Komitmen Waktu: Seluruh workshop dapat diselesaikan secara online tanpa pengaturan lokal. Pengaturan lingkungan memerlukan waktu 2 menit, dengan eksplorasi sampel membutuhkan 1-3 jam tergantung pada tingkat eksplorasi.
Mulai Cepat
- Fork repositori ini ke akun GitHub Anda
- Klik Code → tab Codespaces → ... → New with options...
- Gunakan pengaturan default – ini akan memilih container Development yang dibuat untuk kursus ini
- Klik Create codespace
- Tunggu sekitar 2 menit hingga lingkungan siap
- Langsung ke Contoh pertama
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)
- Konsep Inti: Memahami Large Language Models, token, embeddings, dan kemampuan AI
- Ekosistem AI Java: Gambaran umum Spring AI dan OpenAI SDKs
- Model Context Protocol: Pengantar MCP dan perannya dalam komunikasi agen AI
- Aplikasi Praktis: Skenario dunia nyata termasuk chatbot dan pembuatan konten
- → Mulai Bab 1
- Konfigurasi Multi-Penyedia: Mengatur integrasi GitHub Models, Azure OpenAI, dan OpenAI Java SDK
- Spring Boot + Spring AI: Praktik terbaik untuk pengembangan aplikasi AI perusahaan
- GitHub Models: Akses model AI gratis untuk prototipe dan pembelajaran (tanpa kartu kredit)
- Alat Pengembangan: Konfigurasi Docker containers, VS Code, dan GitHub Codespaces
- → Mulai Bab 2
- Prompt Engineering: Teknik untuk respons model AI yang optimal
- Embeddings & Operasi Vektor: Menerapkan pencarian semantik dan pencocokan kesamaan
- Retrieval-Augmented Generation (RAG): Menggabungkan AI dengan sumber data Anda sendiri
- Function Calling: Memperluas kemampuan AI dengan alat dan plugin khusus
- → Mulai Bab 3
- Pet Story Generator (
petstory/): Pembuatan konten kreatif dengan GitHub Models - Foundry Local Demo (
foundrylocal/): Integrasi model AI lokal dengan OpenAI Java SDK - MCP Calculator Service (
calculator/): Implementasi dasar Model Context Protocol dengan Spring AI - → Mulai Bab 4
- Keamanan GitHub Models: Uji penyaringan konten bawaan dan mekanisme keamanan (blok keras dan penolakan lunak)
- Demo AI yang Bertanggung Jawab: Contoh langsung yang menunjukkan cara kerja sistem keamanan AI modern
- Praktik Terbaik: Pedoman penting untuk pengembangan dan penerapan AI yang etis
- → Mulai Bab 5
- MCP For Beginners
- AI Agents For Beginners
- Generative AI untuk Pemula menggunakan .NET
- Generative AI untuk Pemula menggunakan JavaScript
- Generative AI untuk Pemula
- ML untuk Pemula
- Data Science untuk Pemula
- AI untuk Pemula
- Keamanan Siber untuk Pemula
- Web Dev untuk Pemula
- IoT untuk Pemula
- Pengembangan XR untuk Pemula
- Menguasai GitHub Copilot untuk Pemrograman Berpasangan AI
- Menguasai GitHub Copilot untuk Pengembang C#/.NET
- Pilih Petualangan Copilot Anda Sendiri
- Aplikasi Chat RAG dengan Azure AI Services
Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI Co-op Translator. Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.