Azure Synapse Analytics의 Azure AI 서비스
Azure AI 서비스의 미리 학습된 모델을 사용하면 Azure Synapse Analytics에서 AI(인공 지능)로 데이터를 보강할 수 있습니다.
Azure AI 서비스는 개발자와 조직이 즉시 사용 가능하고 사전 빌드되었으며 사용자 지정 가능한 API 및 모델을 사용하여 시장에 출시할 수 있는 지능적이고 최첨단의 책임감 있는 애플리케이션을 신속하게 만들 수 있도록 지원합니다.
Synapse Analytics의 데이터에 Azure AI 서비스의 하위 집합을 사용할 수 있는 몇 가지 방법이 있습니다.
Synapse Analytics의 "Azure AI 서비스" 마법사는 Spark 테이블의 데이터를 사용하여 Azure AI 서비스에 연결하는 Synapse Notebook에 PySpark 코드를 생성합니다. 그런 다음, 이 서비스에서 미리 학습된 기계 학습 모델을 사용하여 데이터에 AI를 추가하는 작업을 수행합니다. 자세한 내용은 감정 분석 마법사 및 변칙 검색 마법사를 확인하세요.
SynapseML(Synapse Machine Learning)을 사용하면 다양한 Spark 데이터 원본에서 강력하고 확장성이 뛰어난 예측 및 분석 모델을 빌드할 수 있습니다. Synapse Spark는 synapse.ml.cognitive를 포함한 기본 제공 SynapseML 라이브러리를 제공합니다.
마법사에서 생성된 PySpark 코드 또는 자습서에 제공된 예 SynapseML 코드부터는 데이터에 다른 Azure AI 서비스를 사용하는 사용자 고유의 코드를 작성할 수 있습니다. 사용 가능한 서비스에 대한 자세한 내용은 Azure AI 서비스란?를 참조하세요.
시작하기
Azure Synapse에서 Azure AI 서비스를 사용하기 위한 필수 조건 자습서에서는 Synapse Analytics에서 Azure AI 서비스를 사용하기 전에 수행해야 하는 몇 가지 단계를 안내합니다.
사용
비전
- 설명: 인간이 읽을 수 있는 언어로 이미지 설명을 제공합니다. (Scala, Python)
- 분석(색, 이미지 형식, 얼굴, 성인/선정적인 콘텐츠): 이미지의 시각적 기능을 분석합니다. (Scala, Python)
- OCR: 이미지에서 텍스트를 읽습니다. (Scala, Python)
- 텍스트 인식: 이미지에서 텍스트를 읽습니다. (Scala, Python)
- 썸네일: 이미지에서 사용자 지정 크기의 썸네일을 생성합니다. (Scala, Python)
- 도메인별 콘텐츠 인식: 도메인별 콘텐츠(유명인, 랜드마크)를 인식합니다. (Scala, Python)
- 태그: 입력 이미지와 관련된 단어 목록을 식별합니다. (Scala, Python)
- 검색: 이미지에서 인간 얼굴을 검색합니다. (Scala, Python)
- 확인: 두 얼굴이 같은 사람인지 또는 한 사람의 얼굴인지 확인합니다. (Scala, Python)
- 식별: 사용자 그룹에서 특정 쿼리 사람 얼굴과 가장 근접하게 일치하는 항목을 찾습니다. (Scala, Python)
- 유사한 얼굴 찾기: 얼굴 목록에서 쿼리 얼굴과 유사한 얼굴을 찾습니다. (Scala, Python)
- 그룹화: 얼굴 그룹을 유사성에 따라 분리된 그룹으로 나눕니다. (Scala, Python)
음성
- 음성 텍스트 변환: 오디오 스트림을 텍스트로 변환합니다. (Scala, Python)
- 대화 기록: 오디오 스트림을 확인된 화자와 함께 라이브 대화 기록으로 대화 기록합니다. (Scala, Python)
- Text to Speech: 텍스트를 사실적인 오디오로 변환합니다. (Scala, Python)
언어
- 언어 감지: 입력 텍스트의 언어를 감지합니다. (Scala, Python)
- 핵심 구 추출: 입력 텍스트에서 핵심 논점을 식별합니다. (Scala, Python)
- 명명된 엔터티 인식: 입력 텍스트에서 알려진 엔터티 및 일반 명명된 엔터티를 식별합니다. (Scala, Python)
- 감정 분석: 입력 텍스트의 감정을 나타내는 0과 1 사이의 점수를 반환합니다. (Scala, Python)
- 의료 항목 추출: 텍스트에서 의료 항목 및 관계를 추출합니다. (Scala, Python)
Translation
- 번역: 텍스트를 번역합니다. (Scala, Python)
- 음역: 한 언어로 된 텍스트를 한 스크립트에서 다른 스크립트로 변환합니다. (Scala, Python)
- 검색: 텍스트 조각의 언어를 식별합니다. (Scala, Python)
- 문장 나누기: 텍스트에서 문장 경계의 위치를 식별합니다. (Scala, Python)
- 사전 조회: 단어 및 소수의 관용구에 대한 대체 번역을 제공합니다. (Scala, Python)
- 사전 예: 사전의 용어가 컨텍스트에서 어떻게 사용되는지 보여 주는 예를 제공합니다. (Scala, Python)
- 문서 번역: 문서 구조와 데이터 형식을 유지하면서 지원되는 모든 언어와 방언으로 문서를 번역합니다. (Scala, Python)
문서 인텔리전스
문서 인텔리전스(이전 명칭: Azure AI 문서 인텔리전스)
- 레이아웃 분석: 지정된 문서에서 텍스트 및 레이아웃 정보를 추출합니다. (Scala, Python)
- 영수증 분석: OCR(광학 인식) 및 영수증 모델을 통해 영수증에서 데이터를 검색하고 추출하므로 가맹점 이름, 가맹점 전화번호, 트랜잭션 날짜, 트랜잭션 합계 등과 같이 영수증에서 구조화된 데이터를 쉽게 추출할 수 있습니다. (Scala, Python)
- 비즈니스 카드 분석: OCR(광학 인식) 및 비즈니스 카드 모델을 통해 명함에서 데이터를 검색하고 추출하여 연락처 이름, 회사 이름, 전화번호, 이메일 등과 같이 명함에서 구조화된 데이터를 쉽게 추출할 수 있습니다. (Scala, Python)
- 청구서 분석: OCR(광학 인식) 및 청구서 해석 딥 러닝 모델을 통해 청구서에서 데이터를 검색하고 추출하여 고객, 공급업체, 청구서 ID, 청구서 기한, 합계, 청구서 금액, 세금 금액, 배송지, 청구 주소, 품목 등과 같이 청구서에서 구조화된 데이터를 쉽게 추출할 수 있습니다. (Scala, Python)
- ID 문서 분석: OCR(광학 인식) 및 ID 문서 모델을 통해 식별 문서에서 데이터를 검색하고 추출하여 이름, 성, 생년월일, 문서 번호 등과 같이 ID 문서에서 구조화된 데이터를 쉽게 추출할 수 있습니다. (Scala, Python)
- 사용자 지정 양식 분석: 일련의 대표적인 학습 양식에서 만들어진 모델을 기반으로 양식(PDF 및 이미지)에서 구조화된 데이터로 정보를 추출합니다. (Scala, Python)
- 사용자 지정 모델 가져오기: 사용자 지정 모델에 대한 자세한 정보를 가져옵니다. (Scala, Python)
- 사용자 지정 모델 나열: 모든 사용자 지정 모델에 대한 정보를 가져옵니다. (Scala, Python)
의사 결정
- 최신 지점의 변칙 상태: 이전 지점을 사용하여 모델을 생성하고 최신 지점이 변칙인지 판단합니다. (Scala, Python)
- 변칙 찾기: 전체 시리즈를 사용하여 모델을 생성하고 시리즈에서 변칙을 찾습니다. (Scala, Python)
검색
필수 조건
- Azure Databricks 및 Azure AI 서비스 환경을 설정하려면 Azure AI 서비스 환경 설정의 단계를 따릅니다. 이 자습서에서는 SynapseML을 설치하는 방법과 Databricks에서 Spark 클러스터를 만드는 방법을 보여 줍니다.
- Azure Databricks에서 새 Notebook을 만든 후 다음 공유 코드를 복사하여 Notebook의 새 셀에 붙여넣습니다.
- 다음 서비스 샘플 중 하나를 선택하고 복사하여 Notebook의 두 번째 새 셀에 붙여넣습니다.
- 서비스 구독 키 자리 표시자를 사용자 고유의 키로 바꿉니다.
- 셀의 오른쪽 위 모서리에서 실행 단추(삼각형 아이콘)를 선택한 다음, 셀 실행을 선택합니다.
- 결과가 테이블의 셀 아래에 표시됩니다.
공유 코드
시작하려면 다음 코드를 프로젝트에 추가해야 합니다.
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")
Text Analytics 샘플
Text Analytics 서비스는 텍스트에서 인텔리전트 인사이트를 추출하기 위한 몇 가지 알고리즘을 제공합니다. 예를 들어 지정된 입력 텍스트의 감정을 찾을 수 있습니다. 이 서비스는 0.0과 1.0 사이의 점수를 반환합니다. 여기서 낮은 점수는 부정적인 감정을 나타내고, 높은 점수는 긍정적인 감정을 나타냅니다. 이 샘플에서는 세 개의 간단한 문장을 사용하고, 각각에 대한 감정을 반환합니다.
# 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")
)
)
상태 샘플을 위한 Text Analytics
의료 분야 Text Analytics는 의사의 메모, 퇴원 요약, 임상 문서 및 전자 의료 레코드 같은 비정형 텍스트에서 관련 의료 정보를 추출하고 레이블을 지정합니다.
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))
Translator 샘플
번역기는 클라우드 기반 기계 번역 서비스이며 지능형 앱을 빌드하는 데 사용되는 Azure AI 서비스 API 제품군의 일부입니다. Translator는 애플리케이션, 웹 사이트, 도구 및 솔루션에 쉽게 통합할 수 있습니다. 90개 언어 및 방언으로 제공되는 다국어 사용자 환경을 추가할 수 있으며, 모든 운영 체제에서 텍스트 번역에 사용할 수 있습니다. 이 샘플에서는 번역할 문장과 번역할 대상 언어를 제공하여 간단한 텍스트 번역을 수행합니다.
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")
)
문서 인텔리전스 샘플
문서 인텔리전스(이전의 "Azure AI 문서 인텔리전스")는 기계 학습 기술을 사용하여 자동화된 데이터 처리 소프트웨어를 빌드할 수 있는 Azure AI 서비스의 일부입니다. 문서에서 텍스트, 키/값 쌍, 선택 표시, 테이블 및 구조체를 식별하고 추출합니다. 이 서비스는 원본 파일의 관계, 경계 상자, 신뢰도 등이 포함된 정형 데이터를 출력합니다. 이 샘플에서는 명함 이미지를 분석하고 해당 정보를 구조화된 데이터로 추출합니다.
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")
)
Computer Vision 샘플
Computer Vision은 이미지를 분석하여 얼굴, 개체 및 자연어 설명과 같은 구조를 식별합니다. 이 샘플에서는 태그를 이미지 목록에 지정합니다. 태그는 인식 가능한 개체, 사람, 경치, 동작과 같이 이미지의 항목에 대한 한 단어 설명입니다.
# 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"))
Bing Image Search 샘플
Bing Image Search는 웹을 검색하여 사용자의 자연어 쿼리와 관련된 이미지를 검색합니다. 이 샘플에서는 따옴표를 사용하여 이미지를 찾는 텍스트 쿼리를 사용합니다. 쿼리와 관련된 사진이 포함된 이미지 URL의 목록을 반환합니다.
# 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))
음성 텍스트 변환 샘플
음성 텍스트 변환 서비스는 음성 오디오의 스트림 또는 파일을 텍스트로 변환합니다. 이 샘플에서는 하나의 오디오 파일을 기록합니다.
# 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"))
텍스트 음성 변환 샘플
텍스트 음성 변환은 119개 언어 및 변형에 걸쳐 270개 이상의 신경망 음성 중에서 선택하여 자연스럽게 말하는 앱과 서비스를 빌드할 수 있는 서비스입니다.
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))
Anomaly Detector 샘플
Anomaly Detector는 시계열 데이터의 변칙을 감지하는 데 유용합니다. 이 샘플에서는 서비스를 사용하여 전체 시계열에서 변칙을 찾습니다.
# 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")
)
임의의 웹 API
HTTP on Spark를 사용하면 빅 데이터 파이프라인에서 웹 서비스를 사용할 수 있습니다. 이 예에서는 세계 은행 API를 사용하여 전 세계 다양한 국가/지역에 대한 정보를 가져옵니다.
# 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")
)
)
Azure AI Search 샘플
이 예에서는 인식 기술을 사용하여 데이터를 보강하고 SynapseML을 사용하여 Azure Search 인덱스에 쓰는 방법을 보여 줍니다.
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",
)
기타 자습서
다음 자습서에서는 Synapse Analytics에서 Azure AI 서비스를 사용하는 전체 예를 제공합니다.
Azure AI 서비스를 사용한 감정 분석 - 고객 의견의 데이터 예 세트를 사용하여 각 행의 주석 감정을 나타내는 열이 있는 Spark 테이블을 빌드합니다.
Azure AI 서비스를 통한 변칙 검색 - 시계열 데이터의 데이터 예 세트를 사용하여 각 행의 데이터가 변칙인지 여부를 나타내는 열이 있는 Spark 테이블을 빌드합니다.
Microsoft Machine Learning for Apache Spark를 사용하여 기계 학습 애플리케이션 빌드 - 이 자습서에서는 SynapseML을 사용하여 Azure AI 서비스의 여러 모델에 액세스하는 방법을 보여 줍니다.
Azure AI 서비스를 사용한 문서 인텔리전스는 문서 인텔리전스를 사용하여 양식과 문서를 분석하고 Azure Synapse Analytics에서 텍스트와 데이터를 추출하는 방법을 보여 줍니다.
Azure AI 서비스를 사용한 Text Analytics는 Text Analytics를 사용하여 Azure Synapse Analytics에서 구조화되지 않은 텍스트를 분석하는 방법을 보여 줍니다.
Azure AI 서비스가 포함된 번역기는 번역기를 사용하여 Azure Synapse Analytics에서 지능형 다국어 솔루션을 빌드하는 방법을 보여 줍니다.
Azure AI 서비스가 포함된 Computer Vision은 Computer Vision을 사용하여 Azure Synapse Analytics에서 이미지를 분석하는 방법을 보여 줍니다.
사용 가능한 Azure AI 서비스 API
Bing Image Search
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| Bing Image Search | BingImageSearch | 이미지 - Visual Search V7.0 | 지원되지 않음 |
Anomaly Detector
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| 마지막 변칙 검색 | DetectLastAnomaly | 마지막 포인트 검색 V1.0 | 지원됨 |
| 변칙 검색 | DetectAnomalies | 전체 시리즈 검색 V1.0 | 지원됨 |
| Simple DetectAnomalies | SimpleDetectAnomalies | 전체 시리즈 검색 V1.0 | 지원됨 |
컴퓨터 비전
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| OCR | OCR | 인쇄된 텍스트 인식 V2.0 | 지원됨 |
| 텍스트 인식 | RecognizeText | 텍스트 인식 V2.0 | 지원됨 |
| 이미지 읽기 | ReadImage | 읽기 V3.1 | 지원됨 |
| 썸네일 생성 | GenerateThumbnails | 썸네일 생성 2.0 | 지원됨 |
| 이미지 분석 | AnalyzeImage | 이미지 분석 V2.0 | 지원됨 |
| 도메인 특정 콘텐츠 인식 | RecognizeDomainSpecificContent | 도메인 기준 이미지 분석 V2.0 | 지원됨 |
| 태그 이미지 | TagImage | 태그 이미지 V2.0 | 지원됨 |
| 이미지 설명 | DescribeImage | 이미지 설명 V2.0 | 지원됨 |
Translator
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| 텍스트 번역 | 번역 | 번역 V3.0 | 지원되지 않음 |
| 텍스트 음역 | 음역 | 음역 V3.0 | 지원되지 않음 |
| 언어 감지 | 검색 | V3.0 검색 | 지원되지 않음 |
| 문장 나누기 | BreakSentence | 문장 나누기V3.0 | 지원되지 않음 |
| 사전 조회(대체 번역) | DictionaryLookup | 사전 조회 V3.0 | 지원되지 않음 |
| 문서 번역 | DocumentTranslator | 문서 번역 V1.0 | 지원되지 않음 |
Face
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| 얼굴 감지 | DetectFace | Url V1.0을 통해 검색 | 지원됨 |
| 유사 얼굴 찾기 | FindSimilarFace | 유사 얼굴 찾기 V1.0 | 지원됨 |
| 얼굴 그룹화 | GroupFaces | 그룹 V1.0 | 지원됨 |
| 얼굴 식별 | IdentifyFaces | 식별 V1.0 | 지원됨 |
| 얼굴 확인 | VerifyFaces | 대면 V1.0 확인 | 지원됨 |
문서 인텔리전스
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| 레이아웃 분석 | AnalyzeLayout | 레이아웃 비동기 분석 V2.1 | 지원됨 |
| 영수증 분석 | AnalyzeReceipts | 영수증 비동기 분석 V2.1 | 지원됨 |
| 명함 분석 | AnalyzeBusinessCards | 명함 비동기 분석 V2.1 | 지원됨 |
| 청구성 분석 | AnalyzeInvoices | 청구서 비동기 분석 V2.1 | 지원됨 |
| ID 문서 분석 | AnalyzeIDDocuments | ID(식별) 문서 모델 V2.1 | 지원됨 |
| 사용자 지정 모델 나열 | ListCustomModels | 사용자 지정 모델 나열 V2.1 | 지원됨 |
| 사용자 지정 모델 가져오기 | GetCustomModel | 사용자 지정 모델 가져오기 V2.1 | 지원됨 |
| 사용자 지정 모델 분석 | AnalyzeCustomModel | 사용자 지정 모델을 사용한 분석 V2.1 | 지원됨 |
음성 텍스트 변환
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| 음성 텍스트 변환 | SpeechToText | SpeechToText V1.0 | 지원되지 않음 |
| 음성 텍스트 변환 SDK | SpeechToTextSDK | 음성 SDK 버전 1.14.0 사용 | 지원되지 않음 |
텍스트 분석
| API 형식 | SynapseML API | Azure AI 서비스 API(버전) | DEP VNet 지원 |
|---|---|---|---|
| 텍스트 감정 V2 | TextSentimentV2 | 감정 V2.0 | 지원됨 |
| 언어 감지기 V2 | LanguageDetectorV2 | 언어 V2.0 | 지원됨 |
| 엔터티 감지기 V2 | EntityDetectorV2 | 엔터티 연결 V2.0 | 지원됨 |
| NER V2 | NERV2 | 엔터티 인식 일반 V2.0 | 지원됨 |
| 핵심 구 추출기 V2 | KeyPhraseExtractorV2 | 핵심 구 V2.0 | 지원됨 |
| 텍스트 감정 | TextSentiment | 감정 V3.1 | 지원됨 |
| 핵심 구 추출기 | KeyPhraseExtractor | 핵심 구 V3.1 | 지원됨 |
| PII | PII | 엔터티 인식 Pii V3.1 | 지원됨 |
| NER | NER | 엔터티 인식 일반 V3.1 | 지원됨 |
| 언어 감지기 | LanguageDetector | 언어 V3.1 | 지원됨 |
| 엔터티 감지기 | EntityDetector | 엔터티 연결 V3.1 | 지원됨 |