Nota
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Azure AI Language es un servicio basado en la nube que proporciona características de procesamiento de lenguaje natural (NLP) para comprender y analizar texto. Use este servicio para ayudar a crear aplicaciones inteligentes mediante Language Studio, las API de REST y las bibliotecas cliente basadas en web.
Características disponibles
Este servicio de lenguaje unifica los siguientes servicios de Azure AI disponibles anteriormente: Text Analytics, QnA Maker y LUIS. Si necesita migrar desde estos servicios, consulte la sección migración.
El servicio Lenguaje también proporciona varias características nuevas, que pueden ser:
- Preconfigurado, lo que significa que los modelos de inteligencia artificial que usa la característica no son personalizables. Solo tiene que enviar los datos y usar la salida de la característica en las aplicaciones.
- Personalizable, lo que significa que entrena un modelo de INTELIGENCIA ARTIFICIAL mediante nuestras herramientas para adaptarse específicamente a los datos.
Las características de lenguaje también se usan en plantillas de agente:
- El agente de enrutamiento de intenciones detecta la intención del usuario y proporciona respuesta exacta. Perfecto para el enrutamiento de intenciones determinista y respuesta exacta a preguntas con controles humanos.
- El agente de respuesta a preguntas exacta responde a preguntas predefinidas de alto valor de forma determinista para garantizar respuestas coherentes y precisas.
Sugerencia
¿No está seguro de qué característica usar? Consulte Qué característica de servicio de lenguaje debo usar para ayudarle a decidir.
Azure AI Foundry le permite usar la mayoría de las siguientes características de servicio sin necesidad de escribir código.
Reconocimiento de entidades con nombre (NER)
El reconocimiento de entidades con nombre identifica diferentes entradas en texto y las clasifica en tipos predefinidos.
Detección de información de datos personales y de salud
Detección de DCP identifica entidades en texto y conversaciones (chat o transcripciones) asociadas a personas.
Detección de idiomas
Detección de idioma evalúa texto y detecta una amplia variedad de idiomas y variantes dialectales.
Análisis de sentimiento y minería de opiniones
Análisis de sentimiento y características preconfiguradas de minería de opiniones que le ayudan a comprender la percepción pública de su marca o tema. Estas características analizan texto para identificar opiniones positivas o negativas y pueden vincularlas a elementos específicos dentro del texto.
Resumen
Resumen condensa la información de texto y conversaciones (chat y transcripciones). El resumen de texto genera un resumen que admite dos enfoques: el resumen extractivo crea un resumen seleccionando frases clave del documento y conservando sus posiciones originales. En cambio, el resumen abstractivo genera un resumen mediante la producción de oraciones o frases nuevas, concisas y coherentes que no se copian directamente del documento original. El resumen de conversaciones resume y segmenta las reuniones largas en capítulos con marcas de tiempo. El resumen del centro de llamadas resume los problemas de los clientes y las resoluciones.
Extracción de la frase clave
Extracción de frases clave es una característica preconfigurada que evalúa y devuelve los conceptos principales de un texto no estructurado y los devuelve como una lista.
Vinculación de entidad
Vinculación de entidades es una característica preconfigurada que desambigua la identidad de las entidades (palabras o frases) que se encuentran en texto no estructurado y devuelve vínculos a Wikipedia.
Text Analytics para el mantenimiento
Text Analytics para mantenimiento extrae y etiqueta la información de salud pertinente del texto no estructurado.
Clasificación de texto personalizada
Clasificación de texto personalizado permite crear modelos de IA personalizados para clasificar documentos de texto no estructurados en clases personalizadas que defina.
Reconocimiento de entidades con nombre (NER personalizado)
NER personalizado habilita crear modelos de IA personalizados para extraer categorías de entidades personalizadas (etiquetas para palabras o frases) mediante el texto no estructurado que el usuario proporcione.
Reconocimiento del lenguaje conversacional
Reconocimiento del lenguaje conversacional (CLU) permite a los usuarios crear modelos personalizados de reconocimiento del lenguaje natural para predecir la intención general de una expresión entrante y extraer información importante a partir de esta.
Flujo de trabajo de orquestación
Flujo de trabajo de orquestación es una característica personalizada que permite conectar aplicaciones de Language Understanding conversacionales (CLU),respuesta a preguntas y LUIS.
Respuesta a preguntas
La respuesta a preguntas es una característica personalizada que identifica la respuesta más adecuada para las entradas del usuario. Esta característica se usa normalmente para desarrollar aplicaciones cliente conversacionales, incluidas plataformas de redes sociales, bots de chat y aplicaciones de escritorio habilitadas para voz.
¿Qué característica de servicio de lenguaje debo usar?
Esta sección le ayuda a decidir qué característica de servicio de lenguaje debe usar para la aplicación:
¿Qué quiere hacer? | Formato de documento | Su mejor solución | ¿Se puede personalizar esta solución?* |
---|---|---|---|
Detecte o redacte información confidencial como PII y PHI . |
Texto no estructurado y, conversaciones transcritas |
Detección de DCP | |
Extraiga categorías de información sin crear un modelo personalizado. | Texto no estructurado | La característica NER preconfigurada | |
Extraer categorías de información mediante un modelo específico para los datos. | Texto no estructurado | NER personalizado | ✓ |
Extraer temas principales y frases importantes. | Texto no estructurado | Extracción de frases clave | |
Determinar el sentimiento y las opiniones expresadas en el texto. | Texto no estructurado | Análisis de sentimiento y minería de opiniones | |
Resumir fragmentos largos de texto o conversaciones. | Texto no estructurado y conversaciones transcritas |
Resumen | |
Desambiguar entidades y obtener vínculos a Wikipedia. | Texto no estructurado | Vinculación de entidad | |
Clasificar documentos en una o varias categorías. | Texto no estructurado | Clasificación de texto personalizado | ✓ |
Extraiga información médica de documentos clínicos o médicos, sin crear un modelo. | Texto no estructurado | Text Analytics for Health | |
Crear una aplicación de conversación que responda a las entradas del usuario. | Entradas de usuario no estructuradas | Respuesta a preguntas | ✓ |
Detectar el idioma en el que se escribió un texto. | Texto no estructurado | Detección de idioma | |
Predecir la intención de las entradas del usuario y extraer información de ellas. | Entradas de usuario no estructuradas | Reconocimiento del lenguaje conversacional | ✓ |
Conecte aplicaciones desde la comprensión del lenguaje conversacional, LUIS y la respuesta a preguntas. | Entradas de usuario no estructuradas | Flujo de trabajo de orquestación | ✓ |
* Si una característica es personalizable, puede entrenar un modelo de inteligencia artificial mediante nuestras herramientas para adaptarse específicamente a sus datos. De lo contrario, una característica está preconfigurada, lo que significa que los modelos de IA que usa no se pueden cambiar. Solo tiene que enviar los datos y usar la salida de la característica en las aplicaciones.
Migración desde Text Analytics, QnA Maker o Language Understanding (LUIS)
El lenguaje de Azure AI unifica tres servicios de idioma individuales en los servicios de Azure AI: Text Analytics, QnA Maker y Language Understanding (LUIS). Si ha estado usando estos tres servicios, puede migrar fácilmente al nuevo lenguaje de Azure AI. Para obtener instrucciones, consulte Migración al lenguaje de Azure AI.
Tutoriales
Después de empezar a trabajar con los inicios rápidos de Language Service, pruebe nuestros tutoriales que muestran cómo resolver varios escenarios.
- Extracción de frases clave del texto almacenado en Power BI
- Uso de Power Automate para ordenar la información en Microsoft Excel
- Usar Flask para traducir texto, analizar opiniones y sintetizar el voz
- Uso de servicios de Azure AI en aplicaciones de lienzo
- Creación de un bot de preguntas más frecuentes
Ejemplos de código
En GitHub puede encontrar más ejemplos de código para los siguientes lenguajes:
Implementación local mediante contenedores de Docker
Use los contenedores del servicio de lenguaje para implementar características de API de forma local. Estos contenedores de Docker permiten acercar el servicio a los datos para mejorar el cumplimiento, la seguridad o por otras razones operativas. El servicio de lenguaje ofrece los siguientes contenedores:
- Análisis de opiniones
- Detección de idioma
- Extracción de frases clave
- Reconocimiento de entidades con nombre personalizado
- Text Analytics para mantenimiento
- Resumen
Inteligencia artificial responsable
Los sistemas de inteligencia artificial no solo incluyen la tecnología, sino también las personas que la usan, las que se ven afectadas por ella y el entorno en el que se implementan. Lea los artículos siguientes para obtener información sobre el uso y la implementación de inteligencia artificial responsable en los sistemas: