Службы ИИ Azure в Azure Synapse Analytics

Используя предварительно обученные модели из служб ИИ Azure, вы можете обогатить данные с помощью искусственного интеллекта (ИИ) в Azure Synapse Analytics.

Службы искусственного интеллекта Azure помогают разработчикам и организациям быстро создавать интеллектуальные, передовые, готовые к рынкам и ответственные приложения с готовыми и предварительно созданными и настраиваемыми API и моделями.

Существует несколько способов использования подмножества служб ИИ Azure с данными в Synapse Analytics:

  • Мастер "Службы искусственного интеллекта Azure" в Synapse Analytics создает код PySpark в записной книжке Synapse, которая подключается к службам ИИ Azure с помощью данных в таблице Spark. Затем, используя предварительно обученные модели машинного обучения, служба автоматизирует работу с вашими данными с помощью элементов ИИ. Дополнительные сведения см. в статьях Мастер анализа тональности и Мастер обнаружения аномалий.

  • Машинное обучение Synapse (SynapseML) позволяет создавать мощные и масштабируемые прогнозные и аналитические модели на основе разных источников данных Spark. Synapse Spark предоставляет встроенные библиотеки SynapseML, включая synapse.ml.cognitive.

  • Начиная с кода PySpark, созданного мастером, или примера кода SynapseML, предоставленного в руководстве, можно написать собственный код для использования других служб ИИ Azure с данными. Дополнительные сведения о доступных службах см. в статье "Что такое службы ИИ Azure".

Начать

В этом руководстве описаны предварительные требования для использования служб ИИ Azure в Azure Synapse. В этом руководстве описано несколько шагов, которые необходимо выполнить перед использованием служб ИИ Azure в Synapse Analytics.

Использование

Зрение

Компьютерное зрение

  • Описание изображения на языке, доступном для чтения человека (Scala, Python)
  • Анализ (цвет, тип изображения, лицо, содержимое для взрослых или рэйтов): анализирует визуальные функции изображения (Scala, Python)
  • OCR: считывает текст из изображения (Scala, Python)
  • Распознавание текста: считывает текст из изображения (Scala, Python)
  • Эскиз: создает эскиз указанного пользователем размера на основе изображения (Scala, Python)
  • Распознавание содержимого для конкретного домена: распознает содержимое для конкретного домена (знаменитость, ориентир) (Scala, Python)
  • Тег: определяет список слов, относящихся к входным изображениям (Scala, Python)

Распознавание лиц

  • Обнаружение: обнаружение человеческих лиц на изображении (Scala, Python)
  • Проверка: проверяет, принадлежат ли два лица одному и тому же человеку или лицу принадлежит человеку (Scala, Python)
  • Определение: находит ближайшие совпадения конкретного лица запроса из группы пользователей (Scala, Python)
  • Поиск похожих: поиск похожих лиц на лицо запроса в списке лиц (Scala, Python)
  • Группа: делит группу лиц на несвязанные группы на основе сходства (Scala, Python)

Речь

Служба "Речь"

  • Преобразование речи в текст: транскрибирование аудиопотоков (Scala, Python)
  • Транскрибирование бесед: транскрибирование аудиопотоков в динамические расшифровки с идентифицированными динамиками. (Scala, Python)
  • Текст в речь: преобразует текст в реалистичный звук (Scala, Python)

Язык

Анализ текста

  • Обнаружение языка: обнаруживает язык входного текста (Scala, Python)
  • Извлечение ключевых фраз: определяет ключевые точки разговора в входном тексте (Scala, Python)
  • Распознавание именованных сущностей: определяет известные сущности и общие именованные сущности в входном тексте (Scala, Python)
  • Анализ тональности: возвращает оценку от 0 до 1, указывающую тональность во входном тексте (Scala, Python)
  • Извлечение сущностей здравоохранения: извлекает медицинские сущности и связи из текста. (Scala, Python)

Перевод текста

Переводчик

  • Перевод: перевод текста. (Scala, Python)
  • Транслитерация: преобразует текст на одном языке из одного скрипта в другой скрипт. (Scala, Python)
  • Обнаружение: определяет язык фрагмента текста. (Scala, Python)
  • BreakSentence: определяет расположение границ предложения в фрагменте текста. (Scala, Python)
  • Поиск словаря: предоставляет альтернативные переводы для слова и небольшого количества идиоматических фраз. (Scala, Python)
  • Примеры словаря: приведены примеры, показывающие, как термины в словаре используются в контексте. (Scala, Python)
  • Перевод документов: перевод документов на все поддерживаемые языки и диалекты при сохранении структуры документов и формата данных. (Scala, Python)

Аналитика документов

Аналитика документов (ранее известная как Аналитика документов ВИ Azure)

  • Анализ макета: извлечение текста и сведений о макете из данного документа. (Scala, Python)
  • Анализ квитанций: обнаруживает и извлекает данные из квитанций с помощью оптического распознавания символов (OCR) и нашей модели квитанций, что позволяет легко извлекать структурированные данные из квитанций, таких как название продавца, номер телефона продавца, дата транзакции, общая сумма транзакций и многое другое. (Scala, Python)
  • Анализ визитных карточек: обнаруживает и извлекает данные из бизнес-карта с помощью оптического распознавания символов (OCR) и модели бизнес-карта, что позволяет легко извлекать структурированные данные из бизнес-карта, таких как имена контактов, имена компаний, номера телефонов, электронные письма и многое другое. (Scala, Python)
  • Анализ счетов: обнаруживает и извлекает данные из счетов с помощью оптического распознавания символов (OCR) и моделей глубокого обучения счета, что позволяет легко извлекать структурированные данные из счетов, таких как клиент, поставщик, идентификатор счета, дата выполнения счета, сумма налога, доставка, выставление счетов в, элементы строки и многое другое. (Scala, Python)
  • Анализ документов идентификаторов: обнаружение и извлечение данных из документов идентификации с помощью оптического распознавания символов (OCR) и модели документов идентификатора, что позволяет легко извлекать структурированные данные из документов идентификаторов, таких как имя, фамилия, дата рождения, номер документа и многое другое. (Scala, Python)
  • Анализ пользовательской формы: извлекает информацию из форм (PDF-файлов и изображений) в структурированные данные на основе модели, созданной из набора репрезентативных форм обучения. (Scala, Python)
  • Получение пользовательской модели: получение подробных сведений о пользовательской модели. (Scala, Python)
  • Вывод списка пользовательских моделей: получение сведений обо всех пользовательских моделях. (Scala, Python)

Decision

Детектор аномалий

  • Состояние аномалии последней точки: создает модель с помощью предыдущих точек и определяет, является ли последняя точка аномальной (Scala, Python)
  • Поиск аномалий: создает модель с помощью всей серии и находит аномалии в серии (Scala, Python)

Необходимые компоненты

  1. Выполните действия в среде установки для служб ИИ Azure, чтобы настроить среду Azure Databricks и службы искусственного интеллекта Azure. В этом руководстве показано, как установить SynapseML и как создать кластер Spark в Databricks.
  2. После создания записной книжки в Azure Databricks скопируйте следующий общий код и вставьте его в новую ячейку в записной книжке.
  3. Выберите один из следующих примеров службы и скопируйте его в вторую новую ячейку в записной книжке.
  4. Замените все заполнители ключа подписки службы своим ключом.
  5. Нажмите кнопку выполнения (значок с треугольником) в правом верхнем углу ячейки и щелкните Выполнить ячейку.
  6. Просмотрите результаты в таблице под ячейкой.

Общий код

Чтобы приступить к работе, необходимо добавить следующий код в проект.

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")

Пример для службы "Анализ текста"

Служба Анализ текста предоставляет несколько алгоритмов для извлечения интеллектуальной аналитики из текста. Например, можно определить тональность заданного входного текста. Служба вернет оценку между 0,0 и 1,0: низкий показатель указывает на отрицательную тональность, а высокий — на положительную. В этом примере используются три простых предложения. Для каждого из них возвращается тональность.

# 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")
    )
)

Анализ текста для примера работоспособности

Анализ текста для служба работоспособности извлекает и метки соответствующей медицинской информации из неструктурированных текстов, таких как заметки врача, сводки, клинические документы и электронные медицинские записи.

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))

пример Переводчик

Переводчик — это облачная служба машинного перевода и является частью семейства служб ИИ Azure, используемых для создания интеллектуальных приложений. Служба Translator легко интегрируется в приложения, веб-сайты, инструменты и решения. Решение позволяет добавлять многоязычные пользовательские интерфейсы более чем на 90 языках и диалектах. Службу можно использовать для перевода текстов с любой операционной системой. В этом примере мы делаем простой перевод текста, предоставляя предложения, на которые вы хотите перевести и на целевые языки.

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")
)

Пример аналитики документов

Аналитика документов (ранее известная как "Аналитика документов ИИ Azure") является частью служб ИИ Azure, которые позволяют создавать автоматизированное программное обеспечение обработки данных с помощью технологии машинного обучения. Выявление и извлечение текста, пар "ключ — значение", меток выбора, таблиц и структуры из документов. Эта служба выводит структурированные данные, которые включают в себя связи в исходном файле, ограничивающие прямоугольники, уровень достоверности и др. В этом примере мы анализируем образ бизнес-карта и извлекаем информацию в структурированные данные.

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")
)

Пример для службы "Компьютерное зрение"

Служба Компьютерное зрение анализирует изображения для выявления таких структур, как лица, объекты и описания на естественном языке. В этом примере мы отметим тегами список изображений. Теги — это описания вещей, выраженные одним словом, например распознаваемых объектов, людей, пейзажей и действий.

# 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"))

Пример для службы "Поиск изображений Bing"

Поиск изображений Bing — поиск в Интернете изображений, соответствующих запросу пользователя на естественном языке. В этом примере мы используем текстовый запрос для поиска изображений с кавычками. Он возвращает список URL-адресов изображений, содержащих фотографии, связанные с нашим запросом.

# 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))

Пример преобразования речи в текст

Служба Преобразование речи в текст преобразует потоки или файлы с речью в текст. В этом примере мы транскрибируем один звуковой файл.

# 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"))

Пример преобразования текста в речь

Текст речи — это служба, которая позволяет создавать приложения и службы, которые естественно говорят, выбирая из более чем 270 нейронных голосов на 119 языках и вариантах.

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))

Пример для службы "Детектор аномалий"

Детектор аномалий — удобное средство для обнаружения несоответствующих данных во временных рядах. В этом примере мы используем службу для поиска аномалий во всех временных рядах.

# 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")
)

Произвольные веб-API

Благодаря поддержке HTTP в Spark вы можете использовать любую веб-службу в конвейере больших данных. В этом примере мы используем API Всемирного банка для получения информации о различных странах или регионах по всему миру.

# 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")
    )
)

Пример поиска по искусственному интеллекту Azure

В этом примере показано, как можно обогащение данных с помощью Cognitive Skills и записи в индекс поиска Azure с помощью 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",
)

Другие учебники

В следующих руководствах приведены полные примеры использования служб ИИ Azure в Synapse Analytics.

Доступные API служб искусственного интеллекта Azure

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
Поиск изображений Bing BingImageSearch Изображения — визуальный поиск версии 7.0 Не поддерживается

Детектор аномалий

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
Обнаружение последней аномалии DetectLastAnomaly Обнаружение последней точки версии 1.0 Поддерживается
Обнаружение аномалий DetectAnomalies Обнаружение целых рядов версии 1.0 Поддерживается
Простое обнаружение аномалий SimpleDetectAnomalies Обнаружение целых рядов версии 1.0 Поддерживается

Компьютерное зрение

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
OCR OCR Распознавание печатного текста версии 2.0 Поддерживается
Распознавание текста RecognizeText Распознавание текста версии 2.0 Поддерживается
Чтение с изображения ReadImage Чтение версии 3.1 Поддерживается
Создание эскизов GenerateThumbnails Создание эскизов версии 2.0 Поддерживается
Анализ изображения AnalyzeImage Анализ изображения версии 2.0 Поддерживается
Распознавание содержимого, предназначенного для определенных областей RecognizeDomainSpecificContent Анализ изображений по области версии 2.0 Поддерживается
Добавление тегов к изображениям TagImage Добавление тегов к изображениям версии 2.0 Поддерживается
Описание изображения DescribeImage Описание изображения версии 2.0 Поддерживается

Переводчик

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
Перевод текста Перевести Перевод версии 3.0 Не поддерживается
Транслитерация текста Транслитерация Транслитерация версии 3.0 Не поддерживается
Распознавание языка Обнаружить Определение версии 3.0 Не поддерживается
Разбивка по предложениям BreakSentence Разбивка по предложениям версии 3.0 Не поддерживается
Поиск по словарю (альтернативные переводы) DictionaryLookup Поиск по словарю версии 3.0 Не поддерживается
Перевод документов DocumentTranslator Перевод документов версии 1.0 Не поддерживается

Распознавание лиц

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
Обнаружение лиц DetectFace Обнаружение по URL-адресу версии 1.0 Поддерживается
Поиск похожих лиц FindSimilarFace Поиск похожих лиц версии 1.0 Поддерживается
Группирование лиц GroupFaces Группирование версии 1.0 Поддерживается
Идентификация лиц IdentifyFaces Идентификация версии 1.0 Поддерживается
Проверка лиц VerifyFaces Проверка лицом к лицу версии 1.0 Поддерживается

Аналитика документов

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
Анализ макета AnalyzeLayout Асинхронный анализ макета версии 2.1 Поддерживается
Анализ квитанций AnalyzeReceipts Асинхронный анализ квитанций версии 2.1 Поддерживается
Анализ визитных карточек AnalyzeBusinessCards Асинхронный анализ визитных карточек версии 2.1 Поддерживается
Анализ счетов AnalyzeInvoices Асинхронный анализ счетов версии 2.1 Поддерживается
Анализ удостоверений личности AnalyzeIDDocuments Модель удостоверений личности версии 2.1 Поддерживается
Перечисление пользовательских моделей ListCustomModels Перечисление пользовательских моделей версии 2.1 Поддерживается
Получение пользовательской модели GetCustomModel Получение пользовательских моделей версии 2.1 Поддерживается
Анализ пользовательской модели AnalyzeCustomModel Анализ с помощью пользовательской модели версии 2.1 Поддерживается

Преобразование речи в текст

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
Преобразование речи в текст SpeechToText SpeechToText версии 1.0 Не поддерживается
Пакет SDK преобразования речи в текст SpeechToTextSDK Использование пакета SDK для речевых функций версии 1.14.0 Не поддерживается

Анализ текста

Тип API API SynapseML API служб искусственного интеллекта Azure (версии) Поддержка виртуальной сети DEP
Тональность текста версии 2 TextSentimentV2 Тональность версии 2.0 Поддерживается
Детектор языка версии 2 LanguageDetectorV2 Языки версии 2.0 Поддерживается
Детектор сущностей версии 2 EntityDetectorV2 Связывание сущностей версии 2.0 Поддерживается
NER версии 2 NERV2 Распознавание сущностей — общее версии 2.0 Поддерживается
Извлечение ключевых фраз версии 2 KeyPhraseExtractorV2 Ключевые фразы версии 2.0 Поддерживается
Тональность текста TextSentiment Тональность версии 3.1 Поддерживается
Извлечение ключевых фраз KeyPhraseExtractor Ключевые фразы версии 3.1 Поддерживается
ЛС ЛС Персональные данные при распознавании сущностей версии 3.1 Поддерживается
Распознавание именованных сущностей Распознавание именованных сущностей Распознавание сущностей — общее версии 3.1 Поддерживается
Детектор языка LanguageDetector Языки версии 3.1 Поддерживается
Детектор сущностей EntityDetector Связывание сущностей версии 3.1 Поддерживается

Следующие шаги