Membuat aplikasi klien yang menganalisis teks
Tip
Lihat tab Teks dan gambar untuk detail selengkapnya!
Aplikasi klien adalah program yang Anda tulis yang terhubung ke layanan atau model dan menggunakan kemampuannya. Kode Anda mengirim permintaan ke layanan dan menerima hasil kembali secara otomatis — memungkinkan untuk memproses teks dalam volume besar atau mengintegrasikan analisis AI ke dalam alur kerja.
Untuk menyambungkan ke layanan AI, aplikasi Anda menggunakan API (Application Programming Interface). API adalah seperangkat aturan yang menentukan bagaimana dua bagian perangkat lunak berkomunikasi. Pustaka klien adalah sekumpulan kode siap pakai yang dapat digunakan pengembang dalam aplikasi mereka untuk dengan mudah berbicara dengan layanan atau API. Anda dapat meninjau materi dasar tentang aplikasi dan penggunaan endpoint di: Mulai dengan AI di Azure.
Menggunakan model AI tujuan umum untuk analisis teks
Mulailah dengan sumber daya Microsoft Foundry dan buat proyek Foundry dalam sumber daya Anda. Di portal Foundry baru , Anda dapat menelusuri katalog model dan menyebarkan model tujuan umum.
Anda dapat membangun aplikasi klien yang berinteraksi dengan Microsoft Foundry Models menggunakan Azure OpenAI API. OpenAI API memungkinkan kode Anda berbicara dengan model yang disebarkan dengan mengirim permintaan ke titik akhir, bersama dengan kunci API untuk membuktikan bahwa Anda diotorisasi.
API Responses adalah API terpadu modern dalam Azure OpenAI untuk berinteraksi dengan model bahasa. Ini dirancang untuk menangani interaksi AI lengkap, bukan hanya pembuatan teks.
Anda dapat menggunakan API respons untuk mengirim perintah bahasa alami ke model bahasa yang disebarkan. Ini berguna ketika Anda membutuhkan analisis gaya percakapan yang fleksibel yang tidak memerlukan output terstruktur tetap.
Menggunakan pustaka Python OpenAI
pustaka Python OpenAI adalah kit pengembangan perangkat lunak (SDK) Python resmi yang memungkinkan pengembang membangun aplikasi Python yang berinteraksi dengan model dan layanan OpenAI melalui kode alih-alih permintaan HTTP mentah.
Untuk menggunakan pustaka Python OpenAI, Anda perlu bekerja dalam editor kode. Kode aplikasi ditulis dalam editor code, seperti Visual Studio Code. Terminal editor kode adalah jendela baris perintah bawaan di dalam editor tempat Anda dapat menjalankan perintah tanpa meninggalkan lingkungan pengembangan Anda.
1. Instal paket yang diperlukan
Pustaka Python OpenAI dapat diinstal di Visual Studio Code terminal menggunakan:
pip install openai
2. Buat file konfigurasi
Selanjutnya, Anda dapat membuat file konfigurasi (jenis .env) untuk menyimpan variabel lingkungan Anda, seperti titik akhir, kunci, dan nama penyebaran model Anda.
Pertimbangkan variabel berikut:
AZURE_OPENAI_ENDPOINT=https://<your-resource>.openai.azure.com/openai/v1/
MODEL_DEPLOYMENT_NAME=gpt-4.1-mini
API_KEY=<your-foundry-key>
Perhatikan bagaimana variabel titik akhir berisi nama sumber daya Foundry Anda dan openai.azure.com/openai/v1. Kunci API Anda adalah kunci proyek Foundry Anda.
Nama penyebaran model adalah nama yang Anda tetapkan untuk model saat Anda menyebarkannya. Misalnya, saat Anda menyebarkan model gpt-4.1 , Anda dapat menamainya gpt-demo-model. Nama penyebarannya adalah gpt-demo-model. Namun, jika Anda tidak mengubah nama model, nama penyebaran akan sama dengan nama model, seperti dalam cuplikan di atas.
3. Buat file yang berisi logika aplikasi Anda
Lihat sampel kode aplikasi berikut:
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]}")
Nota
Memuat variabel lingkungan: Dalam sampel ini, dotenv (load_dotenv()) membaca file Anda .env dan memuat nilai tersebut ke lingkungan aplikasi Anda. Paket os kemudian mengambil setiap nilai berdasarkan nama dengan os.getenv(), seperti os.getenv("AZURE_OPENAI_ENDPOINT").
Setiap kunci di .env harus sama persis dengan nama dalam kode Anda. Misalnya, jika file Anda menggunakan API_KEY, kode Anda juga harus meminta API_KEY. Pertahankan nama variabel tetap konsisten untuk menghindari nilai yang hilang saat runtime.
Kami menggunakan titik akhir dan kunci sumber daya Foundry kami untuk membuat objek klien yang diautentikasi. Kelas OpenAI didefinisikan oleh SDK dan bertindak sebagai cetak biru untuk menghubungkan ke OpenAI API. Objek klien terautentikasi di Python adalah objek khusus layanan yang dapat dengan aman melakukan panggilan API resmi tanpa kode Anda mengelola token atau rahasia secara manual.
Nota
Dalam Python, class adalah cetak biru yang mendefinisikan jenis hal — data apa yang disimpannya dan tindakan apa yang dapat dilakukannya.
Objek adalah instans tertentu yang dibuat dari cetak biru tersebut. Misalnya, Car kelas mungkin mendefinisikan bahwa setiap mobil memiliki warna dan dapat drive() atau stop(). Saat Anda membuat mobil tertentu — katakanlah, yang merah — itu adalah objek.
Setelah Anda membuat objek klien — dikonfigurasi dengan titik akhir dan kunci Anda — Anda dapat memanggil metode di atasnya untuk berinteraksi dengan model. Misalnya, Anda dapat menggunakan responsesmetode untuk mengirim perintah ke penyebaran model tertentu.
Kita dapat menampilkan hasil analisis dengan menjalankan kode aplikasi di terminal dengan perintah python <file_name>.py.
API OpenAI mudah digunakan, tetapi hasilnya dapat bervariasi di antara pemanggilan karena model menghasilkan teks secara probabilistik. Dalam praktiknya, ini berarti dua panggilan dengan perintah yang sama dapat mengembalikan kata atau pemformatan yang sedikit berbeda. Saat aplikasi Anda membutuhkan nilai terstruktur yang konsisten, seperti kode bahasa, skor keyakinan, atau teks yang diredaksi, Azure Language SDK adalah pilihan yang lebih baik.
Menggunakan SDK Bahasa Azure
Azure Language SDK adalah pustaka klien untuk Azure Language di Foundry Tools. SDK memudahkan pengembang untuk menambahkan fitur NLP, seperti deteksi bahasa dan meredaksi informasi pengidentifikasi pribadi (PII), ke aplikasi mereka.
Mari kita lihat bagaimana Anda dapat menggunakan Azure Language Python SDK untuk membangun aplikasi yang menganalisis teks. Untuk menggunakan SDK Python Bahasa Azure, Anda harus memiliki sumber daya Foundry. Kemudian Anda perlu menginstal versi Python yang kompatibel dan SDK Python Bahasa Azure.
SDK Python dapat diinstal di Visual Studio Code terminal menggunakan:
pip install azure-ai-textanalytics
Pertimbangkan sampel file konfigurasi berikut:
AZURE_LANGUAGE_ENDPOINT=https://<your-resource>.cognitiveservices.azure.com/
API_KEY=<your-foundry-key>
Pertimbangkan sampel kode aplikasi berikut:
# 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]
Kami menggunakan methods klien untuk memanggil fungsi bahasa Azure, seperti detect_language dan recognize_pii_entities.
Deteksi bahasa: Metode mengambil detect_language() daftar string teks dan mengembalikan bahasa yang terdeteksi, kode ISO 639-1, dan skor keyakinan antara 0 dan 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}")
Deteksi PII: Metode ini recognize_pii_entities() mengidentifikasi detail pribadi dalam teks dan mengembalikan versi teks yang diredaksi dan daftar entitas yang ditemukannya, termasuk kategori dan skor keyakinan setiap entitas.
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}")
Dengan OpenAI API dan Azure Language SDK, Anda dapat menulis kode untuk aplikasi AI yang memproses bahasa alami dan menghasilkan wawasan dari teks Anda.
Selanjutnya, mari kita lihat cara menyertakan kemampuan bahasa Azure dalam agen AI.