Azure AI-services in Azure Synapse Analytics

  • Artikel

Met vooraf getrainde modellen van Azure AI-services kunt u uw gegevens verrijken met kunstmatige intelligentie (AI) in Azure Synapse Analytics.

Azure AI-services helpen ontwikkelaars en organisaties snel intelligente, geavanceerde, marktklare en verantwoordelijke toepassingen te maken met kant-en-klare en vooraf gebouwde en aanpasbare API's en modellen.

Er zijn een aantal manieren waarop u een subset van Azure AI-services kunt gebruiken met uw gegevens in Synapse Analytics:

  • De wizard Azure AI-services in Synapse Analytics genereert PySpark-code in een Synapse-notebook dat verbinding maakt met een met Azure AI-services met behulp van gegevens in een Spark-tabel. Vervolgens, met behulp van vooraf getrainde machine learning-modellen, doet de service het werk om AI toe te voegen aan uw gegevens. Bekijk de wizard Sentimentanalyse en de wizard Anomaliedetectie voor meer informatie.

  • Met Synapse Machine Learning (SynapseML) kunt u krachtige en zeer schaalbare voorspellende en analytische modellen bouwen uit verschillende Spark-gegevensbronnen. Synapse Spark biedt ingebouwde SynapseML-bibliotheken, waaronder synapse.ml.cognitive.

  • Vanaf de PySpark-code die is gegenereerd door de wizard of de synapseML-voorbeeldcode in de zelfstudie, kunt u uw eigen code schrijven om andere Azure AI-services met uw gegevens te gebruiken. Zie Wat zijn Azure AI-services? Voor meer informatie over beschikbare services.

Aan de slag

De zelfstudie, vereisten voor het gebruik van Azure AI-services in Azure Synapse, begeleidt u door een aantal stappen die u moet uitvoeren voordat u Azure AI-services in Synapse Analytics gebruikt.

Gebruik

Vision

Computer Vision

  • Beschrijven: biedt een beschrijving van een afbeelding in een leesbare taal (Scala, Python)
  • Analyseren (kleur, afbeeldingstype, gezicht, volwassen/ongepaste inhoud): analyseert visuele kenmerken van een afbeelding (Scala, Python)
  • OCR: leest tekst uit een afbeelding (Scala, Python)
  • Tekst herkennen: leest tekst uit een afbeelding (Scala, Python)
  • Miniatuur: genereert een miniatuur van de door de gebruiker opgegeven grootte op basis van de afbeelding (Scala, Python)
  • Domeinspecifieke inhoud herkennen: domeinspecifieke inhoud (beroemdheid, oriëntatiepunt) (Scala, Python)
  • Tag: identificeert een lijst met woorden die relevant zijn voor de invoerafbeelding (Scala, Python)

Face

  • Detecteren: menselijke gezichten in een afbeelding detecteren (Scala, Python)
  • Controleer: controleert of twee gezichten tot dezelfde persoon behoren, of een gezicht behoort tot een persoon (Scala, Python)
  • Identificeren: zoekt de dichtstbijzijnde overeenkomsten van het specifieke gezicht van de querypersoon uit een persoonsgroep (Scala, Python)
  • Vergelijkbare zoeken: zoekt vergelijkbare gezichten naar het query-gezicht in een gezichtslijst (Scala, Python)
  • Groep: verdeelt een groep gezichten in niet-aaneengesloten groepen op basis van gelijkenis (Scala, Python)

Spraak

Spraakservices

  • Spraak-naar-tekst: audiostreams transcriberen (Scala, Python)
  • Gesprektranscriptie: transcribeert audiostreams in livetranscripties met geïdentificeerde sprekers. (Scala, Python)
  • Tekst naar spraak: converteert tekst naar realistische audio (Scala, Python)

Language

Text Analytics

  • Taaldetectie: detecteert de taal van de invoertekst (Scala, Python)
  • Sleuteltermextractie: identificeert de belangrijkste gesprekspunten in de invoertekst (Scala, Python)
  • Herkenning van benoemde entiteiten: identificeert bekende entiteiten en algemene benoemde entiteiten in de invoertekst (Scala, Python)
  • Sentimentanalyse: retourneert een score tussen 0 en 1 die het gevoel in de invoertekst aangeeft (Scala, Python)
  • Extractie van gezondheidszorgentiteiten: extraheert medische entiteiten en relaties uit tekst. (Scala, Python)

Vertaling

Translator

  • Vertalen: vertaalt tekst. (Scala, Python)
  • Transliteratie: converteert tekst in één taal van het ene script naar een ander script. (Scala, Python)
  • Detecteren: Identificeert de taal van een stuk tekst. (Scala, Python)
  • BreakSentence: Identificeert de positie van zinsgrenzen in een stuk tekst. (Scala, Python)
  • Opzoeken in woordenlijst: biedt alternatieve vertalingen voor een woord en een klein aantal idiomatische zinnen. (Scala, Python)
  • Voorbeelden van woordenlijst: bevat voorbeelden die laten zien hoe termen in de woordenlijst worden gebruikt in context. (Scala, Python)
  • Documentomzetting: vertaalt documenten in alle ondersteunde talen en dialecten en behoudt documentstructuur en gegevensindeling. (Scala, Python)

Documentinformatie

Document intelligence (voorheen bekend als Azure AI Document Intelligence)

  • Indeling analyseren: tekst- en indelingsgegevens extraheren uit een bepaald document. (Scala, Python)
  • Ontvangstbewijzen analyseren: detecteert en extraheert gegevens uit ontvangstbevestigingen met behulp van OCR (optische tekenherkenning) en ons ontvangstmodel, zodat u eenvoudig gestructureerde gegevens kunt extraheren uit ontvangstbewijzen, zoals de naam van de verkoper, het telefoonnummer van de verkoper, transactiedatum, het transactietotaal en meer. (Scala, Python)
  • Visitekaartjes analyseren: detecteert en extraheert gegevens uit visitekaartjes met behulp van ocr (optische tekenherkenning) en ons visitekaartjesmodel, zodat u eenvoudig gestructureerde gegevens kunt extraheren uit visitekaartjes, zoals namen van contactpersonen, bedrijfsnamen, telefoonnummers, e-mailberichten en meer. (Scala, Python)
  • Facturen analyseren: detecteert en extraheert gegevens uit facturen met behulp van OCR (Optical Character Recognition) en onze deep learning-modellen voor factuurbegrip, zodat u eenvoudig gestructureerde gegevens kunt extraheren uit facturen zoals klant, leverancier, factuur-id, factuurdatum, totaal, verschuldigd factuurbedrag, belastingbedrag, verzenden naar, factureren naar, regelitems en meer. (Scala, Python)
  • Id-documenten analyseren: detecteert en extraheert gegevens uit identificatiedocumenten met behulp van OCR (Optical Character Recognition) en ons ID-documentmodel, zodat u eenvoudig gestructureerde gegevens kunt extraheren uit id-documenten, zoals voornaam, achternaam, geboortedatum, documentnummer en meer. (Scala, Python)
  • Aangepast formulier analyseren: extraheert informatie uit formulieren (PDF's en afbeeldingen) in gestructureerde gegevens op basis van een model dat is gemaakt op basis van een set representatieve trainingsformulieren. (Scala, Python)
  • Aangepast model ophalen: gedetailleerde informatie over een aangepast model ophalen. (Scala, Python)
  • Aangepaste modellen weergeven: informatie ophalen over alle aangepaste modellen. (Scala, Python)

Beslissing

Anomaliedetectie

  • Anomaliestatus van het laatste punt: genereert een model met behulp van voorgaande punten en bepaalt of het laatste punt afwijkend is (Scala, Python)
  • Afwijkingen zoeken: genereert een model met behulp van een hele reeks en zoekt afwijkingen in de reeks (Scala, Python)

Vereisten

  1. Volg de stappen in de installatieomgeving voor Azure AI-services om uw Azure Databricks- en Azure AI-servicesomgeving in te stellen. In deze zelfstudie leert u hoe u SynapseML installeert en hoe u uw Spark-cluster maakt in Databricks.
  2. Nadat u een nieuw notebook in Azure Databricks hebt gemaakt, kopieert u de volgende gedeelde code en plakt u deze in een nieuwe cel in uw notebook.
  3. Kies een van de volgende servicevoorbeelden en kopieer deze in een tweede nieuwe cel in uw notebook.
  4. Vervang een tijdelijke aanduiding met de serviceabonnementssleutel door uw eigen sleutel.
  5. Kies de knop Uitvoeren (pictogram met driehoek) in de rechterbovenhoek van de cel en selecteer Cel uitvoeren.
  6. Bekijk de resultaten in een tabel onder de cel.

Gedeelde code

Als u aan de slag wilt gaan, moet u deze code aan het project toevoegen:

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")

Voorbeeld in Text Analytics

De service Text Analytics biedt verschillende algoritmen voor het extraheren van intelligente inzichten uit tekst. We kunnen bijvoorbeeld het gevoel van een bepaald stuk ingevoerde tekst vinden. De service retourneert een score tussen 0,0 en 1,0, waarbij een lage score een negatief gevoel aangeeft en een hoge score een positief gevoel. In dit voorbeeld worden drie eenvoudige zinnen gebruikt en wordt het gevoel van elk ervan geretourneerd.

# 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")
    )
)

Text Analytics voor statusvoorbeeld

De Text Analytics for Health Service extraheert en labelt relevante medische informatie uit ongestructureerde teksten zoals doktersnotities, kwijtingsoverzichten, klinische documenten en elektronische gezondheidsdossiers.

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))

voorbeeld van Vertalen

Vertalen is een cloudservice voor machinevertaling en maakt deel uit van de Azure AI-servicesfamilie van API's die worden gebruikt om intelligente apps te bouwen. Translator is eenvoudig in uw toepassingen, websites, hulpprogramma's en oplossingen te integreren. Hiermee kunt u meertalige gebruikerservaringen toevoegen in 90 talen en dialecten en kan worden gebruikt voor tekstomzetting met elk besturingssysteem. In dit voorbeeld voeren we een eenvoudige tekstomzetting uit door de zinnen op te geven waarnaar u wilt vertalen en de doeltalen waarnaar u wilt vertalen.

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")
)

Document Intelligence-voorbeeld

Document Intelligence (voorheen bekend als 'Azure AI Document Intelligence') maakt deel uit van Azure AI-services waarmee u geautomatiseerde gegevensverwerkingssoftware kunt bouwen met behulp van machine learning-technologie. Tekst, sleutel-waardeparen, selectiemarkeringen, tabellen en structuur identificeren en extraheren uit uw documenten. De service voert gestructureerde gegevens uit die de relaties in het oorspronkelijke bestand, begrenzingsvakken, betrouwbaarheid en meer bevatten. In dit voorbeeld analyseren we een afbeelding van een visitekaartje en extraheren we de gegevens ervan in gestructureerde gegevens.

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")
)

Voorbeeld in Computer Vision

Computer Vision analyseert afbeeldingen om structuur (zoals gezichten), objecten en beschrijvingen in natuurlijke taal te herkennen. In dit voorbeeld wordt een lijst met afbeeldingen van een tag voorzien. Tags zijn omschrijvingen van één woord van dingen in de afbeelding, zoals herkenbare voorwerpen, personen, taferelen en acties.

# 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"))

Voorbeeld in Bing Image Search

Bing Image Search doorzoekt het web om afbeeldingen op te halen die zijn gerelateerd aan de query in natuurlijke taal van een gebruiker. In dit voorbeeld gebruiken we een tekstquery die naar afbeeldingen met citaten zoekt. Er wordt een lijst met afbeeldings-URL's geretourneerd die foto's bevatten waarop de query betrekking heeft.

# 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))

Spraak-naar-tekst-voorbeeld

Met de service Spraak-naar-tekst worden streams of bestanden met gesproken tekst naar leesbare tekst geconverteerd. In dit voorbeeld transcriberen we één audiobestand.

# 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"))

Voorbeeld van tekst-naar-spraak

Tekst-naar-spraak is een service waarmee u apps en services kunt bouwen die natuurlijk spreken, waarbij u uit meer dan 270 neurale stemmen in 119 talen en varianten kiest.

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))

Voorbeeld in Anomaly Detector

Anomaly Detector is geschikt voor het detecteren van onregelmatigheden in uw tijdreeksen. In dit voorbeeld gebruiken we de service om afwijkingen in de gehele tijdreeks te zoeken.

# 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")
)

Willekeurige web-API's

Met HTTP in Spark kan elke webservice in uw pijplijn voor big data worden gebruikt. In dit voorbeeld gebruiken we de API van de Wereldbank om informatie over verschillende landen/regio's over de hele wereld op te halen.

# 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-voorbeeld

In dit voorbeeld laten we zien hoe u gegevens kunt verrijken met behulp van Cognitieve vaardigheden en schrijven naar een Azure Search-index met behulp van 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",
)

Andere zelfstudies

De volgende zelfstudies bieden volledige voorbeelden van het gebruik van Azure AI-services in Synapse Analytics.

Beschikbare API's voor Azure AI-services

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
Bing Afbeeldingen zoeken BingImageSearch Afbeeldingen - Visual Search V7.0 Niet ondersteund

Anomaliedetectie

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
Laatste anomalie detecteren DetectLastAnomaly Laatste punt V1.0 detecteren Ondersteund
Afwijkingen detecteren DetectAnomalies Volledige serie V1.0 detecteren Ondersteund
Eenvoudige DetectAnomalies SimpleDetectAnomalies Volledige serie V1.0 detecteren Ondersteund

Computer Vision

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
OCR OCR Gedrukte tekst herkennen V2.0 Ondersteund
Tekst herkennen RecognizeText Tekst herkennen V2.0 Ondersteund
Afbeelding lezen ReadImage Lees V3.1 Ondersteund
Miniaturen genereren GenerateThumbnails Miniatuur V2.0 genereren Ondersteund
Analyze Image AnalyzeImage Afbeelding V2.0 analyseren Ondersteund
Domeinspecifieke inhoud herkennen RecognizeDomainSpecificContent Afbeelding analyseren op domein V2.0 Ondersteund
Tagafbeelding TagImage Tag Image V2.0 Ondersteund
Describe Image DescribeImage Afbeelding V2.0 beschrijven Ondersteund

Vertaler

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
Tekst vertalen Vertalen Vertalen V3.0 Niet ondersteund
Tekst transliteratie Transcriberen Transliteratie V3.0 Niet ondersteund
Taal detecteren Detecteren V3.0 detecteren Niet ondersteund
Zin onderbreken BreakSentence Zin verbreken V3.0 Niet ondersteund
Opzoeken in woordenlijst (alternatieve vertalingen) DictionaryLookup Opzoeken van woordenlijst V3.0 Niet ondersteund
Documentvertaling Document Vertalen Documentvertaling V1.0 Niet ondersteund

Face

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
Gezichtsdetectie DetectFace Detecteren met URL V1.0 Ondersteund
Vergelijkbaar gezicht zoeken FindSimilarFace Vergelijkbare V1.0 zoeken Ondersteund
Gezichten groeperen GroupFaces Groep V1.0 Ondersteund
Gezichten identificeren IdentifyFaces V1.0 identificeren Ondersteund
Gezichten verifiëren VerifyFaces Gezicht naar gezicht verifiëren V1.0 Ondersteund

Documentinformatie

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
Indeling analyseren AnalyzeLayout Indeling asynchroon V2.1 analyseren Ondersteund
Ontvangstbewijzen analyseren AnalyzeReceipts Ontvangstbewijs analyseren V2.1 Ondersteund
Visitekaartjes analyseren AnalyzeBusinessCards Visitekaartje asynchroon V2.1 analyseren Ondersteund
Facturen analyseren AnalyzeInvoices Factuur-Async V2.1 analyseren Ondersteund
Id-documenten analyseren AnalyzeIDDocuments identificatiedocumentmodel (ID) V2.1 Ondersteund
Aangepaste modellen weergeven ListCustomModels Aangepaste modellen V2.1 weergeven Ondersteund
Aangepast model ophalen GetCustomModel Aangepaste modellen V2.1 ophalen Ondersteund
Aangepast model analyseren AnalyzeCustomModel Analyseren met aangepast model V2.1 Ondersteund

Spraak-naar-tekst

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
Speech to Text SpeechToText SpeechToText V1.0 Niet ondersteund
Speech To Text SDK SpeechToTextSDK Speech SDK versie 1.14.0 gebruiken Niet ondersteund

Text Analytics

Type API SynapseML-API's API's van Azure AI-services (versies) Ondersteuning voor DEP-VNet
Tekst sentiment V2 TextSentimentV2 Sentiment V2.0 Ondersteund
Language Detector V2 LanguageDetectorV2 Talen V2.0 Ondersteund
Entity Detector V2 EntityDetectorV2 Entiteiten koppelen V2.0 Ondersteund
NER V2 NERV2 Entities Recognition General V2.0 Ondersteund
Sleuteltermextractor V2 KeyPhraseExtractorV2 Sleuteltermen V2.0 Ondersteund
Tekstsentiment TextSentiment Gevoel V3.1 Ondersteund
Sleuteltermextractor KeyPhraseExtractor Sleuteltermen V3.1 Ondersteund
PII PII Entities Recognition Pii V3.1 Ondersteund
NER NER Entities Recognition General V3.1 Ondersteund
Language Detector LanguageDetector Talen V3.1 Ondersteund
Entity Detector EntityDetector Entiteiten koppelen V3.1 Ondersteund

Volgende stappen