Azure AI Language は、テキストを理解し分析するための自然言語処理 (NLP) 機能を提供するクラウドベースのサービスです。 このサービスを使用すると、Web ベースの Language Studio、REST API、およびクライアント ライブラリを使用してインテリジェントなアプリケーションを構築できます。
利用可能な機能
この言語サービスは、これまで利用できた Azure AI サービス (Text Analytics、QnA Maker、LUIS) を統合したものです。 これらのサービスから移行する必要がある場合は、 移行のセクションを参照してください。
言語サービスでは、次のようないくつかの新機能も提供されます。
- 事前構成済み。つまり、機能で使用される AI モデルはカスタマイズできません。 ユーザーは単にデータを送信し、機能の出力をアプリケーションで使用します。
- カスタマイズ可能。つまり、データに合わせてツールを使用して AI モデルをトレーニングします。
言語機能は、 エージェント テンプレートでも使用されます。
- インテント ルーティング エージェント は、ユーザーの意図を検出し、正確な回答を提供します。 決定論的な意図のルーティングと、人間のコントロールによる正確な質問の回答に最適です。
- 正確な質問回答エージェント は、一貫性のある正確な回答を保証するために、価値の高い定義済みの質問に決定論的に回答します。
ヒント
使用する機能がわからない場合は、 どの言語サービス機能を使用するかの決定を助けるために参照することをお勧めします。
Azure AI Foundry を使用すると、コードを記述しなくても、次のサービス機能のほとんどを使用できます。
名前付きエンティティの認識 (NER)
名前付きエンティティ認識 では、テキスト内のさまざまなエントリが識別され、定義済みの型に分類されます。
個人および健康データ情報の検出
PII 検出では、個人に関連付けられているテキストと会話 (チャットまたはトランスクリプト) 内のエンティティが識別されます。
言語検出
言語検出では、テキストが評価され、さまざまな言語と異なる方言が検出されます。
感情分析とオピニオン マイニング
ブランドやトピックに対する一般の認識を理解するのに役立つ感情分析とオピニオン マイニングの事前構成済み機能。 これらの特徴は、テキストを分析して肯定的または否定的な感情を識別し、テキスト内の特定の要素にリンクすることができます。
概要
要約では、テキストと会話 (チャットとトランスクリプト) の情報が要約されます。 テキスト要約では、要約が生成され、2 つの方法がサポートされます。抽出要約では、ドキュメントから主要な文を選択し、元の位置を保持することで概要が作成されます。 これに対し、抽象的な要約では、元の文書から直接コピーされない新しい簡潔で一貫性のある文やフレーズを生成することで、要約が生成されます。 会話要約では、長時間の会議が要約され、タイムスタンプ付きのチャプターにセグメント分けされます。 コール センター要約では、顧客の問題と解決策がまとめられます。
キー フレーズ抽出
キー フレーズの抽出は、非構造化テキスト内にある主な概念を評価し、それらをリストとして返す事前構成済みの機能です。
エンティティ リンク設定
エンティティ リンク設定は、非構造化テキストで検出されたエンティティ (語または句) の正体を明確にして Wikipedia へのリンクを返す、事前構成済みの機能です。
Text Analytics for Health
健康状態のテキスト分析では、非構造化テキストから、関連する健康状態情報が抽出しされ、ラベル付けされます。
カスタム テキスト分類
カスタム テキスト分類を使うと、非構造化テキスト ドキュメントを定義したカスタム クラスに分類するカスタム AI モデルを構築できます。
カスタム固有表現認識 (カスタム NER)
カスタム NER を使うと、用意した非構造化テキストを使用して、カスタム エンティティ カテゴリ (語または句のラベル) を抽出するカスタム AI モデルを構築できます。
会話言語理解
会話言語理解 (CLU) を使用すると、ユーザーは、受信した発話の全体的意図を予測し、そこから重要な情報を抽出する、カスタムの自然言語理解モデルを構築できます。
オーケストレーション ワークフロー
オーケストレーション ワークフローは、会話言語理解 (CLU)、質問応答、LUIS アプリケーションを接続できるカスタム機能です。
質問応答
質問の回答 は、ユーザー入力に最適な回答を識別するカスタム機能です。 この機能は通常、ソーシャル メディア プラットフォーム、チャット ボット、音声対応デスクトップ アプリケーションなど、会話型クライアント アプリケーションを開発するために使用されます。
使用すべき言語サービス機能
このセクションでは、アプリケーションに使用する言語サービス機能を決定するのに役立ちます。
| 目的に合ったトピックをクリックしてください | ドキュメントの形式 | 最適なソリューション | このソリューションはカスタマイズ可能かどうか* |
|---|---|---|---|
PIIやPHIなどの機密情報を検出したり、編集したりします。 |
非構造化テキスト、 書き起こされた会話 |
PII 検出 | |
| カスタム モデルを作成せずに、情報のカテゴリを抽出します。 | 非構造化テキスト | 事前構成済みの NER 機能 | |
| データに固有のモデルを使用して、情報のカテゴリを抽出します。 | 非構造化テキスト | カスタム NER | ✓ |
| 主なトピックと重要なフレーズを抽出します。 | 非構造化テキスト | キー フレーズ抽出 | |
| テキストで表現されるセンチメントと意見を決定します。 | 非構造化テキスト | 感情分析とオピニオン マイニング | |
| テキストまたは会話の長いチャンクを要約します。 | 非構造化テキスト、 書き起こされた会話。 |
概要 | |
| エンティティを明確にし、Wikipedia へのリンクを取得します。 | 非構造化テキスト | エンティティ リンク設定 | |
| ドキュメントを 1 つ以上のカテゴリに分類します。 | 非構造化テキスト | カスタム テキスト分類 | ✓ |
| モデルを作成せずに、臨床/医療ドキュメントから医療情報を抽出する。 | 非構造化テキスト | 正常性に関するテキスト分析 | |
| ユーザー入力に応答する会話型アプリケーションを作成する。 | 非構造化ユーザー入力 | 質問と回答 | ✓ |
| テキストが書き込まれた言語を検出します。 | 非構造化テキスト | 言語検出 | |
| ユーザー入力の意図を予測し、そこから情報を抽出します。 | 非構造化ユーザー入力 | 会話言語理解 | ✓ |
| 会話言語理解、LUIS、質問応答からアプリを接続します。 | 非構造化ユーザー入力 | オーケストレーション ワークフロー | ✓ |
* 機能がカスタマイズ可能な場合は、明確にデータに合うように、ツールを使用して AI モデルをトレーニングできます。 それ以外の場合は、機能が事前に構成されています。つまり、使用する AI モデルを変更することはできません。 ユーザーは単にデータを送信し、機能の出力をアプリケーションで使用します。
Text Analytics、QnA Maker、または Language Understanding (LUIS) からの移行
Azure AI Language では、Azure AI サービス内の 3 つの個別の言語サービス、Text Analytics、QnA Maker、Language Understanding (LUIS) が統合されています。 これら 3 つのサービスを使用している場合は、新しい Azure AI Language に簡単に移行できます。 手順については、「Azure AI Language への移行」を参照してください。
チュートリアル
言語サービスのクイックスタートを開始したら、さまざまなシナリオを解決する方法を示すチュートリアルをお試しください。
- Power BI に保存されているテキストからキー フレーズを抽出する
- Power Automate を使用して Microsoft Excel 内の情報を並べ替える
- Flask によるテキストの翻訳、センチメントの分析、音声の合成
- キャンバス アプリで Azure AI サービスを使用する
- FAQ ボットを作成する
コード サンプル
次の言語については、その他のコード サンプルが GitHub にあります。
Docker コンテナーを使用してオンプレミスにデプロイする
言語サービス コンテナーを使用して、API 機能をオンプレミスにデプロイします。 これらの Docker コンテナーを使用すると、コンプライアンス、セキュリティ、またはその他の運用上の理由により、データにより近いところでサービスを使用できます。 言語サービスには、次のコンテナーが用意されています。
責任ある AI
AI システムには、テクノロジだけでなく、それを使用する人、それによって影響を受ける人、デプロイ環境も含まれます。 システムでの責任ある AI の使用とデプロイについては、次の記事をご覧ください。