Služby Azure AI ve službě Azure Synapse Analytics

  • Článek

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

Počítačové zpracování obrazu

  • 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).

Rozpoznávání tváře

  • 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

Hlasové služby

  • 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

Analýza textu

  • 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

Překladatel

  • 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

Detektor anomálií

  • 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).

Požadavky

  1. 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.
  2. Po vytvoření nového poznámkového bloku v Azure Databricks zkopírujte následující sdílený kód a vložte ho do nové buňky v poznámkovém bloku.
  3. Zvolte jednu z následujících ukázek služby a zkopírujte ji do druhé nové buňky v poznámkovém bloku.
  4. Zástupné symboly klíče předplatného služby nahraďte vlastním klíčem.
  5. Zvolte tlačítko Spustit (ikona trojúhelníku) v pravém horním rohu buňky a pak vyberte Spustit buňku.
  6. 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.

Dostupná rozhraní API služeb Azure AI

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

Další kroky