Servicios de Azure AI en Azure Data Factory
Con los modelos previamente entrenados de servicios de Azure AI, puede enriquecer los datos con inteligencia artificial en Azure Synapse Analytics.
Los servicios de Azure AI ayudan a los desarrolladores y a las organizaciones a crear rápidamente aplicaciones inteligentes, vanguardistas, listas para el mercado y responsables con API y modelos listos para usar y preconstruidos y personalizables.
Existen varias maneras de utilizar estos conjuntos de servicios de Azure AI con los datos en Synapse Analytics:
El asistente para "servicios de Azure AI" de Synapse Analytics genera código PySpark en un cuaderno de Synapse que se conecta a servicios de Azure AI mediante los datos de una tabla de Spark. A continuación, mediante modelos de aprendizaje automático previamente entrenados, el servicio realiza el trabajo para agregar inteligencia artificial a los datos. Consulte el Asistente para análisis de sentimiento y el Asistente para detección de anomalías para más información.
Synapse Machine Learning (SynapseML) le permite crear modelos predictivos y analíticos eficaces y altamente escalables a partir de varios orígenes de datos de Spark. Synapse Spark proporciona bibliotecas de SynapseML integradas, entre las que se incluye synapse.ml.cognitive.
A partir del código de PySpark generado por el asistente o el código SynapseML de ejemplo proporcionado en el tutorial, puede escribir su propio código para utilizar otros servicios de Azure AI con sus datos. Consulte ¿Qué son los servicios de Azure AI? para más información sobre los servicios disponibles.
Primeros pasos
Tutorial: Requisitos previos para el uso de servicios de Azure AI en Azure Synapse le puede servir de guía siguiendo un par de pasos que debe realizar antes de utilizar servicios de Azure AI en Synapse Analytics.
Uso
Visión
- Describir: proporciona una descripción de una imagen en lenguaje legible (Scala, Python)
- Analizar (color, tipo de imagen, cara, contenido para adultos/subido de tono): analiza las características visuales de una imagen (Scala, Python)
- OCR: lee texto de una imagen (Scala, Python)
- Reconocer texto: lee texto de una imagen (Scala, Python)
- Miniatura: genera una miniatura del tamaño especificado por el usuario a partir de la imagen (Scala, Python)
- Reconocimiento de contenido específico del dominio: reconoce contenido específico del dominio (celebridad, punto de referencia) (Scala, Python)
- Etiqueta: identifica la lista de palabras que son pertinentes para la imagen de entrada (Scala, Python)
- Detectar: detecta caras humanas en una imagen (Scala, Python)
- Comprobar: comprueba si dos caras pertenecen a una misma persona o si una cara pertenece a una persona (Scala, Python)
- Identificar: busca las coincidencias más cercanas de la cara de una persona de una consulta específica de un grupo de personas (Scala, Python)
- Buscar similar: busca caras similares a la cara de la consulta en una lista de caras (Scala, Python)
- Agrupar: divide un grupo de caras en grupos separados en función de la similitud (Scala, Python)
Voz
- Conversión de voz en texto: transcribe secuencias de audio (Scala, Python)
- Transcripción de conversaciones: transcribe secuencias de audio en transcripciones en directo con hablantes identificados. (Scala, Python)
- Text to Speech: convierte texto en audio realista (Scala, Python)
Idioma
- Detección de idioma: detecta el idioma del texto de entrada (Scala, Python)
- Extracción de frases clave: identifica los puntos clave de la conversación en el texto de entrada (Scala, Python)
- Reconocimiento de entidades con nombre: identifica entidades conocidas y entidades con nombre generales en el texto de entrada (Scala, Python)
- Análisis de sentimiento: devuelve una puntuación entre 0 y 1 que indica la opinión del texto de entrada (Scala, Python)
- Extracción de entidades sanitarias: extrae entidades y relaciones médicas del texto. (Scala, Python)
Traducción
- Traducir: traduce texto. (Scala, Python)
- Transliterar: convierte texto en un idioma de un script a otro script. (Scala, Python)
- Detectar: identifica el idioma de un fragmento de texto. (Scala, Python)
- BreakSentence: identifica el posicionamiento de los límites de las frases en un fragmento de texto. (Scala, Python)
- Búsqueda de diccionario: proporciona traducciones alternativas para una palabra y un pequeño número de frases hechas. (Scala, Python)
- Ejemplos de diccionario: proporciona ejemplos que muestran cómo se usan los términos del diccionario en el contexto. (Scala, Python)
- Traducción de documentos: traduce documentos entre todos los idiomas y dialectos admitidos manteniendo la estructura del documento y el formato de los datos. (Scala, Python)
Document Intelligence
Document Intelligence (anteriormente conocida como Documento de inteligencia de Azure AI)
- Analizar diseño: extrae texto e información del diseño de un documento determinado. (Scala, Python)
- Analizar recibos: detecta y extrae datos de los recibos mediante el reconocimiento óptico de caracteres (OCR) y nuestro modelo de recibo, lo que le permite extraer fácilmente datos estructurados de los recibos, como el nombre del comerciante, el número de teléfono del comerciante, la fecha de la transacción, el total de transacciones, etc. (Scala, Python)
- Analizar tarjetas de presentación: detecta y extrae datos de tarjetas de presentación mediante el reconocimiento óptico de caracteres (OCR) y nuestro modelo de tarjeta de presentación, lo que le permite extraer fácilmente datos estructurados de las tarjetas de presentación, como nombres de contacto, nombres de empresa, números de teléfono, correos electrónicos, etc. (Scala, Python)
- Analizar facturas: detecta y extrae datos de facturas mediante el reconocimiento óptico de caracteres (OCR) y nuestros modelos de aprendizaje profundo de la comprensión de facturas, lo que le permite extraer fácilmente datos estructurados de las facturas como cliente, proveedor, identificador de factura, fecha de vencimiento de la factura, total, importe de factura debido, importe de impuestos, dirección de envío, dirección de facturación, elementos de línea, etc. (Scala, Python)
- Analizar documentos de identificación: detecta y extrae datos de documentos de identificación mediante el reconocimiento óptico de caracteres (OCR) y nuestro modelo de documento de identificación, lo que le permite extraer fácilmente datos estructurados de los documentos de identificación, como el nombre, el apellido, la fecha de nacimiento, el número de documento, etc. (Scala, Python)
- Analizar formulario personalizado: extrae información de formularios (archivos PDF e imágenes) en datos estructurados basados en un modelo creado a partir de un conjunto de formularios de entrenamiento representativos. (Scala, Python)
- Obtener modelo personalizado: obtiene información detallada sobre un modelo personalizado. (Scala, Python)
- Enumerar modelos personalizados: obtiene información sobre todos los modelos personalizados. (Scala, Python)
Decisión
- Estado de anomalía del punto más reciente: genera un modelo mediante puntos anteriores y determina si el punto más reciente es anómalo (Scala, Python)
- Búsqueda de anomalías: genera un modelo mediante una serie completa y busca anomalías en la serie (Scala, Python)
Buscar
Requisitos previos
- Siga los pasos descritos en Configuración del entorno para los servicios de Azure AI para configurar el entorno de servicios de Azure AI y Azure Databricks. En este tutorial, se muestra cómo instalar SynapseML y cómo crear el clúster de Spark en Databricks.
- Después de crear un nuevo cuaderno en Azure Databricks, copie el siguiente código compartido y péguelo en una nueva celda del cuaderno.
- Elija uno de los siguientes ejemplos de servicio y cópielo y péguelo en una segunda celda nueva del cuaderno.
- Reemplace cualquiera de los marcadores de posición de la clave de suscripción del servicio por su propia clave.
- Elija el botón Ejecutar (icono de triángulo) en la esquina superior derecha de la celda y, a continuación, seleccione Ejecutar celda.
- Puede ver los resultados en una tabla debajo de la celda.
Código compartido
Para empezar, es necesario agregar este código al proyecto:
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")
Ejemplo de Text Analytics
El servicio Text Analytics proporciona varios algoritmos para extraer conclusiones inteligentes de un texto. Por ejemplo, podemos encontrar la opinión de un texto de entrada determinado. El servicio devolverá una puntuación entre 0,0 y 1,0, donde las puntuaciones bajas indican una opinión negativa y una puntuación alta indica una opinión positiva. Este ejemplo utiliza tres frases simples y devuelve la opinión de cada una.
# 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")
)
)
Ejemplo de Text Analytics for Health
El servicio Text Analytics for Health extrae y etiqueta información médica pertinente de textos no estructurados, como notas del médico, resúmenes de altas, documentos clínicos e historiales sanitarios electrónicos.
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))
Ejemplo de Translator
Translator es un servicio de traducción automática basado en la nube que forma parte de la familia de API de servicios de Azure AI utilizadas para crear aplicaciones inteligentes. Translator se integra con facilidad en cualquier aplicación, sitio web, herramienta y solución. Le permite agregar experiencias de usuario en varios idiomas en 90 idiomas y dialectos y se puede usar para la traducción de texto con cualquier sistema operativo. En este ejemplo, se realiza una traducción de texto simple proporcionando las frases que desea traducir y los idiomas de destino a los que desea traducir.
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")
)
Ejemplo de Document Intelligence
Document Intelligence (anteriormente conocido como "Documento de inteligencia de Azure AI") forma parte de los servicios de Azure AI, que le permite crear software de procesamiento de datos automatizado mediante tecnología de aprendizaje automático. Identifique y extraiga texto, pares clave-valor, marcas de selección, tablas y estructura de los documentos. El servicio obtiene datos estructurados que incluyen las relaciones del archivo original, rectángulos delimitadores, confianza y más. En este ejemplo, analizamos una imagen de tarjeta de presentación y extraemos su información en datos estructurados.
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")
)
Ejemplo de Computer Vision
Computer Vision analiza las imágenes para identificar estructuras como caras, objetos y descripciones en lenguaje natural. En este ejemplo, se etiqueta una lista de imágenes. Las etiquetas son descripciones de una sola palabra de las cosas que hay en la imagen, como objetos reconocibles, personas, escenarios y acciones.
# 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"))
Ejemplo de Bing Image Search
Bing Image Search busca en la Web para recuperar las imágenes relacionadas con una consulta en lenguaje natural del usuario. En este ejemplo, usamos una consulta de texto que busca imágenes con citas de un personaje célebre. Devuelve una lista de direcciones URL de las imágenes que contienen fotos relacionadas con la consulta.
# 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))
Ejemplo de Speech to Text
El servicio Speech to Text convierte secuencias o archivos de audio hablado en texto. En este ejemplo, se transcribe un archivo de audio.
# 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"))
Ejemplo de Text to Speech
Text to Speech es un servicio que permite crear aplicaciones y servicios que hablan de forma natural, eligiendo entre más de 270 voces neuronales en 119 idiomas y variantes.
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))
Ejemplo de Anomaly Detector
Anomaly Detector es ideal para detectar irregularidades en los datos de series temporales. En este ejemplo, usamos el servicio para buscar anomalías en toda la serie temporal.
# 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")
)
API web arbitrarias
Con HTTP en Spark, se puede usar cualquier servicio web en la canalización de macrodatos. En este ejemplo, usamos la API de World Bank para obtener información sobre varios países y regiones de todo el mundo.
# 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")
)
)
Ejemplo de Azure AI Search
En este ejemplo, se muestra cómo puede enriquecer los datos mediante aptitudes cognitivas y escribir en un índice de Azure Search mediante 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",
)
Otros tutoriales
En los tutoriales siguientes se proporcionan ejemplos completos del uso de servicios de Azure AI en Synapse Analytics.
Análisis de sentimiento con servicios de Azure AI: con un conjunto de datos de ejemplo de comentarios de clientes, cree una tabla de Spark con una columna que indique el sentimiento de los comentarios de cada fila.
Tutorial: Detección de anomalías con servicios de Azure AI (versión preliminar): con un conjunto de datos de ejemplo de datos de serie temporal, cree una tabla de Spark con una columna que indique si los datos de cada fila presentan una anomalía.
Tutorial: Creación de aplicaciones de aprendizaje automático con Microsoft Machine Learning para Apache Spark: en este tutorial se muestra cómo se utiliza SynapseML para acceder a varios modelos desde servicios de Azure AI.
En Document Intelligence con servicios de Azure AI se indica cómo usar Document Intelligence para analizar los formularios y documentos, extraer texto y datos en Azure Synapse Analytics.
En el tutorial, Text Analytics con servicios de Azure AI se muestra el uso de Text Analytics para analizar texto no estructurado en Azure Synapse Analytics.
En el tutorial Translator con servicios de Azure AI se indica cómo usar Translator para crear soluciones inteligentes en varios idiomas en Azure Synapse Analytics
En Computer Vision con servicios de Azure AI se muestra cómo usar Computer Vision para analizar imágenes en Azure Synapse Analytics.
API de servicios de Azure AI disponibles
Bing Image Search
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| Bing Image Search | BingImageSearch | Images - Visual Search V7.0 | No compatible |
Anomaly Detector
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| Detección de la anomalía más reciente | DetectLastAnomaly | Detect Last Point V1.0 | Compatible |
| Detección de anomalías | DetectAnomalies | Detect Entire Series V1.0 | Compatible |
| Simple DetectAnomalies | SimpleDetectAnomalies | Detect Entire Series V1.0 | Compatible |
Visión del equipo
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| OCR | OCR | Recognize Printed Text V2.0 | Compatible |
| Reconocer texto | RecognizeText | Recognize Text V2.0 | Compatible |
| Lectura de imágenes | ReadImage | Read V3.1 | Compatible |
| Generación de miniaturas | GenerateThumbnails | Generate Thumbnail V2.0 | Compatible |
| Analyze Image | AnalyzeImage | Analyze Image V2.0 | Compatible |
| Reconocimiento del contenido específico del dominio | RecognizeDomainSpecificContent | Analyze Image By Domain V2.0 | Compatible |
| Etiquetado de imágenes | TagImage | Tag Image V2.0 | Compatible |
| Describe Image | DescribeImage | Describe Image V2.0 | Compatible |
Traductor
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| Traducción de texto | Translate | Translate V3.0 | No compatible |
| Transliteración de texto | Transliterar | Transliterate V3.0 | No compatible |
| Detección de idioma | Detect | Detect V3.0 | No compatible |
| División de frases | BreakSentence | Break Sentence V3.0 | No compatible |
| Búsqueda en el diccionario (traducciones alternativas) | DictionaryLookup | Dictionary Lookup V3.0 | No compatible |
| Traducción de documentos | DocumentTranslator | Document Translation V1.0 | No compatible |
Caras
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| Detección de caras | DetectFace | Detect With Url V1.0 | Compatible |
| Búsqueda de caras similares | FindSimilarFace | Find Similar V1.0 | Compatible |
| Agrupación de caras | GroupFaces | Group V1.0 | Compatible |
| Identificación de caras | IdentifyFaces | Identify V1.0 | Compatible |
| Comprobación de caras | VerifyFaces | Verify Face To Face V1.0 | Compatible |
Document Intelligence
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| Análisis de diseño | AnalyzeLayout | Analyze Layout Async V2.1 | Compatible |
| Análisis de recibos | AnalyzeReceipts | Analyze Receipt Async V2.1 | Compatible |
| Análisis de tarjetas de presentación | AnalyzeBusinessCards | Analyze Business Card Async V2.1 | Compatible |
| Análisis de facturas | AnalyzeInvoices | Analyze Invoice Async V2.1 | Compatible |
| Análisis de documentos de identificación | AnalyzeIDDocuments | identification (ID) document model V2.1 | Compatible |
| Lista de modelos personalizados | ListCustomModels | List Custom Models V2.1 | Compatible |
| Obtención de modelos personalizados | GetCustomModel | Get Custom Models V2.1 | Compatible |
| Análisis de modelos personalizados | AnalyzeCustomModel | Analyze With Custom Model V2.1 | Compatible |
Voz a texto
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| Speech To Text | SpeechToText | SpeechToText V1.0 | No compatible |
| Voz a texto (SDK) | SpeechToTextSDK | Uso de Speech SDK Version 1.14.0 | No compatible |
Text Analytics
| Tipo de API | API de SynapseML | API de servicios de Azure AI (versiones) | DEP VNet Support |
|---|---|---|---|
| Text Sentiment V2 | TextSentimentV2 | Sentiment V2.0 | Compatible |
| Language Detector V2 | LanguageDetectorV2 | Languages V2.0 | Compatible |
| Entity Detector V2 | EntityDetectorV2 | Entities Linking V2.0 | Compatible |
| NER V2 | NERV2 | Entities Recognition General V2.0 | Compatible |
| Key Phrase Extractor V2 | KeyPhraseExtractorV2 | Key Phrases V2.0 | Compatible |
| Text Sentiment | TextSentiment | Sentiment V3.1 | Compatible |
| Key Phrase Extractor | KeyPhraseExtractor | Key Phrases V3.1 | Compatible |
| PII | PII | Entities Recognition Pii V3.1 | Compatible |
| NER | NER | Entities Recognition General V3.1 | Compatible |
| Detector de idioma | LanguageDetector | Languages V3.1 | Compatible |
| Detector de entidad | EntityDetector | Entities Linking V3.1 | Compatible |