Azure AI-services in Azure Synapse Analytics
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
- 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)
- 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
- 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
- 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
- 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
- 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)
Orders zoeken
Vereisten
- 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.
- 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.
- Kies een van de volgende servicevoorbeelden en kopieer deze in een tweede nieuwe cel in uw notebook.
- Vervang een tijdelijke aanduiding met de serviceabonnementssleutel door uw eigen sleutel.
- Kies de knop Uitvoeren (pictogram met driehoek) in de rechterbovenhoek van de cel en selecteer Cel uitvoeren.
- 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.
Sentimentanalyse met Azure AI-services : met behulp van een voorbeeldgegevensset met opmerkingen van klanten bouwt u een Spark-tabel met een kolom die het gevoel van de opmerkingen in elke rij aangeeft.
Anomaliedetectie met Azure AI-services : met behulp van een voorbeeldgegevensset met tijdreeksgegevens bouwt u een Spark-tabel met een kolom die aangeeft of de gegevens in elke rij een anomalie zijn.
Machine learning-toepassingen bouwen met Behulp van Microsoft Machine Learning voor Apache Spark : in deze zelfstudie ziet u hoe u SynapseML gebruikt voor toegang tot verschillende modellen vanuit Azure AI-services.
Document Intelligence met Azure AI-services laat zien hoe u Document Intelligence gebruikt om uw formulieren en documenten te analyseren, tekst en gegevens op Azure Synapse Analytics te extraheren.
Text Analytics met Azure AI-services laat zien hoe u Text Analytics kunt gebruiken om ongestructureerde tekst in Azure Synapse Analytics te analyseren.
Vertalen met Azure AI-services laat zien hoe u Vertalen kunt gebruiken om intelligente, meertalige oplossingen te bouwen in Azure Synapse Analytics
Computer Vision met Azure AI-services laat zien hoe u Computer Vision gebruikt om afbeeldingen te analyseren in Azure Synapse Analytics.
Beschikbare API's voor Azure AI-services
Bing Afbeeldingen zoeken
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 |