่ยนแปลงครั้งสำคัญในวิธีการใช้งานปัญญาประดิษฐ์ โดยเปลี่ยนจากการประมวลผลบนคลาวด์ไปสู่การประมวลผลบนอุปกรณ์ Edge ในพื้นที่ บทนี้จะสำรวจแนวคิดพื้นฐาน เทคโนโลยีสำคัญ และการใช้งานในทางปฏิบัติที่กำหนดแนวทางการเปลี่ยนแปลงนี้ในการนำ AI ไปใช้

## โครงสร้างโมดูล

### [ส่วนที่ 1: พื้นฐานของ EdgeAI](./01.EdgeAIFundamentals.md)
ส่วนนี้จะวางรากฐานโดยการเปรียบเทียบระหว่าง AI แบบดั้งเดิมที่ใช้คลาวด์กับโมเดลการใช้งาน EdgeAI เราจะตรวจสอบเทคโนโลยีสำคัญ เช่น การลดขนาดโมเดล การปรับปรุงการบีบอัด และ Small Language Models (SLMs) ที่ช่วยแก้ไขข้อจำกัดด้านการประมวลผลของอุปกรณ์ Edge การอภิปรายจะเน้นถึงนวัตกรรมเหล่านี้ที่ช่วยเพิ่มการปกป้องความเป็นส่วนตัว ลดความล่าช้าอย่างมาก และความสามารถในการประมวลผลแบบออฟไลน์ที่แข็งแกร่ง

### [ส่วนที่ 2: กรณีศึกษาในโลกจริง](./02.RealWorldCaseStudies.md)
ผ่านตัวอย่างที่เป็นรูปธรรม เช่น ระบบโมเดล Phi และ Mu ของ Microsoft และระบบรายงาน AI ของ Japan Airlines ส่วนนี้จะแสดงให้เห็นถึงการใช้งาน EdgeAI ที่ประสบความสำเร็จในอุตสาหกรรมที่หลากหลาย กรณีศึกษาเหล่านี้ยืนยันถึงประสิทธิภาพที่ยอดเยี่ยมของ SLMs ในงานเฉพาะทาง และแสดงให้เห็นถึงประโยชน์ในทางปฏิบัติของกลยุทธ์การใช้งาน Edge

### [ส่วนที่ 3: คู่มือการใช้งานในทางปฏิบัติ](./03.PracticalImplementationGuide.md)
ส่วนนี้ให้คำแนะนำที่ครอบคลุมสำหรับการเตรียมสภาพแวดล้อมเพื่อการเรียนรู้แบบลงมือทำ ครอบคลุมเครื่องมือพัฒนาที่จำเป็น ความต้องการด้านฮาร์ดแวร์ ทรัพยากรโมเดลหลัก และกรอบการปรับปรุงประสิทธิภาพ โดยวางรากฐานทางเทคนิคที่จำเป็นสำหรับผู้เรียนในการสร้างและใช้งานโซลูชัน EdgeAI ของตนเอง

### [ส่วนที่ 4: แพลตฟอร์มฮาร์ดแวร์สำหรับการใช้งาน Edge AI](./04.EdgeDeployment.md)
ส่วนนี้สำรวจระบบนิเวศของฮาร์ดแวร์ที่ช่วยให้การใช้งาน EdgeAI เป็นไปได้ ครอบคลุมแพลตฟอร์มจาก Intel, Qualcomm, NVIDIA และ Windows AI PCs โดยให้การเปรียบเทียบรายละเอียดเกี่ยวกับความสามารถของฮาร์ดแวร์ เทคนิคการปรับปรุงประสิทธิภาพเฉพาะแพลตฟอร์ม และข้อควรพิจารณาในการใช้งานในสถานการณ์การประมวลผล Edge ต่าง ๆ

## ผลลัพธ์การเรียนรู้ที่สำคัญ

เมื่อจบบทนี้ ผู้อ่านจะเข้าใจ:
- ความแตกต่างพื้นฐานระหว่างสถาปัตยกรรม AI แบบคลาวด์และ Edge
- เทคนิคการปรับปรุงประสิทธิภาพหลักสำหรับการใช้งาน Edge
- การใช้งานในโลกจริงและเรื่องราวความสำเร็จ
- ทักษะในทางปฏิบัติสำหรับการสร้างโซลูชัน EdgeAI
- การเลือกแพลตฟอร์มฮาร์ดแวร์และวิธีการปรับปรุงประสิทธิภาพเฉพาะแพลตฟอร์ม
- การวัดประสิทธิภาพและแนวทางปฏิบัติที่ดีที่สุดในการใช้งาน

## ผลกระทบในอนาคต

EdgeAI กำลังกลายเป็นแนวโน้มสำคัญที่กำหนดอนาคตของการใช้งาน AI โดยเปิดทางให้ระบบ AI ที่มีการกระจายตัว มีประสิทธิภาพ และรักษาความเป็นส่วนตัว ซึ่งสามารถทำงานได้โดยไม่ต้องเชื่อมต่อกับคลาวด์ ในขณะที่ยังคงรักษามาตรฐานประสิทธิภาพสูง

---

**ข้อจำกัดความรับผิดชอบ**:  
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้