Serviço de IA do Azure no Azure Synapse Analytics
Usando modelos pré-treinados dos serviços de IA do Azure, você pode enriquecer seus dados com IA (inteligência artificial) no Azure Synapse Analytics.
Os serviços de IA do Azure ajudam desenvolvedores e organizações a criar rapidamente aplicativos inteligentes, de ponta, prontos para o mercado e responsáveis com APIs e modelos prontos para uso e predefinidos e personalizáveis.
Há algumas maneiras que você pode usar um subconjunto de serviços de IA do Azure com seus dados no Synapse Analytics:
O assistente dos "serviços de IA do Azure" no Synapse Analytics gera código PySpark em um notebook Synapse que se conecta a serviços de IA do Azure usando dados em uma tabela do Spark. Em seguida, usando modelos de aprendizado de máquina pré-treinados, o serviço faz o trabalho para você adicionar IA aos dados. Confira Assistente de análise de sentimento e Assistente de detecção de anomalias para obter mais detalhes.
O Synapse Machine Learning (SynapseML) permite que você crie modelos preditivos e analíticos eficientes e altamente escalonáveis de várias fontes de dados do Spark. O Synapse Spark fornece bibliotecas internas do SynapseML, incluindo os synapse.ml.cognitive.
Começando com o código PySpark gerado pelo assistente ou pelo código do SynapseML de exemplo fornecido no tutorial, você pode escrever seu código para usar outros serviços de IA do Azure com seus dados. Consulte O que são os serviços de IA do Azure? para obter mais informações sobre os serviços disponíveis.
Introdução
O tutorial Pré-requisitos para usar serviços de IA do Azure no Azure Synapse, orienta pelas duas etapas que devem ser executadas antes de usar os serviços de IA do Azure no Synapse Analytics.
Uso
Visão
- Descrever: fornece a descrição de uma imagem em linguagem legível humana (Scala, Python)
- Analisar (cor, tipo de imagem, rosto, conteúdo adulto/picante): analisa recursos visuais de uma imagem (Scala, Python)
- OCR: lê o texto de uma imagem (Scala, Python)
- Reconhecimento de texto: lê o texto de uma imagem (Scala, Python)
- Miniatura: gera uma miniatura de tamanho especificado pelo usuário da imagem (Scala, Python)
- Reconhecimento de conteúdo específico do domínio: reconhece conteúdo específico do domínio (celebridade, ponto de referência) (Scala, Python)
- Marca: identifica a lista de palavras relevantes para a imagem de entrada (Scala, Python)
- Detectar: detecta rostos humanos em uma imagem (Scala, Python)
- Verificar: verifica se dois rostos pertencem a uma mesma pessoa ou se um rosto pertence a uma pessoa (Scala, Python)
- Identificar: encontra as correspondências mais próximas do rosto de uma pessoa em um grupo de pessoas, em uma consulta específica (Scala, Python)
- Localizar semelhante: localiza rostos semelhantes ao rosto da consulta em uma lista de rostos (Scala, Python)
- Grupo: divide um grupo de rostos em grupos desarticulados com base na similaridade (Scala, Python)
Fala
- Reconhecimento de fala: transcreve fluxos de áudio (Scala, Python)
- Transcrição de conversas: transcreve fluxos de áudio em transcrições em tempo real com oradores identificados. (Scala, Python)
- Conversão de texto em fala: converte texto em áudio realista (Scala, Python)
Idioma
- Detecção de idioma: detecta o idioma do texto de entrada (Scala, Python)
- Extração de frase-chave: identifica os principais pontos da conversa no texto de entrada (Scala, Python)
- Reconhecimento de entidade nomeada: identifica entidades conhecidas e entidades nomeadas gerais no texto de entrada (Scala, Python)
- Análise de sentimento: retorna uma pontuação entre 0 e 1 indicando o sentimento no texto de entrada (Scala, Python)
- Extração de entidades de saúde: extrai entidades médicas e relacionamentos do texto. (Scala, Python)
Tradução
- Traduzir: traduz o texto. (Scala, Python)
- Transliterar: converte o texto de uma linguagem de script em outro script. (Scala, Python)
- Detectar: identifica o idioma de uma parte do texto. (Scala, Python)
- Sentença de quebra: identifica o posicionamento dos limites da frase em uma parte do texto. (Scala, Python)
- Pesquisa em dicionário: fornece as traduções alternativas para uma palavra e um pequeno número de frases idiomáticas. (Scala, Python)
- Exemplos de dicionário: fornece exemplos que mostram como os termos no dicionário são usados no contexto. (Scala, Python)
- Tradução de documentos: traduz documentos entre todos os idiomas e dialetos com suporte e, ao mesmo tempo, preserva a estrutura do documento e o formato dos dados. (Scala, Python)
Document Intelligence
Informação de Documentos (anteriormente conhecido como Inteligência de Documentos de IA do Azure)
- Analisar layout: extrai informações de texto e layout de um determinado documento. (Scala, Python)
- Analisar recibos: detecta e extrai dados de recibos usando OCR (reconhecimento óptico de caracteres) e nosso modelo de recibo, permitindo que você extraia facilmente dados estruturados de recibos, como nome e número de telefone do comerciante, data da transação, total da transação e muito mais. (Scala, Python)
- Analisar cartões de visita: detecta e extrai dados de cartões de visita usando OCR (reconhecimento óptico de caracteres) e nosso modelo de cartão de visita, permitindo que você extraia facilmente dados estruturados de cartões de visita, como nomes de contato, nomes de empresa, números de telefone, emails e muito mais. (Scala, Python)
- Analisar faturas: detecta e extrai dados de faturas usando OCR (reconhecimento óptico de caracteres) e nossos modelos de aprendizado profundo com reconhecimento de faturas, permitindo que você extraia facilmente dados estruturados de faturas, como cliente, fornecedor, ID, data de vencimento, total, valor devido da fatura, valor do imposto, enviar para, faturar para, itens de linha e muito mais. (Scala, Python)
- Analisar documentos de identificação: detecta e extrai dados de documentos de identificação usando OCR (reconhecimento óptico de caracteres) e nosso modelo de documento de identificação, permitindo que você extraia facilmente dados estruturados de documentos de identificação, como nome, sobrenome, data de nascimento, número do documento e muito mais. (Scala, Python)
- Analisar formulário personalizado: extrai informações de formulários (PDFs e imagens) em dados estruturados com base em um modelo criado a partir de um conjunto de formulários de treinamento representativos. (Scala, Python)
- Obter modelo personalizado: obtenha informações detalhadas sobre um modelo personalizado. (Scala, Python)
- Listar modelos personalizados: obtenha informações sobre todos os modelos personalizados. (Scala, Python)
Decisão
- Status da anomalia do ponto mais recente: gera um modelo usando pontos anteriores e determina se o ponto mais recente é anormal (Scala, Python)
- Localizar anomalias: gera um modelo usando uma série inteira e localiza anomalias na série (Scala, Python)
Pesquisar
Pré-requisitos
- Siga as etapas em Configurar ambiente para serviços de IA do Azure para configurar seu ambiente de serviços do Azure Databricks e de IA do Azure. Este tutorial mostra como instalar o SynapseML e como criar seu cluster do Spark no Databricks.
- Depois de criar um notebook no Azure Databricks, copie o Código compartilhado abaixo e cole-o em uma nova célula no seu notebook.
- Escolha um exemplo de serviço abaixo e copie cole-o em uma segunda nova célula do notebook.
- Substitua qualquer um dos espaços reservados da chave de assinatura de serviço pela sua chave.
- Escolha o botão Executar (ícone de triângulo) no canto superior direito da célula e selecione Célula de Execução.
- Exibir resultados em uma tabela abaixo da célula.
Código compartilhado
Para começar, precisaremos adicionar este código ao projeto:
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")
Exemplo de Análise de Texto
O serviço Análise de Texto fornece vários algoritmos para extrair Intelligent Insights do texto. Por exemplo, podemos encontrar a sentimentos do texto de entrada fornecido. O serviço retornará uma pontuação entre 0,0 e 1,0 em que as pontuações baixas indicam um sentimento negativo e pontuações altas indicam um sentimento positivo. Este exemplo usa três frases simples e retorna o sentimento para cada uma.
# 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")
)
)
Análise de texto para amostra de saúde
A Análise de Texto para Serviço de Saúde extrai e etiqueta informações médicas relevantes de textos não estruturados, como observações do médico, resumos de alta, documentos clínicos e registros eletrônicos de saúde.
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))
Amostra do Tradutor
Tradutor é um serviço de tradução automática baseado em nuvem e faz parte da família de serviços de IA do Azure de APIs usadas para a criação de aplicativos inteligentes. O Tradutor é fácil de integrar em seus aplicativos, sites, ferramentas e soluções. Ele permite que você adicione experiências de usuário em vários idiomas em 90 idiomas e dialetos e pode ser usado para tradução de texto com qualquer sistema operacional. Neste exemplo, fazemos uma tradução de texto simples, fornecendo as frases que você quer traduzir e idiomas de destino para os quais você quer traduzir.
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")
)
Exemplo de Inteligência de Documento
Informação de Documentos (anteriormente conhecido como "Inteligência de Documentos de IA do Azure") faz parte dos serviços de IA do Azure que permite criar software de processamento de dados automatizado usando a tecnologia de aprendizado de máquina. Identifique e extraia textos, pares chave/valor, marcas de seleção, tabelas e estruturas dos seus documentos. O serviço gera dados estruturados que incluem as relações no arquivo original, caixas delimitadoras, confiança e muito mais. Neste exemplo, analisamos uma imagem de cartão de visita e extraímos suas informações em dados estruturados.
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")
)
Exemplo de Pesquisa Visual Computacional
A Pesquisa Visual Computacional analisa as imagens para identificar estruturas, como rostos, objetos e descrições de idioma natural. Neste exemplo, marcamos uma lista de imagens. Marcas são descrições de uma palavra de coisas na imagem, como objetos reconhecíveis, pessoas, cenários e ações.
# 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"))
Exemplo de Pesquisa de Imagem do Bing
A Pesquisa de Imagem do Bing pesquisa na Web para recuperar imagens relacionadas à consulta de idioma natural de um usuário. Neste exemplo, usamos uma consulta de texto que procura imagens com citações. Ela retorna uma lista de URLs de imagem que contêm fotos relacionadas à nossa consulta.
# 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))
Exemplo de conversão de fala em texto
O serviço de Conversão de fala em texto converte fluxos ou arquivos de áudio falado em texto. Neste exemplo, transcrevemos um arquivo de áudio.
# 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"))
Amostra de conversão de texto em fala
A conversão de texto em fala é um serviço que permite criar aplicativos e serviços que falam naturalmente, escolhendo entre mais de 270 vozes neurais em 119 idiomas e variantes.
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))
Exemplo de Detector de Anomalias
O Detector de Anomalias é ótimo para detectar irregularidades em seus dados de série temporal. Neste exemplo, usamos o serviço para encontrar anomalias em toda a série temporal.
# 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")
)
APIs da Web arbitrárias
Com HTTP no Spark, qualquer serviço Web pode ser usado em seu pipeline de Big Data. Neste exemplo, usamos a API World Bank para obter informações sobre vários países ou regiões em todo o mundo.
# 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")
)
)
Exemplo de Pesquisa de IA do Azure
Neste exemplo, mostramos como você pode enriquecer dados usando habilidades cognitivas e gravar em um índice do Azure Search 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",
)
Outros Tutoriais
Os tutoriais a seguir fornecem exemplos completos de como usar os serviços de IA do Azure no Synapse Analytics.
Análise de sentimentos com os serviços de IA do Azure – usando um conjunto de dados de exemplo de comentários do cliente, você cria uma tabela do Spark com uma coluna que indica a percepção dos comentários em cada linha.
Detecção de anomalias com os serviços de IA do Azure – usando um conjunto de dados de exemplo de dados de série temporal, você cria uma tabela do Spark com uma coluna que indica se os dados em cada linha são uma anomalia.
Criar aplicativos de machine learning usando o Microsoft Machine Learning para Apache Spark – este tutorial demonstra como usar o SynapseML para acessar vários modelos dos serviços de IA do Azure.
Informação de Documentos com os serviços de IA do Azure demonstra como usar a Informação de documentos para analisar formulários e documentos e extrair texto e dados no Azure Synapse Analytics.
Análise de Texto com serviços de IA do Azure mostra como usar a Análise de Texto para analisar texto não estruturado no Azure Synapse Analytics.
Tradutor com os serviços de IA do Azure mostra como usar o Tradutor para criar soluções inteligentes em vários idiomas no Azure Synapse Analytics
Pesquisa Visual Computacional com os serviços de IA do Azure demonstra como usar a Pesquisa Visual Computacional para analisar imagens no Azure Synapse Analytics.
APIs de serviços de IA do Azure disponíveis
Pesquisa de Imagem do Bing
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
Pesquisa de Imagem do Bing | BingImageSearch | Imagens – Pesquisa Visual V7.0 | Sem suporte |
Detector de Anomalias
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
Detectar Última Anomalia | DetectLastAnomaly | Detectar Último Ponto V1.0 | Com suporte |
Detectar Anomalias | DetectAnomalies | Detectar Série Inteira V1.0 | Com suporte |
DetectAnomalies Simples | SimpleDetectAnomalies | Detectar Série Inteira V1.0 | Com suporte |
Visual computacional
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
OCR | OCR | Reconhecimento de Texto Impresso V2.0 | Com suporte |
Reconhecimento de Texto | RecognizeText | Reconhecimento de Texto V2.0 | Com suporte |
Leitura de Imagem | ReadImage | Leitura v 3.1 | Com suporte |
Gerar Miniaturas | GenerateThumbnails | Gerar Miniatura V2.0 | Com suporte |
Analisar a imagem | AnalyzeImage | Análise de Imagem V2.0 | Com suporte |
Reconhecer Conteúdo Específico do Domínio | RecognizeDomainSpecificContent | Análise de Imagem por Domínio V2.0 | Com suporte |
Marcar Imagem | TagImage | Marcar Imagem V2.0 | Com suporte |
Descrever a imagem | DescribeImage | Descrever Imagem V2.0 | Com suporte |
Tradutor
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
Traduzir Texto | Translate | Traduzir V3.0 | Sem suporte |
Transliterar Texto | Transliterate | Transliterar V3.0 | Sem suporte |
Detectar o idioma | Detect | Detectar V3.0 | Sem suporte |
Dividir Frase | BreakSentence | Dividir Frase V3.0 | Sem suporte |
Pesquisa em dicionário (traduções alternativas) | DictionaryLookup | Pesquisa no Dicionário V3.0 | Sem suporte |
Tradução de Documento | DocumentTranslator | Tradução de Documento V1.0 | Sem suporte |
Face
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
Detecção Facial | DetectFace | Detectar com URL V1.0 | Com suporte |
Encontrar Rosto Semelhante | FindSimilarFace | Encontrar Semelhante V1.0 | Com suporte |
Agrupar Rostos | GroupFaces | Agrupar V1.0 | Com suporte |
Identificar Rostos | IdentifyFaces | Identificar V1.0 | Com suporte |
Verificar Rostos | VerifyFaces | Verificar Rosto a Rosto V1.0 | Com suporte |
Document Intelligence
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
Analisar Layout | AnalyzeLayout | Analisar Layout Assíncrono V2.1 | Com suporte |
Analisar Recibos | AnalyzeReceipts | Analisar Recibo Assíncrono V2.1 | Com suporte |
Analisar Cartões de Visita | AnalyzeBusinessCards | Analisar Cartão de Visita Assíncrono V2.1 | Com suporte |
Analisar Faturas | AnalyzeInvoices | Analisar Fatura Assíncrono V2.1 | Com suporte |
Analisar Documentos de Identificação | AnalyzeIDDocuments | modelo de documento de ID (identificação) V2.1 | Com suporte |
Listar Modelos Personalizados | ListCustomModels | Listar Modelos Personalizados V2.1 | Com suporte |
Obter Modelo Personalizado | GetCustomModel | Obter Modelos Personalizados V2.1 | Com suporte |
Analisar Modelo Personalizado | AnalyzeCustomModel | Analisar com Modelo Personalizado V2.1 | Com suporte |
Conversão de fala em texto
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
Conversão de Fala em Texto | SpeechToText | SpeechToText V1.0 | Sem suporte |
SDK de Conversão de Fala em Texto | SpeechToTextSDK | Usando o SDK de Fala Versão 1.14.0 | Sem suporte |
Análise de Texto
Tipo de API | APIs do SynapseML | APIs de serviços de IA do Azure (versões) | Suporte para VNet de DEP |
---|---|---|---|
Sentimento do Texto V2 | TextSentimentV2 | Sentimento V2.0 | Com suporte |
Detector de Idioma V2 | LanguageDetectorV2 | Idiomas V2.0 | Com suporte |
Detector de Entidade V2 | EntityDetectorV2 | Vinculação de Entidades V2.0 | Com suporte |
NER V2 | NERV2 | Reconhecimento de Entidades Geral V2.0 | Com suporte |
Extrator de Frases-chave V2 | KeyPhraseExtractorV2 | Frases-chave V2.0 | Com suporte |
Sentimento do Texto | TextSentiment | Sentimento V3.1 | Com suporte |
Extrator de Frases-chave | KeyPhraseExtractor | Frases-chave V3.1 | Com suporte |
PII | PII | Reconhecimento de Entidades Pii V3.1 | Com suporte |
NER | NER | Reconhecimento de Entidades Geral V3.1 | Com suporte |
Detector de Idioma | LanguageDetector | Idiomas V3.1 | Com suporte |
Detector de Entidade | EntityDetector | Vinculação de Entidades V3.1 | Com suporte |