Servizi di Azure AI in Azure Synapse Analytics
Usando modelli con training preliminare dai Servizi di Azure AI, è possibile arricchire i dati con intelligenza artificiale (AI) in Azure Synapse Analytics.
I Servizi di Azure AI consentono a sviluppatori e organizzazioni di creare rapidamente applicazioni intelligenti, all'avanguardia, pronte per il mercato e responsabili con API e modelli predefiniti e personalizzabili.
Esistono alcuni modi per usare un subset di Servizi di Azure AI con i dati in Synapse Analytics:
La procedura guidata "Servizi di Azure AI" in Synapse Analytics genera codice PySpark in un notebook Synapse che si connette a un con i Servizi di Azure AI usando i dati in una tabella Spark. Usando quindi modelli di Machine Learning con training preliminare, il servizio esegue il processo per aggiungere intelligenza artificiale ai dati. Per altre informazioni, vedere Procedura guidata analisi della valutazione eProcedura guidata rilevamento anomalie.
Synapse Machine Learning (SynapseML) consente di creare modelli predittivi e analitici potenti e altamente scalabili da varie origini dati Spark. Synapse Spark offre librerie SynapseML predefinite, tra cui synapse.ml.cognitive.
A partire dal codice PySpark generato dalla procedura guidata o dal codice SynapseML di esempio fornito nell'esercitazione, è possibile scrivere codice personalizzato per usare altri Servizi di Azure AI con i dati. Vedere Che cosa sono i Servizi di Azure AI? per altre informazioni sui servizi disponibili.
Operazioni preliminari
L'esercitazione, Prerequisiti per l'uso dei Servizi di Azure AI in Azure Synapse, illustra alcuni passaggi da eseguire prima di usare i Servizi di Azure AI in Synapse Analytics.
Utilizzo
Visione
Visione artificiale
- Descrivere: fornisce una descrizione di un'immagine in un linguaggio leggibile (Scala, Python)
- Analizza (colore, tipo di immagine, viso, contenuto per adulti/spinto): analizza le funzionalità visive di un'immagine (Scala, Python)
- Riconoscimento ottico dei caratteri (OCR): legge il testo da un'immagine (Scala, Python)
- Riconoscimento del testo: legge il testo da un'immagine (Scala, Python)
- Anteprima: genera un'anteprima delle dimensioni specificate dall'utente dall'immagine (Scala, Python)
- Riconoscere il contenuto specifico del dominio: riconosce il contenuto specifico del dominio (celebrità, punto di riferimento) (Scala, Python)
- Tag: identifica l'elenco di parole rilevanti per l'immagine di input (Scala, Python)
- Rilevamento: rileva i visi umani in un'immagine (Scala, Python)
- Verifica: verifica se due visi appartengono a una stessa persona o se un viso appartiene a una persona (Scala, Python)
- Identificare: trova le corrispondenze più vicine del viso della persona della query da un gruppo di persone (Scala, Python)
- Trovare un aspetto simile: trova visi simili al viso della query in un elenco di visi (Scala, Python)
- Gruppo: divide un gruppo di visi in gruppi non contigui in base alla somiglianza (Scala, Python)
Voce
- Riconoscimento vocale: trascrive flussi audio (Scala, Python)
- Trascrizione conversazione: trascrive i flussi audio in trascrizioni in tempo reale con parlanti identificati. (Scala, Python)
- Sintesi vocale: converte il testo in audio realistico (Scala, Python)
Lingua
- Rilevamento della lingua: rileva la lingua del testo di input (Scala, Python)
- Estrazione di frasi chiave: identifica i punti di discussione chiave nel testo di input (Scala, Python)
- Riconoscimento di entità denominate: identifica le entità note e le entità denominate generali nel testo di input (Scala, Python)
- Analisi valutazione: restituisce un punteggio compreso tra 0 e 1 che indica la valutazione nel testo di input (Scala, Python)
- Estrazione di entità sanitarie: estrae entità mediche e relazioni dal testo. (Scala, Python)
Traduzione
- Traduzione: Traduce il testo. (Scala, Python)
- Traslitterazione: Converte il testo in una lingua da uno script in un altro script. (Scala, Python)
- Rilevamento: Identifica la lingua di una parte del testo. (Scala, Python)
- Spaziatura del testo: Identifica il posizionamento dei delimitatori di frase in una porzione di testo. (Scala, Python)
- Ricerca nel dizionario: Specifica le traduzioni alternative per una parola e un numero ridotto di frasi idiomatiche. (Scala, Python)
- Esempi dal dizionario: Fornisce esempi che illustrano come vengono usati nel contesto i termini nel dizionario. (Scala, Python)
- Traduzione di documenti: Traduce più file in tutte le lingue e i dialetti supportati mantenendo al tempo stesso la struttura del documento e il formato dei dati. (Scala, Python)
Document Intelligence
Informazioni sui documenti (in passato Informazioni sui documenti di Azure AI)
- Analisi layout: Estrarre informazioni di testo e layout da un documento specificato. (Scala, Python)
- Analisi ricevute: Rileva ed estrae dati dalle ricevute usando il riconoscimento ottico dei caratteri (OCR) e il nostro modello di ricevuta, consentendo di estrarre facilmente dati strutturati dalle ricevute, ad esempio il nome del fornitore, il numero di telefono del fornitore, la data della transazione, il totale delle transazioni e altro ancora. (Scala, Python)
- Analisi biglietti da visita: Rileva ed estrae dati da biglietti da visita usando il riconoscimento ottico dei caratteri (OCR) e il nostro modello di biglietti da visita, consentendo di estrarre facilmente dati strutturati da biglietti da visita, ad esempio nomi di contatto, nomi di società, numeri di telefono, e-mail e altro ancora. (Scala, Python)
- Analisi fatture: Rileva ed estrae dati dalle fatture usando il riconoscimento ottico dei caratteri (OCR) e i modelli di Deep Learning per la comprensione delle fatture, consentendo di estrarre facilmente dati strutturati dalle fatture, ad esempio cliente, fornitore, ID fattura, data di scadenza fattura, totale, importo della fattura dovuto, importo iva, importo fiscale, spedizione, fatturazione, voci e altro ancora. (Scala, Python)
- Analisi documenti di identità: Rileva ed estrae dati dai documenti di identificazione usando il riconoscimento ottico dei caratteri (OCR) e il modello di documento di identità, consentendo di estrarre facilmente dati strutturati da documenti ID, ad esempio nome, cognome, data di nascita, numero di documento e altro ancora. (Scala, Python)
- Analizza modulo personalizzato: estrae informazioni dai moduli (PDF e immagini) in dati strutturati basati su un modello creato da un set di moduli di training rappresentativi. (Scala, Python)
- Ottenere un modello personalizzato: ottenere informazioni dettagliate su un modello personalizzato. (Scala, Python)
- Elenca modelli personalizzati: ottenere informazioni su tutti i modelli personalizzati. (Scala, Python)
Decision
- Stato anomalie del punto più recente: genera un modello usando i punti precedenti e determina se il punto più recente è anomalo (Scala, Python)
- Trovare anomalie: genera un modello usando un'intera serie e trova anomalie nella serie (Scala, Python)
Ricerca
Prerequisiti
- Seguire la procedura descritta in Configurare l'ambiente per i Servizi di Azure AI per configurare l'ambiente di Azure Databricks e dei Servizi di Azure AI. Questa esercitazione mostra come installare SynapseML e come creare il cluster Spark in Databricks.
- Dopo aver creato un nuovo notebook in Azure Databricks, copiare il codice condiviso seguente e incollarlo in una nuova cella del notebook.
- Scegliere un esempio di servizio tra quelli seguenti e quindi copiarlo e incollarlo in una seconda nuova cella del notebook.
- Sostituire i segnaposto della chiave della sottoscrizione del servizio con la chiave personale.
- Scegliere il pulsante Esegui (icona a forma di triangolo) nell'angolo in alto a destra della cella e quindi selezionare Esegui cella.
- Visualizzare i risultati in una tabella sotto la cella.
Codice condiviso
Per iniziare, è necessario aggiungere questo codice al progetto:
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")
Esempio di Analisi del testo
Il servizio Analisi del testo fornisce diversi algoritmi per estrarre dati analitici intelligenti dal testo. Ad esempio, è possibile trovare la valutazione del testo di input specificato. Il servizio restituirà un punteggio compreso tra 0.0 e 1.0 in cui punteggi bassi indicano una valutazione negativa e un punteggio alto indica una valutazione positiva. In questo esempio vengono usate tre frasi semplici e viene restituita la valutazione per ognuna di esse.
# 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")
)
)
Analisi del testo per un campione in ambito sanitario
L’Analisi del testo per il Servizio integrità estrae ed etichetta informazioni mediche rilevanti da testi non strutturati, ad esempio note del medico, riepiloghi delle dimissioni\n, documenti clinici e cartelle cliniche elettroniche.
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))
Esempio di Traduttore
Translator è un servizio di traduzione automatica basato sul cloud e fa parte della famiglia di Servizi di Azure AI di API usate per lo sviluppo di app intelligenti. Traduttore è facilmente integrabile in applicazioni, siti Web, strumenti e soluzioni. Consente di aggiungere esperienze utente multilingue in 90 lingue e dialetti e può essere usato per la traduzione testuale con qualsiasi sistema operativo. In questo esempio viene eseguita una semplice traduzione testuale specificando le frasi in cui si desidera tradurre e le lingue di destinazione in cui si vuole tradurre.
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")
)
Esempi di Intelligence per i documenti
Informazioni sui documenti (precedentemente conosciuto come “Informazioni sui documenti di Azure AI”) è un Servizi di Azure AI che consente di creare software di elaborazione dati automatica tramite la tecnologia di apprendimento automatico. Identificare ed estrarre testo, coppie chiave/valore, segni di selezione, tabelle e struttura dai documenti. Il servizio restituisce dati strutturati che includono le relazioni nel file originale, rettangoli delimitatori, attendibilità e altro ancora. In questo esempio viene analizzata un'immagine di biglietto da visita ed estratte le informazioni in dati strutturati.
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")
)
Esempio di Visione artificiale
Visione artificiale analizza le immagini per identificare la struttura, ad esempio visi, oggetti e descrizioni in linguaggio naturale. In questo esempio viene contrassegnato un elenco di immagini. I tag sono descrizioni costituite da una sola parola di elementi presenti nell'immagine, come persone, scenari, azioni e oggetti riconoscibili.
# 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"))
Esempio di Ricerca immagini Bing
Ricerca immagini Bing cerca nel Web e recupera immagini correlate a una query dell'utente in linguaggio naturale. In questo esempio viene usata una query di testo che cerca immagini con virgolette. Restituisce un elenco di URL di immagini contenenti foto correlate alla query.
# 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))
Esempio di Riconoscimento vocale
Il servizio Riconoscimento vocale converte flussi o file di parlato audio in testo. In questo esempio viene trascritto un file 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"))
Esempio di sintesi vocale
Sintesi vocale è un servizio che consente di creare app e servizi che parlano naturalmente, scegliendo tra più di 270 voci neurali in 119 lingue e varianti.
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))
Esempio di Rilevamento anomalie
Rilevamento anomalie è ideale per rilevare irregolarità nei dati della serie temporale. In questo esempio viene usato il servizio per individuare le anomalie nell'intera serie temporale.
# 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 arbitrarie
Con HTTP in Spark è possibile usare qualsiasi servizio Web nella pipeline Big Data. In questo esempio si usa l'API World Bank per ottenere informazioni su diversi paesi/regioni in tutto il mondo.
# 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")
)
)
Esempio di Azure AI Search
In questo esempio viene illustrato come arricchire i dati usando competenze cognitive e scrivere in un indice di Ricerca di Azure usando 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",
)
Altre esercitazioni
Le esercitazioni seguenti forniscono esempi completi dell'uso di Servizi di Azure AI di Azure in Synapse Analytics.
Analisi valutazione con i Servizi di Azure AI: usando un set di dati di esempio di commenti dei clienti, si crea una tabella Spark con una colonna che indica la valutazione dei commenti in ogni riga.
Rilevamento anomalie con i Servizi di Azure AI: usando un set di dati di esempio di dati delle serie temporali, si crea una tabella Spark con una colonna che indica se i dati in ogni riga sono anomalie.
Creare applicazioni di apprendimento automatico con Microsoft Machine Learning per Apache Spark: questa esercitazione illustra come usare SynapseML per accedere a diversi modelli dai Servizi di Azure AI.
Informazioni sui documenti con i Servizi di Azure AI illustra come usare Informazioni sui documenti per analizzare moduli e documenti, estrarre testo e dati in Azure Synapse Analytics.
Analisi del testo con i Servizi di Azure AI illustra come usare Analisi del testo per analizzare testo non strutturato in Azure Synapse Analytics.
Traduttore con i Servizi di Azure AI illustra come usare Traduttore per creare soluzioni intelligenti e multilingue in Azure Synapse Analytics
Visione artificiale con i Servizi di Azure AI illustra come usare Visione artificiale per analizzare le immagini in Azure Synapse Analytics.
API dei Servizi di Azure AI disponibili
Ricerca immagini Bing
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| Ricerca immagini Bing | BingImageSearch | Immagini - Ricerca visiva V7.0 | Non supportato |
Rilevamento anomalie
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| Rilevare l'ultima anomalia | DetectLastAnomaly | Rilevare l'ultimo punto V1.0 | Supportata |
| Rilevare anomalie | DetectAnomalies | Rilevare l'intera serie V1.0 | Supportata |
| DetectAnomalies semplice | SimpleDetectAnomalies | Rilevare l'intera serie V1.0 | Supportata |
Visione artificiale
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| OCR | OCR | Riconoscimento del testo stampato V2.0 | Supportata |
| Riconoscimento del testo | RecognizeText | Riconoscimento del testo V2.0 | Supportata |
| Leggi immagine | ReadImage | Lettura V3.1 | Supportata |
| Generare anteprime | GenerateThumbnails | Generare l'anteprima V2.0 | Supportata |
| Analyze Image (Analisi dell'immagine) | AnalyzeImage | Analizza immagine V2.0 | Supportata |
| Riconoscere contenuto specifico di dominio | RecognizeDomainSpecificContent | Analizza immagine per dominio V2.0 | Supportata |
| Aggiungere un tag all'immagine | TagImage | Aggiungi un tag all'immagine V2.0 | Supportata |
| Describe Image (Descrizione dell'immagine) | DescribeImage | Descrivere l'immagine V2.0 | Supportata |
Traduttore
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| Tradurre il testo | Traduci | Tradurre V3.0 | Non supportato |
| Traslitterare testo | Transliterate | Traslitterare V3.0 | Non supportato |
| Rilevare la lingua | Rileva | Rilevare V3.0 | Non supportato |
| Interrompi frase | BreakSentence | Interrompere frase V3.0 | Non supportato |
| Ricerca nel dizionario (traduzioni alternative) | DictionaryLookup | Ricerca dizionario V3.0 | Non supportato |
| Traduzione di documenti | DocumentTranslator | Traduzione di documenti V1.0 | Non supportato |
Viso
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| Rilevare il viso | DetectFace | Rilevare con URL V1.0 | Supportata |
| Individuare visi simili | FindSimilarFace | Ricerca di simili V1.0 | Supportata |
| Raggruppa visi | GroupFaces | Gruppo V1.0 | Supportata |
| Identificare visi | IdentifyFaces | Identificare V1.0 | Supportata |
| Verificare i visi | VerifyFaces | Verificare faccia a faccia v1.0 | Supportata |
Document Intelligence
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| Analyze Layout | AnalyzeLayout | Analizzare layout asincrono V2.1 | Supportata |
| Analizzare ricevute | AnalyzeReceipts | Analizzare ricevuta asincrona V2.1 | Supportata |
| Analizzare biglietti da visita | AnalyzeBusinessCards | Analizzare biglietto da visita asincrono V2.1 | Supportata |
| Analizzare fatture | AnalyzeInvoices | Analizzare fattura asincrona V2.1 | Supportata |
| Analizzare documenti di identità | AnalyzeIDDocuments | identificazione (ID) modello di documento V2.1 | Supportata |
| Elencare modelli personalizzati | ListCustomModels | Elencare modelli personalizzati V2.1 | Supportata |
| Ottenere modello personalizzato | GetCustomModel | Ottenere modello personalizzato V2.1 | Supportata |
| Analizza il modello personalizzato | AnalyzeCustomModel | Analizzare con il modello personalizzato v2.1 | Supportata |
Riconoscimento vocale
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| Riconoscimento vocale | Riconoscimento vocale | Riconoscimento vocale V1.0 | Non supportato |
| Riconoscimento vocale SDK | SpeechToTextSDK | Uso di Riconoscimento vocale SDK Versione 1.14.0 | Non supportato |
Analisi del testo
| Tipo di API | SynapseML APIs | API dei servizi di Azure AI (versioni) | Supporto della rete virtuale DEP |
|---|---|---|---|
| Valutazione del testo V2 | TextSentimentV2 | Valutazione V2.0 | Supportata |
| Rilevamento lingua V2 | LanguageDetectorV2 | Lingue V2.0 | Supportata |
| Rilevamento entità V2 | EntityDetectorV2 | Collegamento di entità V2.0 | Supportata |
| Riconoscimento entità denominata V2 | Riconoscimento entità denominata V2 | Riconoscimento delle entità Generale V2.0 | Supportata |
| Estrattore di frasi chiave V2 | KeyPhraseExtractorV2 | Frasi chiave V2.0 | Supportata |
| Valutazione del testo | TextSentiment | Valutazione V3.1 | Supportata |
| Estrattore di frasi chiave | KeyPhraseExtractor | Frasi chiave V3.1 | Supportata |
| PII | PII | Riconoscimento delle entità Pii V3.1 | Supportata |
| Riconoscimento entità denominata | Riconoscimento entità denominata | Riconoscimento delle entità Generale V3.1 | Supportata |
| Rilevamento lingua | LanguageDetector | Lingue V3.1 | Supportata |
| Rilevamento entità | EntityDetector | Collegamento di entità V3.1 | Supportata |