Azure KI Services in Azure Synapse Analytics

  • Artikel

Mit vortrainierten Modellen aus Azure KI Services können Sie Ihre Daten mit künstlicher Intelligenz (KI) in Azure Synapse Analytics anreichern.

Azure KI Services unterstützen Entwickler und Unternehmen bei der schnellen Erstellung intelligenter, hochmoderner, marktreifer und verantwortungsbewusster Anwendungen mit sofort einsatzbereiten, vorgefertigten und anpassbaren APIs und Modellen.

Es gibt verschiedene Möglichkeiten, wie Sie eine Teilmenge der Azure KI Services mit Ihren Daten in Synapse Analytics verwenden können:

  • Der „Azure KI Services“-Assistent in Synapse Analytics generiert PySpark-Code in einem Synapse-Notebook, das mithilfe von Daten in einer Spark-Tabelle eine Verbindung mit Azure KI Services herstellt. Mithilfe vorab trainierter Machine Learning-Modelle fügt der Dienst Ihren Daten dann KI hinzu. Weitere Informationen finden Sie unter Stimmungsanalyse-Assistent und Anomalieerkennungs-Assistent.

  • Synapse Machine Learning (SynapseML) ermöglicht die Erstellung leistungsstarker und hochgradig skalierbarer Vorhersage- und Analysemodelle auf der Grundlage verschiedener Spark-Datenquellen. Synapse Spark bietet integrierte SynapseML-Bibliotheken, einschließlich synapse.ml.cognitive.

  • Sie können ausgehend von dem vom Assistenten generierten PySpark-Code oder dem im Tutorial bereitgestellten SynapseML-Beispielcode eigenen Code schreiben, um andere Dienste von Azure KI Services mit Ihren Daten zu verwenden. Weitere Informationen zu den verfügbaren Diensten finden Sie unter Was sind Azure KI Services?.

Erste Schritte

Das Tutorial Voraussetzungen für die Verwendung von Azure KI Services in Azure Synapse Analytics führt Sie durch einige Schritte, die Sie ausführen müssen, bevor Sie Azure KI Services in Synapse Analytics verwenden können.

Verwendung

Bildanalyse

Maschinelles Sehen

  • Beschreiben: Stellt eine Beschreibung eines Bilds in lesbarer Sprache bereit. (Scala, Python)
  • Analysieren (Farbe, Bildtyp, Gesicht, nicht jugendfreie/gewagte Inhalte): Analysiert visuelle Merkmale eines Bilds. (Scala, Python)
  • OCR: Liest Text aus einem Bild. (Scala, Python)
  • Texterkennung: Liest Text aus einem Bild. (Scala, Python)
  • Miniaturansicht: Generiert eine Miniaturansicht mit benutzerdefinierter Größe aus dem Bild. (Scala, Python)
  • Domänenspezifischer Inhalte erkennen: Erkennt domänenspezifische Inhalte (Prominente, Sehenswürdigkeiten). (Scala, Python)
  • Tag: Identifiziert die Liste der Wörter, die für das Eingabebild relevant sind. (Scala, Python)

Gesicht

  • Erkennen: Erkennt menschliche Gesichter in einem Bild. (Scala, Python)
  • Überprüfen: Überprüft, ob zwei Gesichter zu derselben Person gehören oder ob ein Gesicht zu einer bestimmten Person gehört. (Scala, Python)
  • Identifizieren: Findet die besten Übereinstimmungen des Gesichts der spezifischen Person in der Abfrage aus einer Personengruppe heraus. (Scala, Python)
  • Ähnliche suchen: Findet ähnliche Gesichter wie das in der Abfrage angegebene Gesicht in einer Liste von Gesichtern. (Scala, Python)
  • Gruppieren: Unterteilt eine Gruppe von Gesichtern basierend auf Ähnlichkeit in getrennte Gruppen. (Scala, Python)

Spracheingabe/-ausgabe

Speech-Dienste

  • Spracherkennung: Transkribiert Audiodatenströme. (Scala, Python)
  • Unterhaltungstranskription: Transkribiert Audiodatenströme in Livetranskripte mit identifizierten Sprechern. (Scala, Python)
  • Sprachsynthese: Konvertiert Text in realistische Audiodaten. (Scala, Python)

Sprache

Textanalyse

  • Sprachenerkennung: Erkennt die Sprache des Eingabetexts. (Scala, Python)
  • Schlüsselbegriffsextraktion: Identifiziert die wichtigsten Gesprächspunkte im Eingabetext. (Scala, Python)
  • Erkennung benannter Entitäten: Identifiziert bekannte Entitäten und allgemeine benannte Entitäten im Eingabetext. (Scala, Python)
  • Stimmungsanalyse: Gibt einen Wert zwischen 0 und 1 zurück, der die Stimmung im Eingabetext angibt. (Scala, Python)
  • Extraktion von Entitäten im Gesundheitswesen: Extrahiert medizinische Entitäten und Beziehungen aus Text. (Scala, Python)

Sprachübersetzung

Translator

  • Übersetzen: Übersetzt Text. (Scala, Python)
  • Transkribieren: Konvertiert Text in einer Sprache aus einem Skript in ein anderes Skript. (Scala, Python)
  • Erkennen: Identifiziert die Sprache eines Textabschnitts. (Scala, Python)
  • BreakSentence: Erkennt die Positionierung von Satzgrenzen in einem Textabschnitt. (Scala, Python)
  • Wörterbuchsuche: Stellt alternative Übersetzungen für ein Wort und eine kleine Anzahl von idiomatischen Ausdrücken bereit. (Scala, Python)
  • Wörterbuchbeispiele: Stellt Kontextbeispiele für die Verwendung von Begriffen im Wörterbuch bereit. (Scala, Python)
  • Dokumentübersetzung: Übersetzt Dokumente in alle und aus allen unterstützten Sprachen und Dialekten, wobei Dokumentstruktur und Datenformat beibehalten werden. (Scala, Python)

Dokument Intelligenz

Document Intelligence (früher als Azure KI Dokument Intelligence bezeichnet)

  • Layout analysieren: Extrahiert Text- und Layoutinformationen aus einem bestimmten Dokument. (Scala, Python)
  • Belege analysieren: Erkennt und extrahiert Daten aus Belegen mithilfe der optischen Zeichenerkennung (Optical Character Recognition, OCR) und unseres Belegmodells, sodass Sie problemlos strukturierte Daten aus Belegen wie Händlername- und telefonnummer, Transaktionsdatum und -summe und noch weitere Informationen extrahieren können. (Scala, Python)
  • Visitenkarten analysieren: Erkennt und extrahiert Daten aus Visitenkarten mithilfe der optischen Zeichenerkennung (Optical Character Recognition, OCR) und unseres Visitenkartenmodells, sodass Sie aus Visitenkarten problemlos strukturierte Daten wie Kontakt- und Firmenname, Telefonnummern, E-Mail-Adressen und vieles mehr extrahieren können. (Scala, Python)
  • Rechnungen analysieren: Erkennt und extrahiert Daten aus Rechnungen mithilfe der optischen Zeichenerkennung (Optical Character Recognition, OCR) und unserer Deep Learning-Modelle, sodass Sie aus Rechnungen problemlos strukturierte Daten extrahieren können, z. B. Kunde, Lieferant, Rechnungs-ID, Fälligkeitsdatum der Rechnung, Gesamtsumme, fälliger Rechnungsbetrag, Steuerbetrag, Lieferadresse, Rechnungsadresse, Posten und mehr. (Scala, Python)
  • Ausweisdokumente analysieren: Erkennt und extrahiert Daten aus Ausweisdokumenten mithilfe der optischen Zeichenerkennung (Optical Character Recognition, OCR) und unseres Ausweisdokumentmodells, sodass Sie aus Ausweisdokumenten strukturierte Daten problemlos extrahieren können, z. B. Vorname, Nachname, Geburtsdatum, Ausweisnummer usw. (Scala, Python)
  • Benutzerdefiniertes Formular analysieren: Extrahiert Informationen aus Formularen (PDFs und Bildern) in strukturierte Daten basierend auf einem Modell, das aus einer Reihe repräsentativer Trainingsformulare erstellt wurde. (Scala, Python)
  • Benutzerdefiniertes Modell abrufen: Dieser Vorgang ruft ausführliche Informationen zu einem benutzerdefinierten Modell ab. (Scala, Python)
  • Benutzerdefinierte Modelle auflisten: Ruft Informationen zu allen benutzerdefinierten Modellen ab. (Scala, Python)

Entscheidung

Anomalieerkennung

  • Anomaliestatus des letzten Punkts: Generiert ein Modell anhand vorheriger Punkte und ermittelt, ob der letzte Punkt anomal ist. (Scala, Python)
  • Anomalien suchen: Generiert ein Modell anhand einer ganzen Reihe und findet Anomalien in der Reihe. (Scala, Python)

Voraussetzungen

  1. Führen Sie die Schritte unter Einrichten der Umgebung für Azure KI Services aus, um Ihre Azure Databricks- und Azure KI-Dienstumgebung einzurichten. In diesem Tutorial wird gezeigt, wie Sie SynapseML installieren und Ihren Spark-Cluster in Databricks erstellen.
  2. Nachdem Sie in Azure Databricks ein neues Notebook erstellt haben, kopieren Sie den folgenden freigegebenen Code, und fügen Sie ihn in eine neue Zelle des Notebooks ein.
  3. Wählen Sie eines der folgenden Dienstbeispiele aus, und kopieren Sie es in eine zweite neue Zelle in Ihrem Notebook.
  4. Ersetzen Sie alle Schlüsselplatzhalter für Dienstabonnements durch ihren eigenen Schlüssel.
  5. Wählen Sie in der Zelle rechts oben die Schaltfläche zum Ausführen (Dreieckssymbol), und wählen Sie dann Zelle ausführen aus.
  6. Zeigen Sie Ergebnisse in einer Tabelle unterhalb der Zelle an.

Freigegebener Code

Zunächst müssen wir dem Projekt folgenden Code hinzufügen:

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")

Beispiel für Textanalyse

Der Textanalyse-Dienst bietet mehrere Algorithmen zum Extrahieren intelligenter Erkenntnisse aus Text. Beispielsweise können wir die Stimmung eines Eingabetexts ermitteln. Der Dienst gibt eine Bewertung zwischen 0,0 und 1,0 zurück, wobei niedrige Scores auf eine negative Stimmung und hohe Scores auf eine positive Stimmung hindeuten. In diesem Beispiel werden drei einfache Sätze verwendet, und es wird jeweils die Stimmung zurückgegeben.

# 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")
    )
)

Text Analytics for Health: Beispiel

Der DienstText Analytics for Health extrahiert und bezeichnet relevante medizinische Informationen aus unstrukturierten Texten wie Arztbriefen, Entlassungsberichten, klinischen Dokumenten und elektronischen Gesundheitsakten.

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))

Übersetzer: Beispiel

Übersetzer ist ein Clouddienst für maschinelle Übersetzung und gehört zur Azure KI Services-Familie von APIs für die Erstellung intelligenter Apps. Translator lässt sich einfach in Ihre Anwendungen, Websites, Tools und Lösungen integrieren. Mit dieser App können mehrsprachige Benutzeroberflächen in mehr als 90 Sprachen und Dialekten bereitgestellt werden. Darüber hinaus kann sie unter jedem Betriebssystem für die Textübersetzung verwendet werden. In diesem Beispiel wird eine einfache Textübersetzung ausgeführt, indem wir die zu übersetzenden Sätze und die Zielsprachen angeben, in die Sie übersetzen möchten.

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")
)

Dokument Intelligenz-Beispiel

Document Intelligence (früher als Azure KI Dokument Intelligence bezeichnet) ist Teil der Azure KI Services und erlaubt Ihnen, unter Verwendung der Technologie für maschinelles Lernen Software für die automatisierte Datenverarbeitung zu entwickeln. Identifizieren und extrahieren Sie Text, Schlüssel-Wert-Paare, Auswahlmarkierungen, Tabellen und Struktur aus Ihren Dokumenten. Der Dienst gibt strukturierte Daten aus, die die Beziehungen in der Originaldatei, Begrenzungsrahmen, Sicherheit und mehr enthalten. In diesem Beispiel analysieren wir ein Visitenkartenbild und extrahieren dessen Informationen in strukturierte Daten.

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")
)

Beispiel für maschinelles Sehen

Maschinelles Sehen analysiert Bilder, um die Struktur zu identifizieren, wie z. B. Gesichter, Objekte und Beschreibungen in natürlicher Sprache. In diesem Beispiel markieren wir eine Liste mit Bildern. Tags sind Einwortbeschreibungen der Dinge im Bild, wie z. B. erkennbare Objekte, Personen, Szenen und Aktionen.

# 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"))

Beispiel für Bing-Bildersuche

Die Bing-Bildersuche durchsucht das Web nach Bildern im Zusammenhang mit einer Abfrage in natürlicher Sprache eines Benutzers. In diesem Beispiel verwenden wir eine Textabfrage, die nach Bildern mit Zitaten sucht. Sie gibt eine Liste mit Bild-URLs zurück, die Fotos im Zusammenhang mit unserer Abfrage enthalten.

# 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))

Beispiel für Spracherkennung

Der Spracherkennungsdienst konvertiert Streams oder Dateien gesprochener Audiodaten in Text. In diesem Beispiel transkribieren wir eine Audiodatei.

# 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"))

Text-to-Speech: Beispiel

Text-to-Speech ist ein Dienst, mit dem Apps und Dienste mit natürlicher Sprache erstellt werden können. Dabei können Sie aus mehr als 270 neuronalen Stimmen in 119 Sprachen und Varianten wählen.

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))

Beispiel für Anomalieerkennung

Die Anomalieerkennung eignet sich hervorragend zum Erkennen von Unregelmäßigkeiten in ihren Zeitreihendaten In diesem Beispiel verwenden wir den Dienst, um Anomalien in der gesamten Zeitreihe zu suchen.

# 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")
)

Beliebige Web-APIs

Mit HTTP in Spark können alle Webdienste in Ihrer Big Data-Pipeline verwendet werden. In diesem Beispiel verwenden wir die World Bank-API, um Informationen zu verschiedenen Ländern/Regionen auf der ganzen Welt zu erhalten.

# 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")
    )
)

Azure KI Search-Beispiel

In diesem Beispiel wird gezeigt, wie Sie Daten mithilfe von kognitiven Skills anreichern und mithilfe von SynapseML in einen Azure Search-Index schreiben können.

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",
)

Weitere Tutorials

Die folgenden Tutorials enthalten vollständige Beispiele für die Verwendung von Azure KI Services in Synapse Analytics.

Verfügbare Azure KI Services-APIs

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
Bing-Bildersuche BingImageSearch Bilder: Visuelle Suche, Version 7.0 Nicht unterstützt

Anomalieerkennung

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
Erkennen der letzten Anomalie DetectLastAnomaly Erkennen des letzten Punkts, Version 1.0 Unterstützt
Erkennen von Anomalien DetectAnomalies Erkennen der gesamten Serie, Version 1.0 Unterstützt
Einfaches DetectAnomalies SimpleDetectAnomalies Erkennen der gesamten Serie, Version 1.0 Unterstützt

Maschinelles Sehen

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
OCR OCR Erkennen von gedrucktem Text, Version 2.0 Unterstützt
Texterkennung RecognizeText Texterkennung, Version 2.0 Unterstützt
Bild lesen ReadImage Lesen, Version 3.1 Unterstützt
Generieren von Miniaturansichten GenerateThumbnails Generieren einer Miniaturansicht, Version 2.0 Unterstützt
Bild analysieren AnalyzeImage Bild analysieren, Version 2.0 Unterstützt
Erkennen domänenspezifischer Inhalte RecognizeDomainSpecificContent Analysieren eines Bilds nach Domäne, Version 2.0 Unterstützt
Bild markieren TagImage Bild markieren, Version 2.0 Unterstützt
Bild beschreiben DescribeImage Bild beschreiben, Version 2.0 Unterstützt

Übersetzer

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
Übersetzen von Text Translate Übersetzen, Version 3.0 Nicht unterstützt
Transliteration von Text Transliterate Transliterieren, Version 3.0 Nicht unterstützt
Erkennen von Sprache Detect Erkennen, Version 3.0 Nicht unterstützt
Satz umbrechen BreakSentence Satz umbrechen, Version 3.0 Nicht unterstützt
Wörterbuchsuche (Alternative Übersetzungen) DictionaryLookup Wörterbuchsuche, Version 3.0 Nicht unterstützt
Dokumentübersetzung DocumentTranslator Dokumentübersetzung, Version 1.0 Nicht unterstützt

Gesicht

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
Gesichtserkennung DetectFace Erkennen mit URL, Version 1.0 Unterstützt
Suchen ähnlicher Gesichter FindSimilarFace Suchen von Ähnlichem, Version 1.0 Unterstützt
Gruppieren von Gesichtern GroupFaces Gruppieren, Version 1.0 Unterstützt
Identifizieren von Gesichtern IdentifyFaces Identifizieren, Version 1.0 Unterstützt
Überprüfen von Gesichtern VerifyFaces Überprüfen von Gesichtern, Version 1.0 Unterstützt

Dokument Intelligenz

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
Analysieren des Layouts AnalyzeLayout Analysieren des Layouts (asynchron), Version 2.1 Unterstützt
Analysieren von Belegen AnalyzeReceipts Analysieren von Belegen (asynchron), Version 2.1 Unterstützt
Analysieren von Visitenkarten AnalyzeBusinessCards Analysieren von Visitenkarten (asynchron), Version 2.1 Unterstützt
Analysieren von Rechnungen AnalyzeInvoices Analysieren von Rechnungen (asynchron), Version 2.1 Unterstützt
Analysieren von Ausweisdokumenten AnalyzeIDDocuments Dokumentmodell für Identifikation (ID), Version 2.1 Unterstützt
Auflisten benutzerdefinierter Modelle ListCustomModels Auflisten benutzerdefinierter Modelle, Version 2.1 Unterstützt
Abrufen eines benutzerdefinierten Modells GetCustomModel Abrufen benutzerdefinierter Modelle, Version 2.1 Unterstützt
Analysieren eines benutzerdefinierten Modells AnalyzeCustomModel Analysieren mit dem benutzerdefinierten Modell, Version 2.1 Unterstützt

Spracherkennung

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
Spracherkennung SpeechToText SpeechToText, Version 1.0 Nicht unterstützt
Spracherkennung (SDK) SpeechToTextSDK Verwenden des Speech SDK, Version 1.14.0 Nicht unterstützt

Textanalyse

API-Typ SynapseML-APIs Azure KI Services-APIs (Versionen) DEP-VNet-Unterstützung
Stimmung in Text, Version 2 TextSentimentV2 Stimmung, Version 2.0 Unterstützt
Spracherkennungsmodul, Version 2 LanguageDetectorV2 Sprachen, Version 2.0 Unterstützt
Entitätserkennung, Version 2 EntityDetectorV2 Entitätsverknüpfung, Version 2.0 Unterstützt
NER, Version 2 NERV2 Entitätserkennung (allgemein), Version 2.0 Unterstützt
Schlüsselbegriffserkennung, Version 2.0 KeyPhraseExtractorV2 Schlüsselbegriffe, Version 2.0 Unterstützt
Stimmung in Text TextSentiment Stimmung, Version 3.1 Unterstützt
Schlüsselbegriffserkennung KeyPhraseExtractor Schlüsselbegriffe, Version 3.1 Unterstützt
PII PII Entitätserkennung (personenbezogene Daten), Version 3.1 Unterstützt
NER NER Entitätserkennung (allgemein), Version 3.1 Unterstützt
Spracherkennung LanguageDetector Sprachen, Version 3.1 Unterstützt
Entitätserkennung EntityDetector Entitätsverknüpfung, Version 3.1 Unterstützt

Nächste Schritte