Часові витрати: Весь воркшоп можна пройти онлайн без локального налаштування. Налаштування середовища займає 2 хвилини, а дослідження прикладів потребує 1-3 години залежно від глибини вивчення.
Швидкий старт
- Форкніть цей репозиторій у свій обліковий запис GitHub
- Натисніть Code → вкладка Codespaces → ... → New with options...
- Використовуйте налаштування за замовчуванням – це вибере контейнер розробки, створений для цього курсу
- Натисніть Create codespace
- Зачекайте ~2 хвилини, поки середовище буде готове
- Перейдіть одразу до Першого прикладу
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)
- Основні концепції: Розуміння великих мовних моделей, токенів, ембедингів та можливостей ШІ
- Екосистема Java для ШІ: Огляд Spring AI та OpenAI SDK
- Протокол контексту моделі: Вступ до MCP та його ролі у комунікації агентів ШІ
- Практичні застосування: Реальні сценарії, включаючи чат-ботів та генерацію контенту
- → Почати розділ 1
- Конфігурація для кількох провайдерів: Налаштування GitHub Models, Azure OpenAI та інтеграцій OpenAI Java SDK
- Spring Boot + Spring AI: Найкращі практики для розробки корпоративних застосунків ШІ
- GitHub Models: Безкоштовний доступ до моделей ШІ для прототипування та навчання (без необхідності кредитної картки)
- Інструменти розробки: Налаштування Docker-контейнерів, VS Code та GitHub Codespaces
- → Почати розділ 2
- Інженерія запитів: Техніки для отримання оптимальних відповідей від моделей ШІ
- Ембединги та векторні операції: Реалізація семантичного пошуку та порівняння схожості
- Генерація з доповненням даних (RAG): Поєднання ШІ з вашими власними джерелами даних
- Виклик функцій: Розширення можливостей ШІ за допомогою кастомних інструментів та плагінів
- → Почати розділ 3
- Генератор історій про домашніх тварин (
petstory/): Творча генерація контенту з використанням GitHub Models - Локальна демонстрація Foundry (
foundrylocal/): Інтеграція локальних моделей ШІ з OpenAI Java SDK - Сервіс калькулятора MCP (
calculator/): Базова реалізація протоколу контексту моделі з Spring AI - → Почати розділ 4
- Безпека GitHub Models: Тестування вбудованих механізмів фільтрації контенту та безпеки (жорсткі блокування та м'які відмови)
- Демонстрація відповідального ШІ: Практичний приклад роботи сучасних систем безпеки ШІ
- Найкращі практики: Основні рекомендації для етичної розробки та впровадження ШІ
- → Почати розділ 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
Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматизовані переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають у результаті використання цього перекладу.