Azure AI-tjänster i Azure Synapse Analytics
Med förtränad modeller från Azure AI-tjänster kan du utöka dina data med artificiell intelligens (AI) i Azure Synapse Analytics.
Azure AI-tjänster hjälper utvecklare och organisationer att snabbt skapa intelligenta, banbrytande, marknadsklara och ansvarsfulla program med färdiga och fördefinierade och anpassningsbara API:er och modeller.
Det finns några sätt att använda en delmängd av Azure AI-tjänster med dina data i Synapse Analytics:
Guiden "Azure AI-tjänster" i Synapse Analytics genererar PySpark-kod i en Synapse-anteckningsbok som ansluter till en med Azure AI-tjänster med data i en Spark-tabell. Med hjälp av förtränad maskininlärningsmodeller utför tjänsten sedan arbetet för att lägga till AI i dina data. Mer information finns i guiden Attitydanalys och guiden Avvikelseidentifiering.
Synapse Machine Learning (SynapseML) gör att du kan skapa kraftfulla och mycket skalbara förutsägelse- och analysmodeller från olika Spark-datakällor. Synapse Spark tillhandahåller inbyggda SynapseML-bibliotek, inklusive synapse.ml.cognitive.
Från och med PySpark-koden som genereras av guiden, eller exemplet på SynapseML-koden i självstudien, kan du skriva din egen kod för att använda andra Azure AI-tjänster med dina data. Mer information om tillgängliga tjänster finns i Vad är Azure AI-tjänster?
Kom igång
I självstudien, förutsättningar för att använda Azure AI-tjänster i Azure Synapse, går vi igenom några steg som du behöver utföra innan du använder Azure AI-tjänster i Synapse Analytics.
Användning
Visuellt innehåll
- Beskriv: innehåller en beskrivning av en bild på ett läsbart språk (Scala, Python)
- Analysera (färg, bildtyp, ansikte, vuxet/olämpligt innehåll): analyserar visuella funktioner i en bild (Scala, Python)
- OCR: läser text från en bild (Scala, Python)
- Identifiera text: läser text från en bild (Scala, Python)
- Miniatyrbild: genererar en miniatyrbild av användardefinerad storlek från bilden (Scala, Python)
- Identifiera domänspecifikt innehåll: identifierar domänspecifikt innehåll (kändis, landmärke) (Scala, Python)
- Tagg: identifierar en lista med ord som är relevanta för indatabilden (Scala, Python)
- Identifiera: identifierar mänskliga ansikten i en bild (Scala, Python)
- Verifiera: verifierar om två ansikten tillhör samma person eller om ett ansikte tillhör en person (Scala, Python)
- Identifiera: hittar de närmaste matchningarna för den specifika frågepersonens ansikte från en persongrupp (Scala, Python)
- Hitta liknande: hittar liknande ansikten som frågeansiktet i en ansiktslista (Scala, Python)
- Grupp: delar upp en grupp ansikten i olika grupper baserat på likhet (Scala, Python)
Tal
- Tal till text: transkriberar ljudströmmar (Scala, Python)
- Konversationstranskription: transkriberar ljudströmmar till liveavskrifter med identifierade talare. (Scala, Python)
- Text till tal: Konverterar text till realistiskt ljud (Scala, Python)
Språk
- Språkidentifiering: identifierar språket i indatatexten (Scala, Python)
- Extrahering av nyckelfraser: identifierar viktiga samtalspunkter i indatatexten (Scala, Python)
- Namngiven entitetsigenkänning: identifierar kända entiteter och allmänna namngivna entiteter i indatatexten (Scala, Python)
- Attitydanalys: returnerar en poäng mellan 0 och 1 som anger sentimentet i indatatexten (Scala, Python)
- Extrahering av sjukvårdsentitet: Extraherar medicinska entiteter och relationer från text. (Scala, Python)
Översättning
- Översätt: Översätter text. (Scala, Python)
- Transkribera: Konverterar text på ett språk från ett skript till ett annat skript. (Scala, Python)
- Identifiera: Identifierar språket i ett textstycke. (Scala, Python)
- BreakSentence: Identifierar placeringen av meningsgränser i en textdel. (Scala, Python)
- Ordlistesökning: Tillhandahåller alternativa översättningar för ett ord och ett litet antal idiomatiska fraser. (Scala, Python)
- Ordlisteexempel: Innehåller exempel som visar hur termer i ordlistan används i kontext. (Scala, Python)
- Dokumentöversättning: Översätter dokument över alla språk och dialekter som stöds samtidigt som dokumentstrukturen och dataformatet bevaras. (Scala, Python)
Dokumentinformation
Dokumentinformation (kallades tidigare Azure AI Document Intelligence)
- Analysera layout: Extrahera text- och layoutinformation från ett visst dokument. (Scala, Python)
- Analysera kvitton: Identifierar och extraherar data från kvitton med hjälp av optisk teckenigenkänning (OCR) och vår kvittomodell, så att du enkelt kan extrahera strukturerade data från kvitton som handelsnamn, handelstelefonnummer, transaktionsdatum, transaktionssumma med mera. (Scala, Python)
- Analysera visitkort: Identifierar och extraherar data från visitkort med optisk teckenigenkänning (OCR) och vår visitkortsmodell, så att du enkelt kan extrahera strukturerade data från visitkort som kontaktnamn, företagsnamn, telefonnummer, e-postmeddelanden med mera. (Scala, Python)
- Analysera fakturor: Identifierar och extraherar data från fakturor med optisk teckenigenkänning (OCR) och våra modeller för att förstå djupinlärning av fakturor, så att du enkelt kan extrahera strukturerade data från fakturor som kund, leverantör, faktura-ID, fakturaförfallodatum, summa, fakturabelopp, skattebelopp, leverans till, faktura till, radobjekt med mera. (Scala, Python)
- Analysera ID-dokument: Identifierar och extraherar data från identifieringsdokument med hjälp av optisk teckenigenkänning (OCR) och vår ID-dokumentmodell, så att du enkelt kan extrahera strukturerade data från ID-dokument som förnamn, efternamn, födelsedatum, dokumentnummer med mera. (Scala, Python)
- Analysera anpassat formulär: Extraherar information från formulär (PDF-filer och bilder) till strukturerade data baserat på en modell som skapats från en uppsättning representativa träningsformulär. (Scala, Python)
- Hämta anpassad modell: Få detaljerad information om en anpassad modell. (Scala, Python)
- Lista anpassade modeller: Hämta information om alla anpassade modeller. (Scala, Python)
Beslut
- Avvikelsestatus för den senaste punkten: genererar en modell med föregående punkter och avgör om den senaste punkten är avvikande (Scala, Python)
- Hitta avvikelser: genererar en modell med en hel serie och hittar avvikelser i serien (Scala, Python)
Sök
- Bildsökning i Bing (Scala, Python)
- Azure AI Search (Scala, Python)
Förutsättningar
- Följ stegen i installationsmiljön för Azure AI-tjänster för att konfigurera din Azure Databricks- och Azure AI-tjänstmiljö. Den här självstudien visar hur du installerar SynapseML och hur du skapar ditt Spark-kluster i Databricks.
- När du har skapat en ny notebook-fil i Azure Databricks kopierar du följande delade kod och klistrar in den i en ny cell i anteckningsboken.
- Välj något av följande tjänstexempel och kopiera klistra in det i en andra ny cell i notebook-filen.
- Ersätt någon av platshållarna för tjänstprenumerationens nyckel med din egen nyckel.
- Välj knappen Kör (triangelikonen) i cellens övre högra hörn och välj sedan Kör cell.
- Visa resultat i en tabell under cellen.
Delad kod
För att komma igång måste vi lägga till den här koden i projektet:
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")
Textanalys exempel
Tjänsten Textanalys innehåller flera algoritmer för att extrahera intelligenta insikter från text. Vi kan till exempel hitta attityden för angiven indatatext. Tjänsten returnerar en poäng mellan 0,0 och 1,0 där låga poäng indikerar negativt sentiment och höga poäng indikerar positivt sentiment. Det här exemplet använder tre enkla meningar och returnerar sentimentet för var och en.
# 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")
)
)
Textanalys för hälsoexempel
Textanalys för Hälsotjänst extraherar och etiketterar relevant medicinsk information från ostrukturerade texter som läkaranteckningar, sammanfattningar av ansvarsfrihet, kliniska dokument och elektroniska hälsojournaler.
df = spark.createDataFrame(
[
("20mg of ibuprofen twice a day",),
("1tsp of Tylenol every 4 hours",),
("6-drops of Vitamin B-12 every evening",),
],
["text"],
)
healthcare = (
AnalyzeHealthText()
.setSubscriptionKey(service_key)
.setLocation(service_loc)
.setLanguage("en")
.setOutputCol("response")
)
display(healthcare.transform(df))
Translator-exempel
Translator är en molnbaserad maskinöversättningstjänst och ingår i Azure AI-tjänstefamiljen med API:er som används för att skapa intelligenta appar. Translator är lätt att integrera i dina program, webbplatser, verktyg och lösningar. Det gör att du kan lägga till användarupplevelser på flera språk på 90 språk och dialekter och kan användas för textöversättning med valfritt operativsystem. I det här exemplet gör vi en enkel textöversättning genom att ange de meningar som du vill översätta och målspråk som du vill översätta till.
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")
)
Exempel på dokumentinformation
Document Intelligence (tidigare kallat "Azure AI Document Intelligence") är en del av Azure AI-tjänster som gör att du kan skapa automatiserad databehandlingsprogramvara med maskininlärningsteknik. Identifiera och extrahera text, nyckel/värde-par, markeringsmarkeringar, tabeller och struktur från dina dokument. Tjänsten matar ut strukturerade data som innehåller relationerna i den ursprungliga filen, avgränsningsrutor, konfidens med mera. I det här exemplet analyserar vi en visitkortsbild och extraherar informationen i strukturerade data.
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")
)
Visuellt innehåll exempel
Visuellt innehåll analyserar bilder för att identifiera struktur som ansikten, objekt och beskrivningar av naturligt språk. I det här exemplet taggar vi en lista med bilder. Taggar är enordsbeskrivningar av saker i bilden som igenkännliga objekt, personer, landskap och åtgärder.
# 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"))
Exempel på bildsökning i Bing
Bildsökning i Bing söker på webben för att hämta bilder relaterade till en användares fråga på naturligt språk. I det här exemplet använder vi en textfråga som söker efter bilder med citattecken. Den returnerar en lista över bild-URL:er som innehåller foton relaterade till vår fråga.
# 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))
Tal till text-exempel
Tal-till-text-tjänsten konverterar strömmar eller filer med talat ljud till text. I det här exemplet transkriberar vi en ljudfil.
# 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"))
Exempel på text till tal
Text till tal är en tjänst som gör det möjligt för en att skapa appar och tjänster som talar naturligt och välja mellan mer än 270 neurala röster på 119 språk och varianter.
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))
Avvikelseidentifiering exempel
Avvikelseidentifiering är bra för att identifiera oegentligheter i dina tidsseriedata. I det här exemplet använder vi tjänsten för att hitta avvikelser i hela tidsserien.
# 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")
)
Godtyckliga webb-API:er
Med HTTP på Spark kan alla webbtjänster användas i din stordatapipeline. I det här exemplet använder vi Världsbankens API för att få information om olika länder/regioner runt om i världen.
# 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")
)
)
Exempel på Azure AI Search
I det här exemplet visar vi hur du kan berika data med cognitive skills och skriva till ett Azure Search-index med Hjälp av 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",
)
Andra självstudier
Följande självstudier innehåller fullständiga exempel på hur du använder Azure AI-tjänster i Synapse Analytics.
Attitydanalys med Azure AI-tjänster – Med hjälp av en exempeldatauppsättning med kundkommentare skapar du en Spark-tabell med en kolumn som anger sentimentet för kommentarerna på varje rad.
Avvikelseidentifiering med Azure AI-tjänster – Med hjälp av en exempeldatauppsättning med tidsseriedata skapar du en Spark-tabell med en kolumn som anger om data på varje rad är en avvikelse.
Skapa maskininlärningsprogram med Hjälp av Microsoft Machine Learning för Apache Spark – Den här självstudien visar hur du använder SynapseML för att få åtkomst till flera modeller från Azure AI-tjänster.
Dokumentinformation med Azure AI-tjänster visar hur du använder Dokumentinformation för att analysera dina formulär och dokument, extraherar text och data i Azure Synapse Analytics.
Textanalys med Azure AI-tjänster visar hur du använder Textanalys för att analysera ostrukturerad text i Azure Synapse Analytics.
Translator med Azure AI-tjänster visar hur du använder Translator för att skapa intelligenta lösningar med flera språk i Azure Synapse Analytics
Visuellt innehåll med Azure AI-tjänster visar hur du använder Visuellt innehåll för att analysera bilder i Azure Synapse Analytics.
Tillgängliga API:er för Azure AI-tjänster
Bildsökning i Bing
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| Bildsökning i Bing | BingImageSearch | Bilder – Visuell sökning V7.0 | Stöds inte |
Avvikelseidentifiering
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| Identifiera senaste avvikelse | DetectLastAnomaly | Identifiera senaste punkt V1.0 | Stöds |
| Identifiera avvikelser | DetectAnomalies | Identifiera hela serien V1.0 | Stöds |
| Enkla DetectAnomalies | SimpleDetectAnomalies | Identifiera hela serien V1.0 | Stöds |
Visuellt innehåll
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| OCR | OCR | Identifiera utskriven text V2.0 | Stöds |
| Identifiera text | RecognizeText | Identifiera text V2.0 | Stöds |
| Läs bild | ReadImage | Läs V3.1 | Stöds |
| Generera miniatyrer | GenerateThumbnails | Generera miniatyr V2.0 | Stöds |
| Analyze Image (Analysera bild) | AnalyzeImage | Analysera bild V2.0 | Stöds |
| Identifiera domänspecifikt innehåll | RecognizeDomainSpecificContent | Analysera avbildning efter domän V2.0 | Stöds |
| Taggbild | TagImage | Tagga avbildning V2.0 | Stöds |
| Describe Image (Beskriv bild) | DescribeImage | Beskriva bild V2.0 | Stöds |
Translator
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| Översätta text | Översätt | Översätt V3.0 | Stöds inte |
| Transkribera text | Transkribera | Translitterera V3.0 | Stöds inte |
| Identifiera språk | Identifiera | Identifiera V3.0 | Stöds inte |
| Bryt mening | BreakSentence | Bryt mening V3.0 | Stöds inte |
| Ordlistesökning (alternativa översättningar) | DictionaryLookup | Ordlistesökning V3.0 | Stöds inte |
| Dokumentöversättning | DocumentTranslator | Dokumentöversättning V1.0 | Stöds inte |
Ansikte
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| Identifiera ansikte | DetectFace | Identifiera med URL V1.0 | Stöds |
| Hitta liknande ansikte | FindSimilarFace | Hitta liknande V1.0 | Stöds |
| Gruppera ansikten | GroupFaces | Grupp V1.0 | Stöds |
| Identifiera ansikten | IdentifyFaces | Identifiera V1.0 | Stöds |
| Verifiera ansikten | VerifyFaces | Verifiera ansikte mot ansikte V1.0 | Stöds |
Dokumentinformation
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| Analysera layout | AnalyzeLayout | Analysera layout Async V2.1 | Stöds |
| Analysera kvitton | AnalyzeReceipts | Analysera kvitto Async V2.1 | Stöds |
| Analysera visitkort | AnalyzeBusinessCards | Analysera visitkort Async V2.1 | Stöds |
| Analysera fakturor | AnalyzeInvoices | Analysera Faktura Async V2.1 | Stöds |
| Analysera ID-dokument | AnalyzeIDDocuments | ID-dokumentmodell V2.1 | Stöds |
| Lista anpassade modeller | ListCustomModels | Lista anpassade modeller V2.1 | Stöds |
| Hämta anpassad modell | GetCustomModel | Hämta anpassade modeller V2.1 | Stöds |
| Analysera anpassad modell | AnalyseraCustomModel | Analysera med anpassad modell V2.1 | Stöds |
Tal till text
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| Tal till text | SpeechToText | SpeechToText V1.0 | Stöds inte |
| Tal till text-SDK | SpeechToTextSDK | Använda Speech SDK version 1.14.0 | Stöds inte |
Textanalys
| API-typ | SynapseML-API:er | API:er för Azure AI-tjänster (versioner) | STÖD FÖR DEP VNet |
|---|---|---|---|
| Textsentiment V2 | TextSentimentV2 | Sentiment V2.0 | Stöds |
| Språkidentifiering V2 | LanguageDetectorV2 | Språk V2.0 | Stöds |
| Entitetsidentifiering V2 | EntityDetectorV2 | Entiteter som länkar V2.0 | Stöds |
| NER V2 | NERV2 | Allmänt V2.0 för entitetsigenkänning | Stöds |
| Extraktor för nyckelfras V2 | KeyPhraseExtractorV2 | Nyckelfraser V2.0 | Stöds |
| Textsentiment | TextSentiment | Sentiment V3.1 | Stöds |
| Extraktor för nyckelfras | KeyPhraseExtractor | Nyckelfraser V3.1 | Stöds |
| PII | PII | Entitetsigenkänning Pii V3.1 | Stöds |
| NER | NER | Allmänt V3.1 för entitetsigenkänning | Stöds |
| Språkidentifiering | LanguageDetector | Språk V3.1 | Stöds |
| Entitetsidentifiering | EntityDetector | Entiteter som länkar V3.1 | Stöds |