أنشئ تطبيق عميل يحلل النصوص

مكتمل

نصيحة

راجع علامة التبويب النص والصور لمزيد من التفاصيل!

تطبيق العميل هو برنامج تكتبه يتصل بخدمة أو نموذج ويستخدم قدراته. يرسل كودك الطلبات إلى الخدمة ويتلقى النتائج تلقائيا — مما يجعل من الممكن معالجة كميات كبيرة من النصوص أو دمج تحليل الذكاء الاصطناعي في سير العمل.

للاتصال بخدمة ذكاء اصطناعي، يستخدم تطبيقك واجهة برمجة تطبيقات (API). واجهة برمجة التطبيقات هي مجموعة من القواعد التي تحدد كيفية تواصل قطعتين من البرمجيات. مكتبة العميل هي مجموعة من الشيفرة الجاهزة التي يمكن للمطورين استخدامها في تطبيقهم للتواصل بسهولة مع خدمة أو واجهة برمجة تطبيقات (API). يمكنك مراجعة المواد الأساسية حول التطبيقات واستخدام نقاط النهاية في: ابدأ بالذكاء الاصطناعي في Azure.

استخدام نماذج الذكاء الاصطناعي العامة لتحليل النصوص

ابدأ بمورد Microsoft Foundry وأنشئ مشروع Foundry ضمن مواردك. في بوابة Foundry الجديدة ، يمكنك تصفح كتالوج النماذج ونشر نموذج متعدد الأغراض.

يمكنك بناء تطبيق عميل يتفاعل مع نماذج Microsoft Foundry باستخدام واجهة برمجة التطبيقات Azure OpenAI API. تتيح واجهة OpenAI لكودك التواصل مع نموذج منشور عن طريق إرسال طلبات إلى نقطة نهاية، مع مفتاح API لإثبات أنك مخول.

واجهة برمجة التطبيقات Responses هي واجهة برمجة التطبيقات الحديثة والموحدة داخل Azure OpenAI للتفاعل مع نماذج اللغة. تم تصميمه للتعامل مع تفاعلات الذكاء الاصطناعي الكاملة، وليس فقط لتوليد النصوص.

يمكنك استخدام واجهة برمجة تطبيقات الردود لإرسال مطالبات اللغة الطبيعية إلى نموذج لغة تم نشره. يكون مفيدا عندما تحتاج إلى تحليل مرن بأسلوب الحوار لا يتطلب مخرجا منظما ثابتا.

استخدام مكتبة OpenAI Python

مكتبة Python OpenAI هي مجموعة تطوير برمجيات رسمية Python تتيح للمطورين بناء تطبيقات Python تتفاعل مع نماذج وخدمات OpenAI من خلال الكود بدلا من طلبات HTTP الخام.

لاستخدام مكتبة OpenAI Python، تحتاج إلى العمل داخل محرر الكود. يكتب كود التطبيق بنظام code editors، مثل تعليمة Visual Studio برمجية. طرفية محرر الشيفرة هي نافذة سطر أوامر مدمجة داخل المحرر حيث يمكنك تشغيل الأوامر دون مغادرة بيئة التطوير.

1. تثبيت الحزم اللازمة

يمكن تثبيت مكتبة Python OpenAI في تعليمة Visual Studio برمجية terminal باستخدام:

pip install openai

2. إنشاء ملف تكوين

بعد ذلك، يمكنك إنشاء ملف تكوين (نوع .env) لتخزين متغيرات البيئة الخاصة بك، مثل نقطة النهاية والمفتاح واسم نشر النموذج.

اعتبر المتغيرات التالية:

AZURE_OPENAI_ENDPOINT=https://<your-resource>.openai.azure.com/openai/v1/
MODEL_DEPLOYMENT_NAME=gpt-4.1-mini
API_KEY=<your-foundry-key>

لاحظ كيف يحتوي متغير النقطة النهائية على اسم مورد Foundry الخاص بك و openai.azure.com/openai/v1. مفتاح واجهة برمجة التطبيقات الخاص بك هو مفتاح مشروع Foundry الخاص بك.

اسم نشر النموذج هو الاسم الذي تعطيه للنموذج عند نشره. على سبيل المثال، عند نشر نموذج gpt-4.1 ، قد تسميه gpt-demo-model. اسم النشر هو gpt-demo-model. ومع ذلك، إذا لم تخصص اسم النموذج، سيتطابق اسم النشر مع اسم النموذج، كما هو الحال في المقتطف أعلاه.

3. أنشئ ملفا يحتوي على منطق التطبيق الخاص بك

اطلع على نموذج كود التطبيق التالي:

import os
from dotenv import load_dotenv
from openai import OpenAI

# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
api_key = os.getenv("API_KEY")
deployment_name = os.getenv("MODEL_DEPLOYMENT_NAME")

# Create the client object
client = OpenAI(
    base_url=endpoint,
    api_key=api_key
)

# Make a request using the client
message = client.responses.create(
    model=deployment_name,
    input="",
)

# Print the results
print(f"Sentiment: {message.output[0]}")

‏‫ملاحظة‬

تحميل متغيرات البيئة: في هذه العينة، dotenv (load_dotenv()) يقرأ ملفك .env ويحمل تلك القيم إلى بيئة التطبيق. os ثم تسترجع الحزمة كل قيمة بالاسم مع os.getenv()، مثل os.getenv("AZURE_OPENAI_ENDPOINT").

يجب أن يطابق كل مفتاح إدخال .env الاسم في رمزك تماما. على سبيل المثال، إذا كان ملفك يستخدم API_KEY، يجب أن يطلب API_KEYالكود أيضا . حافظ على اتساق أسماء المتغيرات لتجنب فقدان القيم أثناء وقت التشغيل.

نستخدم نقطة نهاية ومفتاح موارد Foundry لإنشاء كائن عميل مصادق عليه. يتم تعريف الفئة OpenAI بواسطة SDK وتعمل كمخطط للاتصال بواجهة برمجة تطبيقات OpenAI. كائن العميل المصادق عليه في Python هو كائن خاص بالخدمة يمكنه إجراء استدعاءات API المصرح بها بأمان دون أن يدير كودك الرموز أو الأسرار يدويا.

‏‫ملاحظة‬

في Python، class هو مخطط يحدد نوعا من الأشياء — ما هي البيانات التي يحتفظ بها وما هي الإجراءات التي يمكنه تنفيذها. الكائن هو مثيل محدد يتم إنشاؤه من ذلك المخطط. على سبيل المثال، قد تعرف فئة Car أن كل سيارة لها لون و يمكن drive() أو stop(). عندما تصنع سيارة معينة — مثلا حمراء — فهذا هو جسم.

بمجرد إنشاء كائن عميل — مكونا بنقطة النهاية والمفتاح — يمكنك استدعاء الطرق عليه للتفاعل مع النموذج. على سبيل المثال، يمكنك استخدام responses لإرسال طلب إلى نشر نموذج معين.

يمكننا عرض نتائج التحليل عن طريق تشغيل كود التطبيق في الطرفية باستخدام الأمر python <file_name>.py.

واجهة برمجة تطبيقات OpenAI سهلة الاستخدام، لكن النتائج قد تختلف بين المكالمات لأن النموذج يولد نصا بشكل احتمالي. في الواقع، هذا يعني أن استدعاءين بنفس الطلب يمكن أن يعيدوا صياغة أو تنسيقا مختلفا قليلا. عندما يحتاج تطبيقك إلى قيم منظمة ومتسقة، مثل رمز اللغة، أو درجة الثقة، أو نص محجوب، فإن حزمة تطوير البرمجيات ل Azure Language هي الخيار الأفضل.

استخدام مجموعة تطوير Azure Language

Azure Language SDK هي مكتبة عميل ل Azure Language in Foundry Tools. تجعل مجموعة تطوير البراز من السهل على المطورين إضافة ميزات معالجة اللغة الطبيعية، مثل اكتشاف اللغة وتنقيب المعلومات الشخصية القابلة للتعريف (PII)، إلى تطبيقاتهم.

دعنا نرى كيف يمكنك استخدام حزمة تطوير Azure Language Python لبناء تطبيق يحلل النصوص. لاستخدام Azure Language SDK Python، تحتاج إلى ><مورد Foundry. ثم تحتاج إلى تثبيت نسخة متوافقة من Python وحزمة تطوير Azure Language Python SDK.

يمكن تثبيت Python SDK في تعليمة Visual Studio برمجية terminal باستخدام:

pip install azure-ai-textanalytics

انظر إلى عينة ملف التكوين التالية:

AZURE_LANGUAGE_ENDPOINT=https://<your-resource>.cognitiveservices.azure.com/
API_KEY=<your-foundry-key>

انظر إلى عينة كود التطبيق التالية:

# Import packages
import os
from dotenv import load_dotenv
from azure.core.credentials import AzureKeyCredential
from azure.ai.textanalytics import TextAnalyticsClient

# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_LANGUAGE_ENDPOINT")
key = os.getenv("API_KEY")

# Create the client
client = TextAnalyticsClient(endpoint=endpoint, credential=AzureKeyCredential(key))

# Make a request using the client for language detection
text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]

نستخدم methods الخاص بالعميل لاستدعاء Azure دوال اللغة، مثل detect_language و recognize_pii_entities.

اكتشاف اللغة: detect_language() تأخذ الطريقة قائمة من السلاسل النصية وتعيد اللغة المكتشفة، ورمز ISO 639-1، ودرجة ثقة بين 0 و1.

text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]

# Print the results
print(f"Language      : {result.primary_language.name}")
print(f"ISO code      : {result.primary_language.iso6391_name}")
print(f"Confidence    : {result.primary_language.confidence_score:.2f}")

اكتشاف PII: recognize_pii_entities() تحدد الطريقة التفاصيل الشخصية في النص وتعيد كل من النسخة المحجوبة من النص وقائمة بالكيانات التي وجدتها، بما في ذلك فئة كل كيان ودرجة الثقة.

text = "Maria Garcia called from 020 7946 0958 and asked to send documents to 42 Market Road, London, UK, SW1A 1AA."

result = client.recognize_pii_entities([text])[0]

# Print the results
print("Redacted text:", result.redacted_text)
print("\nEntities found:")
for entity in result.entities:
    print(f"  {entity.text} | category={entity.category} | confidence={entity.confidence_score}")

مع واجهة برمجة تطبيقات OpenAI وحزمة تطوير البرمجيات Azure Language، يمكنك كتابة كود لتطبيقات الذكاء الاصطناعي التي تعالج اللغة الطبيعية وتولد رؤى من نصك.

بعد ذلك، دعونا نلقي نظرة على كيفية تضمين قدرات لغة Azure في وكلاء الذكاء الاصطناعي.