Tidsforpliktelse: Hele workshoppen kan fullføres online uten lokal oppsett. Oppsett av miljøet tar 2 minutter, og utforsking av eksemplene tar 1-3 timer avhengig av hvor dypt du ønsker å utforske.
Hurtigstart
- Fork dette repositoriet til din GitHub-konto
- Klikk Code → Codespaces-fanen → ... → New with options...
- Bruk standardinnstillingene – dette vil velge utviklingscontaineren som er laget for dette kurset
- Klikk Create codespace
- Vent ~2 minutter til miljøet er klart
- Gå direkte til Det første eksempelet
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)
- Kjernebegreper: Forstå store språkmodeller, tokens, embeddings og AI-funksjoner
- Java AI-økosystem: Oversikt over Spring AI og OpenAI SDK-er
- Model Context Protocol: Introduksjon til MCP og dens rolle i kommunikasjon mellom AI-agenter
- Praktiske anvendelser: Virkelige eksempler som chatbots og innholdsgenerering
- → Start Kapittel 1
- Konfigurasjon for flere leverandører: Sett opp GitHub-modeller, Azure OpenAI og OpenAI Java SDK-integrasjoner
- Spring Boot + Spring AI: Beste praksis for utvikling av AI-applikasjoner for bedrifter
- GitHub-modeller: Gratis tilgang til AI-modeller for prototyping og læring (ingen kredittkort nødvendig)
- Utviklingsverktøy: Docker-containere, VS Code og GitHub Codespaces-konfigurasjon
- → Start Kapittel 2
- Prompt Engineering: Teknikker for optimale AI-modellresponser
- Embeddings og vektoroperasjoner: Implementer semantisk søk og likhetsmatching
- Retrieval-Augmented Generation (RAG): Kombiner AI med dine egne datakilder
- Funksjonskall: Utvid AI-funksjoner med tilpassede verktøy og plugins
- → Start Kapittel 3
- Pet Story Generator (
petstory/): Kreativ innholdsgenerering med GitHub-modeller - Foundry Local Demo (
foundrylocal/): Lokal AI-modellintegrasjon med OpenAI Java SDK - MCP Calculator Service (
calculator/): Grunnleggende implementering av Model Context Protocol med Spring AI - → Start Kapittel 4
- GitHub-modellers sikkerhet: Test innebygde innholdsfiltrerings- og sikkerhetsmekanismer (harde blokker og myke avslag)
- Ansvarlig AI-demo: Praktisk eksempel som viser hvordan moderne AI-sikkerhetssystemer fungerer
- Beste praksis: Essensielle retningslinjer for etisk utvikling og distribusjon av AI
- → Start Kapittel 5
- MCP For Beginners
- AI Agents For Beginners
- Generativ AI for Nybegynnere med .NET
- Generativ AI for Nybegynnere med JavaScript
- Generativ AI for Nybegynnere
- ML for Nybegynnere
- Data Science for Nybegynnere
- AI for Nybegynnere
- Cybersikkerhet for Nybegynnere
- Webutvikling for Nybegynnere
- IoT for Nybegynnere
- XR-utvikling for Nybegynnere
- Mestre GitHub Copilot for AI-parprogrammering
- Mestre GitHub Copilot for C#/.NET-utviklere
- Velg ditt eget Copilot-eventyr
- RAG Chat App med Azure AI-tjenester
Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi tilstreber nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.