Créer une application cliente qui analyse du texte
Tip
Pour plus d’informations, consultez l’onglet Texte et images !
Une application cliente est un programme que vous écrivez qui se connecte à un service ou à un modèle et utilise ses fonctionnalités. Votre code envoie des requêtes au service et reçoit automatiquement les résultats, ce qui permet de traiter de grands volumes de texte ou d’intégrer l’analyse ia dans un flux de travail.
Pour vous connecter à un service IA, votre application utilise une API (interface de programmation d’application). Une API est un ensemble de règles qui définit la façon dont deux éléments de logiciel communiquent. Une bibliothèque cliente est un ensemble de code prêt que les développeurs peuvent utiliser dans leur application pour communiquer facilement avec un service ou une API. Vous pouvez examiner les éléments fondamentaux sur les applications et l'utilisation des points de terminaison dans : Commencer avec l’IA dans Azure.
Utilisation de modèles IA universels pour l’analyse de texte
Commencez par une ressource Microsoft Foundry et créez un projet Foundry dans votre ressource. Dans le nouveau portail Foundry, vous pouvez parcourir le catalogue de modèles et déployer un modèle à usage général.
Vous pouvez créer une application cliente qui interagit avec Microsoft Modèles Foundry à l’aide de l’API Azure OpenAI. L’API OpenAI permet à votre code de communiquer avec un modèle déployé en envoyant des demandes à un point de terminaison, ainsi qu’une clé API pour prouver que vous êtes autorisé.
L’API Responses est l’API moderne unifiée dans Azure OpenAI pour interagir avec les modèles de langage. Il est conçu pour gérer des interactions IA complètes, pas seulement la génération de texte.
Vous pouvez utiliser l’API réponses pour envoyer des invites en langage naturel à un modèle de langage déployé. Il est utile lorsque vous avez besoin d’une analyse de style conversationnel flexible qui ne nécessite pas de sortie structurée fixe.
Utilisation de la bibliothèque openAI Python
La bibliothèque OpenAI Python est un kit de développement logiciel (SDK) officiel Python qui permet aux développeurs de créer des applications Python qui interagissent avec des modèles et des services OpenAI via du code au lieu de requêtes HTTP brutes.
Pour utiliser la bibliothèque openAI Python, vous devez travailler dans un éditeur de code. Le code d’application est écrit dans des éditeurs codeurs, tels que Visual Studio Code. Le terminal d’un éditeur de code est une fenêtre de ligne de commande intégrée à l’intérieur de l’éditeur où vous pouvez exécuter des commandes sans quitter votre environnement de développement.
1. Installer les packages nécessaires
La bibliothèque Python OpenAI peut être installée dans le Visual Studio Code terminal à l’aide de :
pip install openai
2. Créer un fichier de configuration
Ensuite, vous pouvez créer un fichier de configuration (type .env) pour stocker vos variables d’environnement, telles que votre point de terminaison, votre clé et votre nom de déploiement de modèle.
Tenez compte des variables suivantes :
AZURE_OPENAI_ENDPOINT=https://<your-resource>.openai.azure.com/openai/v1/
MODEL_DEPLOYMENT_NAME=gpt-4.1-mini
API_KEY=<your-foundry-key>
Notez comment la variable de point de terminaison contient le nom de votre ressource Foundry et openai.azure.com/openai/v1. Votre clé API est votre clé de projet Foundry.
Le nom du déploiement du modèle est le nom que vous donnez au modèle lorsque vous le déployez. Par exemple, lorsque vous déployez le modèle gpt-4.1 , vous pouvez le nommer gpt-demo-model. Le nom du déploiement est gpt-demo-model. Toutefois, si vous ne personnalisez pas le nom du modèle, le nom du déploiement correspond au nom du modèle, comme c’est le cas dans l’extrait de code ci-dessus.
3. Créer un fichier contenant votre logique d’application
Examinez l’exemple de code d’application suivant :
import os
from dotenv import load_dotenv
from openai import OpenAI
# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
api_key = os.getenv("API_KEY")
deployment_name = os.getenv("MODEL_DEPLOYMENT_NAME")
# Create the client object
client = OpenAI(
base_url=endpoint,
api_key=api_key
)
# Make a request using the client
message = client.responses.create(
model=deployment_name,
input="",
)
# Print the results
print(f"Sentiment: {message.output[0]}")
Note
Chargement des variables d’environnement : dans cet exemple, dotenv (load_dotenv()) lit votre .env fichier et charge ces valeurs dans l’environnement de votre application. Le paquet os récupère ensuite chaque valeur par nom avec os.getenv(), par exemple os.getenv("AZURE_OPENAI_ENDPOINT").
Chaque clé .env doit correspondre exactement au nom de votre code. Par exemple, si votre fichier utilise API_KEY, votre code doit également demander API_KEY. Conservez la cohérence des noms de variables pour éviter les valeurs manquantes au moment de l’exécution.
Nous utilisons notre point de terminaison et notre clé de ressource Foundry pour créer un objet client authentifié. La OpenAI classe est définie par le Kit de développement logiciel (SDK) et agit en tant que blueprint pour la connexion à l’API OpenAI. Un objet client authentifié dans Python est un objet spécifique au service qui peut effectuer des appels d’API autorisés de manière sécurisée sans que votre code gère manuellement des jetons ou des secrets.
Note
Dans Python, une classe classe est un blueprint qui définit un type d’élément , les données qu’il contient et les actions qu’il peut effectuer. Un objet est une instance spécifique créée à partir de ce blueprint. Par exemple, une Car classe peut définir que chaque voiture a une couleur et peut drive() ou stop(). Lorsque vous créez une voiture spécifique, par exemple, une voiture rouge, c’est un objet.
Une fois que vous avez créé un objet client configuré avec votre point de terminaison et votre clé, vous pouvez appeler des méthodes pour interagir avec le modèle. Par exemple, vous pouvez utiliser la responsesméthode pour envoyer une invite à un déploiement de modèle spécifique.
Nous pouvons afficher les résultats de l’analyse en exécutant le code d’application dans le terminal avec la commande python <file_name>.py.
L’API OpenAI est simple à utiliser, mais les résultats peuvent varier entre les appels, car le modèle génère du texte de manière probabiliste. Dans la pratique, cela signifie que deux appels avec la même requête peuvent retourner une formulation ou une mise en forme légèrement différente. Lorsque votre application a besoin de valeurs cohérentes, structurées, telles qu’un code de langue, un score de confiance ou un texte réédité, le sdk de langage Azure est un meilleur choix.
Utilisation du Kit de développement logiciel (SDK) Azure Language
Le SDK Azure Language est une bibliothèque cliente pour Azure Language in Foundry Tools. Le Kit de développement logiciel (SDK) permet aux développeurs d’ajouter facilement des fonctionnalités NLP, telles que la détection de langue et la rédaction d’informations d’identification personnelle (PII) à leurs applications.
Voyons comment utiliser le kit sdk Python language Azure pour générer une application qui analyse du texte. Pour utiliser l'Azure Language SDK pour Python, vous devez disposer d’une ressource Foundry. Ensuite, vous devez installer une version compatible de Python et le Kit de développement logiciel (SDK) Python language Azure.
Le SDK Python peut être installé dans le Visual Studio Code terminal à l’aide de :
pip install azure-ai-textanalytics
Considérez l’exemple de fichier de configuration suivant :
AZURE_LANGUAGE_ENDPOINT=https://<your-resource>.cognitiveservices.azure.com/
API_KEY=<your-foundry-key>
Considérez l’exemple de code d’application suivant :
# Import packages
import os
from dotenv import load_dotenv
from azure.core.credentials import AzureKeyCredential
from azure.ai.textanalytics import TextAnalyticsClient
# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_LANGUAGE_ENDPOINT")
key = os.getenv("API_KEY")
# Create the client
client = TextAnalyticsClient(endpoint=endpoint, credential=AzureKeyCredential(key))
# Make a request using the client for language detection
text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]
Nous utilisons les methods du client pour appeler des fonctions Azure Language telles que detect_language et recognize_pii_entities.
Détection de langue : la detect_language() méthode prend une liste de chaînes de texte et retourne la langue détectée, son code ISO 639-1 et un score de confiance compris entre 0 et 1.
text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]
# Print the results
print(f"Language : {result.primary_language.name}")
print(f"ISO code : {result.primary_language.iso6391_name}")
print(f"Confidence : {result.primary_language.confidence_score:.2f}")
Détection des informations personnelles : la recognize_pii_entities() méthode identifie les détails personnels dans le texte et retourne à la fois la version publiée du texte et une liste des entités qu’elle a trouvées, y compris la catégorie et le score de confiance de chaque entité.
text = "Maria Garcia called from 020 7946 0958 and asked to send documents to 42 Market Road, London, UK, SW1A 1AA."
result = client.recognize_pii_entities([text])[0]
# Print the results
print("Redacted text:", result.redacted_text)
print("\nEntities found:")
for entity in result.entities:
print(f" {entity.text} | category={entity.category} | confidence={entity.confidence_score}")
Avec l’API OpenAI et le kit sdk Azure Language, vous pouvez écrire du code pour les applications IA qui traitent le langage naturel et génèrent des insights à partir de votre texte.
Examinons ensuite comment inclure des fonctionnalités de langage Azure dans les agents IA.