Služby Azure AI ve službě Azure Synapse Analytics
Pomocí předem natrénovaných modelů ze služeb Azure AI můžete data rozšířit o umělou inteligenci (AI) ve službě Azure Synapse Analytics.
Služby Azure AI pomáhají vývojářům a organizacím rychle vytvářet inteligentní, nejmodernější, připravené a zodpovědné aplikace s předem připravenými a předem připravenými a přizpůsobitelnými rozhraními API a modely.
Existuje několik způsobů, jak ve službě Synapse Analytics použít podmnožinu služeb Azure AI:
Průvodce službami Azure AI ve službě Synapse Analytics vygeneruje kód PySpark v poznámkovém bloku Synapse, který se připojuje ke službám Azure AI pomocí dat v tabulce Sparku. Potom pomocí předem natrénovaných modelů strojového učení služba provede práci, která vám umožní přidat do dat AI. Další podrobnosti najdete v průvodci analýzou mínění a průvodce detekcí anomálií.
Synapse Machine Učení (SynapseML) umožňuje vytvářet výkonné a vysoce škálovatelné prediktivní a analytické modely z různých zdrojů dat Sparku. Synapse Spark poskytuje integrované knihovny SynapseML, včetně synapse.ml.cognitive.
Počínaje kódem PySpark vygenerovaným průvodcem nebo ukázkovým kódem SynapseML poskytnutým v tomto kurzu můžete napsat vlastní kód pro použití jiných služeb Azure AI s vašimi daty. Další informace o dostupných službách najdete v tématu Co jsou služby Azure AI?
Začínáme
Tento kurz, předpoklady pro používání služeb Azure AI v Azure Synapse, vás provede několika kroky, které je potřeba provést před použitím služeb Azure AI ve službě Synapse Analytics.
Využití
Pohled
- Popis: poskytuje popis obrázku v jazyce čitelném pro člověka (Scala, Python)
- Analýza (barva, typ obrázku, tvář, obsah pro dospělé araci): analyzuje vizuální funkce obrázku (Scala, Python).
- OCR: čte text z obrázku (Scala, Python)
- Rozpoznávání textu: čte text z obrázku (Scala, Python)
- Miniatura: vygeneruje z obrázku miniaturu uživatelem zadané velikosti (Scala, Python).
- Rozpoznávání obsahu specifického pro doménu: rozpozná obsah specifický pro doménu (celebrity, orientační bod) (Scala, Python)
- Značka: identifikuje seznam slov, která jsou relevantní pro vstupní obrázek (Scala, Python).
- Detekce: detekuje lidské tváře na obrázku (Scala, Python)
- Ověření: Ověřuje, jestli dvě tváře patří stejné osobě nebo tvář patří osobě (Scala, Python).
- Identifikace: Najde nejbližší shody konkrétní osoby dotazu ze skupiny osob (Scala, Python).
- Najít podobné: najde podobné tváře jako dotaz v seznamu tváří (Scala, Python).
- Skupina: Rozdělí skupinu tváří do oddělených skupin na základě podobnosti (Scala, Python).
Řeč
- Převod řeči na text: přepisuje zvukové streamy (Scala, Python)
- Přepis konverzace: přepisuje zvukové streamy do živých přepisů s identifikovanými mluvčími. (Scala, Python)
- Převod textu na řeč: Převede text na realistický zvuk (Scala, Python)
Jazyk
- Rozpoznávání jazyka: rozpozná jazyk vstupního textu (Scala, Python)
- Extrakce klíčových frází: identifikuje klíčové body mluvení ve vstupním textu (Scala, Python)
- Rozpoznávání pojmenovaných entit: identifikuje známé entity a obecné pojmenované entity ve vstupním textu (Scala, Python)
- Analýza mínění: Vrátí skóre mezi 0 a 1 označující mínění ve vstupním textu (Scala, Python).
- Extrakce zdravotnických entit: Extrahuje zdravotnické entity a vztahy z textu. (Scala, Python)
Překlad
- Překlad: Přeloží text. (Scala, Python)
- Transkripce: Převede text v jednom jazyce z jednoho skriptu na jiný. (Scala, Python)
- Zjistit: Identifikuje jazyk části textu. (Scala, Python)
- BreakSentence: Identifikuje umístění hranic vět v části textu. (Scala, Python)
- Slovníkové vyhledávání: Poskytuje alternativní překlady slova a malý počet idiomaticických frází. (Scala, Python)
- Příklady slovníku: Poskytuje příklady, které ukazují, jak se termíny ve slovníku používají v kontextu. (Scala, Python)
- Překlad dokumentů: Překládá dokumenty napříč všemi podporovanými jazyky a dialekty a zachovává strukturu dokumentů a formát dat. (Scala, Python)
Analýza dokumentů
Funkce Document Intelligence (dříve Označovaná jako Azure AI Document Intelligence)
- Analyzovat rozložení: Extrahujte text a informace o rozložení z daného dokumentu. (Scala, Python)
- Analýza účtenek: Detekuje a extrahuje data z účtenek pomocí optického rozpoznávání znaků (OCR) a našeho modelu účtenek, což umožňuje snadno extrahovat strukturovaná data z účtenek, jako je název obchodníka, telefonní číslo obchodníka, datum transakce, celkový počet transakcí a další. (Scala, Python)
- Analýza vizitek: Detekuje a extrahuje data z vizitek pomocí optického rozpoznávání znaků (OCR) a našeho modelu vizitek, což umožňuje snadno extrahovat strukturovaná data z vizitek, jako jsou jména kontaktů, názvy společností, telefonní čísla, e-maily a další. (Scala, Python)
- Analýza faktur: Zjišťuje a extrahuje data z faktur pomocí optického rozpoznávání znaků (OCR) a našich modelů hlubokého učení, které umožňují snadno extrahovat strukturovaná data z faktur, jako je zákazník, dodavatel, ID faktury, termín splatnosti faktury, celková částka faktury, částka daně, expedice, faktura, faktura, řádkové položky a další. (Scala, Python)
- Analyzovat dokumenty ID: Detekuje a extrahuje data z identifikačních dokumentů pomocí optického rozpoznávání znaků (OCR) a našeho modelu dokumentů ID, což umožňuje snadno extrahovat strukturovaná data z dokumentů ID, jako je jméno, příjmení, datum narození, číslo dokumentu a další. (Scala, Python)
- Analýza vlastního formuláře: Extrahuje informace z formulářů (PDF a obrázků) do strukturovaných dat na základě modelu vytvořeného ze sady reprezentativních trénovacích formulářů. (Scala, Python)
- Získat vlastní model: Získejte podrobné informace o vlastním modelu. (Scala, Python)
- Výpis vlastních modelů: Získejte informace o všech vlastních modelech. (Scala, Python)
Rozhodnutí
- Stav anomálií nejnovějšího bodu: vygeneruje model pomocí předchozích bodů a určuje, jestli je nejnovější bod neobvyklý (Scala, Python)
- Vyhledání anomálií: Vygeneruje model pomocí celé řady a vyhledá anomálie v řadě (Scala, Python).
Hledání
- Vyhledávání obrázků Bingu (Scala, Python)
- Azure AI Search (Scala, Python)
Požadavky
- Postupujte podle kroků v nastavení prostředí pro služby Azure AI a nastavte prostředí služeb Azure Databricks a Azure AI. V tomto kurzu se dozvíte, jak nainstalovat SynapseML a jak vytvořit cluster Spark v Databricks.
- Po vytvoření nového poznámkového bloku v Azure Databricks zkopírujte následující sdílený kód a vložte ho do nové buňky v poznámkovém bloku.
- Zvolte jednu z následujících ukázek služby a zkopírujte ji do druhé nové buňky v poznámkovém bloku.
- Zástupné symboly klíče předplatného služby nahraďte vlastním klíčem.
- Zvolte tlačítko Spustit (ikona trojúhelníku) v pravém horním rohu buňky a pak vyberte Spustit buňku.
- Prohlédněte si výsledky v tabulce pod buňkou.
Sdílený kód
Abychom mohli začít, budeme muset do projektu přidat tento kód:
from pyspark.sql.functions import udf, col
from synapse.ml.io.http import HTTPTransformer, http_udf
from requests import Request
from pyspark.sql.functions import lit
from pyspark.ml import PipelineModel
from pyspark.sql.functions import col
import os
from pyspark.sql import SparkSession
from synapse.ml.core.platform import *
# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()
from synapse.ml.core.platform import materializing_display as display
from synapse.ml.cognitive import *
# A multi-service resource key for Text Analytics, Computer Vision and Document Intelligence (or use separate keys that belong to each service)
service_key = find_secret("cognitive-api-key")
service_loc = "eastus"
# A Bing Search v7 subscription key
bing_search_key = find_secret("bing-search-key")
# An Anomaly Detector subscription key
anomaly_key = find_secret("anomaly-api-key")
anomaly_loc = "westus2"
# A Translator subscription key
translator_key = find_secret("translator-key")
translator_loc = "eastus"
# An Azure search key
search_key = find_secret("azure-search-key")
ukázka Analýza textu
Služba Analýza textu poskytuje několik algoritmů pro extrakci inteligentních přehledů z textu. Můžeme například najít mínění zadaného vstupního textu. Služba vrátí skóre mezi 0,0 a 1,0, kde nízké skóre značí negativní mínění a vysoké skóre indikuje pozitivní mínění. Tato ukázka používá tři jednoduché věty a vrací mínění pro každou z nich.
# Create a dataframe that's tied to it's column names
df = spark.createDataFrame(
[
("I am so happy today, its sunny!", "en-US"),
("I am frustrated by this rush hour traffic", "en-US"),
("The Azure AI services on spark aint bad", "en-US"),
],
["text", "language"],
)
# Run the Text Analytics service with options
sentiment = (
TextSentiment()
.setTextCol("text")
.setLocation(service_loc)
.setSubscriptionKey(service_key)
.setOutputCol("sentiment")
.setErrorCol("error")
.setLanguageCol("language")
)
# Show the results of your text query in a table format
display(
sentiment.transform(df).select(
"text", col("sentiment.document.sentiment").alias("sentiment")
)
)
ukázka Analýza textu pro stav
Analýza textu pro službu Health Service extrahuje a označí relevantní lékařské informace z nestrukturovaných textů, jako jsou poznámky lékaře, souhrny propuštění, klinické dokumenty a elektronické zdravotní záznamy.
df = spark.createDataFrame(
[
("20mg of ibuprofen twice a day",),
("1tsp of Tylenol every 4 hours",),
("6-drops of Vitamin B-12 every evening",),
],
["text"],
)
healthcare = (
AnalyzeHealthText()
.setSubscriptionKey(service_key)
.setLocation(service_loc)
.setLanguage("en")
.setOutputCol("response")
)
display(healthcare.transform(df))
Ukázka služby Translator
Translator je cloudová služba strojového překladu a je součástí řady rozhraní API služeb Azure AI sloužící k vytváření inteligentních aplikací. Translator se snadno integruje do vašich aplikací, webů, nástrojů a řešení. Umožňuje přidat vícejazyčná uživatelská prostředí v 90 jazycích a dialektech a dá se použít k překladu textu s jakýmkoli operačním systémem. V této ukázce provedeme jednoduchý překlad textu tím, že poskytneme věty, na které chcete přeložit a cílové jazyky, na které chcete přeložit.
from pyspark.sql.functions import col, flatten
# Create a dataframe including sentences you want to translate
df = spark.createDataFrame(
[(["Hello, what is your name?", "Bye"],)],
[
"text",
],
)
# Run the Translator service with options
translate = (
Translate()
.setSubscriptionKey(translator_key)
.setLocation(translator_loc)
.setTextCol("text")
.setToLanguage(["zh-Hans"])
.setOutputCol("translation")
)
# Show the results of the translation.
display(
translate.transform(df)
.withColumn("translation", flatten(col("translation.translations")))
.withColumn("translation", col("translation.text"))
.select("translation")
)
Ukázka funkce Document Intelligence
Funkce Document Intelligence (dříve Označovaná jako Azure AI Document Intelligence) je součástí služeb Azure AI, které umožňují vytvářet automatizovaný software pro zpracování dat pomocí technologie strojového učení. Identifikujte a extrahujte text, páry klíč/hodnota, značky výběru, tabulky a strukturu z dokumentů. Služba vypíše strukturovaná data, která zahrnují relace v původním souboru, ohraničující rámečky, spolehlivost a další. V této ukázce analyzujeme obrázek vizitky a extrahujeme jeho informace do strukturovaných dat.
from pyspark.sql.functions import col, explode
# Create a dataframe containing the source files
imageDf = spark.createDataFrame(
[
(
"https://mmlspark.blob.core.windows.net/datasets/FormRecognizer/business_card.jpg",
)
],
[
"source",
],
)
# Run the Document Intelligence service
analyzeBusinessCards = (
AnalyzeBusinessCards()
.setSubscriptionKey(service_key)
.setLocation(service_loc)
.setImageUrlCol("source")
.setOutputCol("businessCards")
)
# Show the results of recognition.
display(
analyzeBusinessCards.transform(imageDf)
.withColumn(
"documents", explode(col("businessCards.analyzeResult.documentResults.fields"))
)
.select("source", "documents")
)
ukázka Počítačové zpracování obrazu
Počítačové zpracování obrazu analyzuje obrázky za účelem identifikace struktury, jako jsou tváře, objekty a popisy přirozeného jazyka. V této ukázce označíme seznam obrázků. Značky jsou jednoslovné popisy věcí na obrázku, jako jsou rozpoznatelné objekty, lidé, panoramata a akce.
# Create a dataframe with the image URLs
base_url = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-sample-data-files/master/ComputerVision/Images/"
df = spark.createDataFrame(
[
(base_url + "objects.jpg",),
(base_url + "dog.jpg",),
(base_url + "house.jpg",),
],
[
"image",
],
)
# Run the Computer Vision service. Analyze Image extracts information from/about the images.
analysis = (
AnalyzeImage()
.setLocation(service_loc)
.setSubscriptionKey(service_key)
.setVisualFeatures(
["Categories", "Color", "Description", "Faces", "Objects", "Tags"]
)
.setOutputCol("analysis_results")
.setImageUrlCol("image")
.setErrorCol("error")
)
# Show the results of what you wanted to pull out of the images.
display(analysis.transform(df).select("image", "analysis_results.description.tags"))
Ukázka vyhledávání obrázků Bingu
Vyhledávání obrázků Bingu prohledá na webu a načte obrázky související s dotazem přirozeného jazyka uživatele. V této ukázce použijeme textový dotaz, který hledá obrázky s uvozovkami. Vrátí seznam adres URL obrázků, které obsahují fotky související s naším dotazem.
# Number of images Bing will return per query
imgsPerBatch = 10
# A list of offsets, used to page into the search results
offsets = [(i * imgsPerBatch,) for i in range(100)]
# Since web content is our data, we create a dataframe with options on that data: offsets
bingParameters = spark.createDataFrame(offsets, ["offset"])
# Run the Bing Image Search service with our text query
bingSearch = (
BingImageSearch()
.setSubscriptionKey(bing_search_key)
.setOffsetCol("offset")
.setQuery("Martin Luther King Jr. quotes")
.setCount(imgsPerBatch)
.setOutputCol("images")
)
# Transformer that extracts and flattens the richly structured output of Bing Image Search into a simple URL column
getUrls = BingImageSearch.getUrlTransformer("images", "url")
# This displays the full results returned, uncomment to use
# display(bingSearch.transform(bingParameters))
# Since we have two services, they are put into a pipeline
pipeline = PipelineModel(stages=[bingSearch, getUrls])
# Show the results of your search: image URLs
display(pipeline.transform(bingParameters))
Ukázka převodu řeči na text
Služba Převod řeči na text převádí streamy nebo soubory mluveného zvuku na text. V této ukázce přepíšeme jeden zvukový soubor.
# Create a dataframe with our audio URLs, tied to the column called "url"
df = spark.createDataFrame(
[("https://mmlspark.blob.core.windows.net/datasets/Speech/audio2.wav",)], ["url"]
)
# Run the Speech-to-text service to translate the audio into text
speech_to_text = (
SpeechToTextSDK()
.setSubscriptionKey(service_key)
.setLocation(service_loc)
.setOutputCol("text")
.setAudioDataCol("url")
.setLanguage("en-US")
.setProfanity("Masked")
)
# Show the results of the translation
display(speech_to_text.transform(df).select("url", "text.DisplayText"))
Ukázka převodu textu na řeč
Převod textu na řeč je služba, která umožňuje vytvářet aplikace a služby, které přirozeně mluví, a vybírat si z více než 270 neurálních hlasů ve 119 jazycích a variantách.
from synapse.ml.cognitive import TextToSpeech
fs = ""
if running_on_databricks():
fs = "dbfs:"
elif running_on_synapse_internal():
fs = "Files"
# Create a dataframe with text and an output file location
df = spark.createDataFrame(
[
(
"Reading out loud is fun! Check out aka.ms/spark for more information",
fs + "/output.mp3",
)
],
["text", "output_file"],
)
tts = (
TextToSpeech()
.setSubscriptionKey(service_key)
.setTextCol("text")
.setLocation(service_loc)
.setVoiceName("en-US-JennyNeural")
.setOutputFileCol("output_file")
)
# Check to make sure there were no errors during audio creation
display(tts.transform(df))
ukázka Detektor anomálií
Detektor anomálií je skvělá pro detekci nesrovnalostí v datech časových řad. V této ukázce pomocí služby vyhledáme anomálie v celé časové řadě.
# Create a dataframe with the point data that Anomaly Detector requires
df = spark.createDataFrame(
[
("1972-01-01T00:00:00Z", 826.0),
("1972-02-01T00:00:00Z", 799.0),
("1972-03-01T00:00:00Z", 890.0),
("1972-04-01T00:00:00Z", 900.0),
("1972-05-01T00:00:00Z", 766.0),
("1972-06-01T00:00:00Z", 805.0),
("1972-07-01T00:00:00Z", 821.0),
("1972-08-01T00:00:00Z", 20000.0),
("1972-09-01T00:00:00Z", 883.0),
("1972-10-01T00:00:00Z", 898.0),
("1972-11-01T00:00:00Z", 957.0),
("1972-12-01T00:00:00Z", 924.0),
("1973-01-01T00:00:00Z", 881.0),
("1973-02-01T00:00:00Z", 837.0),
("1973-03-01T00:00:00Z", 9000.0),
],
["timestamp", "value"],
).withColumn("group", lit("series1"))
# Run the Anomaly Detector service to look for irregular data
anomaly_detector = (
SimpleDetectAnomalies()
.setSubscriptionKey(anomaly_key)
.setLocation(anomaly_loc)
.setTimestampCol("timestamp")
.setValueCol("value")
.setOutputCol("anomalies")
.setGroupbyCol("group")
.setGranularity("monthly")
)
# Show the full results of the analysis with the anomalies marked as "True"
display(
anomaly_detector.transform(df).select("timestamp", "value", "anomalies.isAnomaly")
)
Libovolná webová rozhraní API
S PROTOKOLem HTTP ve Sparku je možné použít jakoukoli webovou službu ve vašem kanálu pro velké objemy dat. V tomto příkladu používáme rozhraní API světové banky k získání informací o různých zemích/oblastech po celém světě.
# Use any requests from the python requests library
def world_bank_request(country):
return Request(
"GET", "http://api.worldbank.org/v2/country/{}?format=json".format(country)
)
# Create a dataframe with specifies which countries/regions we want data on
df = spark.createDataFrame([("br",), ("usa",)], ["country"]).withColumn(
"request", http_udf(world_bank_request)(col("country"))
)
# Much faster for big data because of the concurrency :)
client = (
HTTPTransformer().setConcurrency(3).setInputCol("request").setOutputCol("response")
)
# Get the body of the response
def get_response_body(resp):
return resp.entity.content.decode()
# Show the details of the country data returned
display(
client.transform(df).select(
"country", udf(get_response_body)(col("response")).alias("response")
)
)
Ukázka služby Azure AI Search
V tomto příkladu si ukážeme, jak můžete obohatit data pomocí kognitivních dovedností a zapisovat do indexu Azure Search pomocí SynapseML.
search_service = "mmlspark-azure-search"
search_index = "test-33467690"
df = spark.createDataFrame(
[
(
"upload",
"0",
"https://mmlspark.blob.core.windows.net/datasets/DSIR/test1.jpg",
),
(
"upload",
"1",
"https://mmlspark.blob.core.windows.net/datasets/DSIR/test2.jpg",
),
],
["searchAction", "id", "url"],
)
tdf = (
AnalyzeImage()
.setSubscriptionKey(service_key)
.setLocation(service_loc)
.setImageUrlCol("url")
.setOutputCol("analyzed")
.setErrorCol("errors")
.setVisualFeatures(
["Categories", "Tags", "Description", "Faces", "ImageType", "Color", "Adult"]
)
.transform(df)
.select("*", "analyzed.*")
.drop("errors", "analyzed")
)
tdf.writeToAzureSearch(
subscriptionKey=search_key,
actionCol="searchAction",
serviceName=search_service,
indexName=search_index,
keyCol="id",
)
Další kurzy
Následující kurzy poskytují kompletní příklady použití služeb Azure AI ve službě Synapse Analytics.
Analýza mínění se službami Azure AI – Pomocí ukázkové sady dat komentářů zákazníků vytvoříte tabulku Sparku se sloupcem, který označuje mínění komentářů v jednotlivých řádcích.
Detekce anomálií pomocí služeb Azure AI – Pomocí ukázkové datové sady dat časových řad vytvoříte tabulku Spark se sloupcem, který označuje, jestli jsou data v každém řádku anomálie.
Vytváření aplikací strojového učení pomocí Microsoft Machine Učení pro Apache Spark – tento kurz ukazuje, jak pomocí SynapseML přistupovat k několika modelům ze služeb Azure AI.
Funkce Document Intelligence se službami Azure AI ukazuje, jak pomocí funkce Document Intelligence analyzovat formuláře a dokumenty, extrahovat text a data ve službě Azure Synapse Analytics.
Analýza textu se službami Azure AI ukazuje, jak pomocí Analýza textu analyzovat nestrukturovaný text ve službě Azure Synapse Analytics.
Translator se službami Azure AI ukazuje, jak používat Translator k vytváření inteligentních řešení s více jazyky ve službě Azure Synapse Analytics.
Počítačové zpracování obrazu se službami Azure AI ukazuje, jak pomocí Počítačové zpracování obrazu analyzovat obrázky ve službě Azure Synapse Analytics.
Dostupná rozhraní API služeb Azure AI
Vyhledávání obrázků Bingu
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
Vyhledávání obrázků Bingu | BingImageSearch | Obrázky – Vizuální vyhledávání v7.0 | Nepodporuje se |
Detektor anomálií
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
Detekce poslední anomálie | ZjistitLastAnomaly | Zjištění posledního bodu V1.0 | Podporováno |
Detekce anomálií | DetectAnomalies | Detekce celé řady V1.0 | Podporováno |
Jednoduché detektivy | SimpleDetectAnomalies | Detekce celé řady V1.0 | Podporováno |
Počítačové zpracování obrazu
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
OCR | OCR | Rozpoznávání tištěného textu verze 2.0 | Podporováno |
Rozpoznávání textu | RecognizeText | Rozpoznávání textu verze 2.0 | Podporováno |
Přečíst obrázek | ReadImage | Čtení verze 3.1 | Podporováno |
Generování miniatur | GenerateThumbnails | Vygenerovat miniaturu V2.0 | Podporováno |
Analýza obrázku | AnalyzeImage | Analýza obrázku v2.0 | Podporováno |
Rozpoznávání obsahu specifického pro doménu | RecognizeDomainSpecificContent | Analýza obrázku podle domény V2.0 | Podporováno |
Označení obrázku | TagImage | Označení image V2.0 | Podporováno |
Popis obrázku | DescribeImage | Popis obrázku v2.0 | Podporováno |
Translator
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
Překlad textu | Přeložit | Překlad verze 3.0 | Nepodporuje se |
Transkripce textu | Transliterace | Transliterate V3.0 | Nepodporuje se |
Rozpoznávání jazyka | Zjistit | Detekce V3.0 | Nepodporuje se |
Konec věty | BreakSentence | Přerušení věty V3.0 | Nepodporuje se |
Vyhledávání slovníku (alternativní překlady) | SlovníkVyhledat | Vyhledávání slovníku v3.0 | Nepodporuje se |
Překlad dokumentů | DocumentTranslator | Překlad dokumentu v1.0 | Nepodporuje se |
Rozpoznávání tváře
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
Rozpoznávání tváře | DetectFace | Zjištění s adresou URL v1.0 | Podporováno |
Najít podobnou tvář | FindSimilarFace | Najít podobné verze 1.0 | Podporováno |
Seskupovat tváře | GroupFaces | Skupina V1.0 | Podporováno |
Identifikace tváří | IdentifyFaces | Identifikace V1.0 | Podporováno |
Ověření tváří | VerifyFaces | Ověření tváře ve verzi 1.0 | Podporováno |
Analýza dokumentů
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
Analýza rozložení | AnalyzeLayout | Analýza rozložení Async V2.1 | Podporováno |
Analýza účtenek | AnalyzeReceipts | Analýza příjmu Async V2.1 | Podporováno |
Analýza vizitek | AnalyzeBusinessCards | Analýza Async vizitky V2.1 | Podporováno |
Analýza faktur | AnalyzeInvoices | Analýza Async faktury V2.1 | Podporováno |
Analýza dokumentů ID | AnalyzeIDDocuments | model dokumentu identifikace (ID) verze 2.1 | Podporováno |
Výpis vlastních modelů | ListCustomModels | Výpis vlastních modelů V2.1 | Podporováno |
Získání vlastního modelu | GetCustomModel | Získání vlastních modelů V2.1 | Podporováno |
Analýza vlastního modelu | AnalyzeCustomModel | Analýza s využitím vlastního modelu V2.1 | Podporováno |
Převod řeči na text
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
Převod řeči na text | SpeechToText | SpeechToText V1.0 | Nepodporuje se |
Sada SDK pro převod řeči na text | SpeechToTextSDK | Použití sady Speech SDK verze 1.14.0 | Nepodporuje se |
Analýza textu
Typ rozhraní API | Rozhraní API SynapseML | Rozhraní API služeb Azure AI (verze) | Podpora virtuální sítě DEP |
---|---|---|---|
Text Sentiment V2 | TextSentimentV2 | Sentiment V2.0 | Podporováno |
Detektor jazyka V2 | LanguageDetectorV2 | Jazyky verze 2.0 | Podporováno |
Detektor entit V2 | EntityDetectorV2 | Entity propojující V2.0 | Podporováno |
NER V2 | NERV2 | Rozpoznávání entit – Obecné verze 2.0 | Podporováno |
Extrakce klíčových frází V2 | KeyPhraseExtractorV2 | Klíčové fráze V2.0 | Podporováno |
Mínění v textu | TextSentiment | Sentiment V3.1 | Podporováno |
Extrakce klíčových frází | KeyPhraseExtractor | Klíčové fráze v3.1 | Podporováno |
PII | PII | Rozpoznávání entit Pii V3.1 | Podporováno |
NER | NER | Rozpoznávání entit – Obecné verze 3.1 | Podporováno |
Detektor jazyka | LanguageDetector | Jazyky verze 3.1 | Podporováno |
Detektor entit | EntityDetector | Entity propojující V3.1 | Podporováno |