Aikataulu: Koko työpaja voidaan suorittaa verkossa ilman paikallista asennusta. Ympäristön asennus kestää 2 minuuttia, ja esimerkkien tutkiminen vie 1–3 tuntia riippuen tutkimisen syvyydestä.
Pika-aloitus
- Haarauta tämä arkisto GitHub-tilillesi
- Klikkaa Code → Codespaces-välilehti → ... → New with options...
- Käytä oletusasetuksia – tämä valitsee tämän kurssin kehityskontin
- Klikkaa Create codespace
- Odota noin 2 minuuttia, että ympäristö on valmis
- Siirry suoraan Ensimmäiseen esimerkkiin
French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
- Keskeiset käsitteet: Suurten kielimallien, tokenien, upotusten ja tekoälyominaisuuksien ymmärtäminen
- Java AI -ekosysteemi: Katsaus Spring AI- ja OpenAI SDK:ihin
- Model Context Protocol: Johdatus MCP:hen ja sen rooliin tekoälyagenttien viestinnässä
- Käytännön sovellukset: Reaaliaikaisia esimerkkejä, kuten chatbotit ja sisällöntuotanto
- → Aloita luku 1
- Monipalveluntarjoajan konfigurointi: GitHub Models-, Azure OpenAI- ja OpenAI Java SDK -integraatioiden asennus
- Spring Boot + Spring AI: Parhaat käytännöt yritystason tekoälysovellusten kehittämiseen
- GitHub Models: Ilmainen tekoälymallien käyttö prototyyppien ja oppimisen tueksi (ei luottokorttia vaadita)
- Kehitystyökalut: Docker-kontit, VS Code ja GitHub Codespaces -konfigurointi
- → Aloita luku 2
- Prompt Engineering: Tekniikoita optimaalisten tekoälymallivastausten saamiseksi
- Upotukset ja vektorilaskenta: Semanttisen haun ja samankaltaisuuden tunnistaminen
- Retrieval-Augmented Generation (RAG): Yhdistä tekoäly omiin tietolähteisiisi
- Toimintokutsut: Laajenna tekoälyn kykyjä mukautetuilla työkaluilla ja lisäosilla
- → Aloita luku 3
- Lemmikkitarinageneraattori (
petstory/): Luova sisällöntuotanto GitHub Models -malleilla - Foundry Local Demo (
foundrylocal/): Paikallisten tekoälymallien integrointi OpenAI Java SDK:lla - MCP-laskinpalvelu (
calculator/): Perustason Model Context Protocol -toteutus Spring AI:lla - → Aloita luku 4
- GitHub Models -turvallisuus: Sisäänrakennetun sisällönsuodatuksen ja turvallisuusmekanismien testaaminen (kovat estot ja pehmeät kieltäytymiset)
- Vastuullisen tekoälyn demo: Käytännön esimerkki siitä, miten modernit tekoälyturvajärjestelmät toimivat
- Parhaat käytännöt: Keskeiset ohjeet eettiseen tekoälyn kehittämiseen ja käyttöönottoon
- → Aloita luku 5
- MCP For Beginners
- AI Agents For Beginners
- Generative AI for Beginners using .NET
- Generative AI for Beginners using JavaScript
- Generative AI for Beginners
- ML for Beginners
- Data Science for Beginners
- AI for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for AI Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
- RAG Chat App with Azure AI Services
Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.