Layanan Azure AI di Azure Synapse Analytics
Dengan menggunakan model yang telah dilatih sebelumnya dari layanan Azure AI, Anda dapat memperkaya data Anda dengan kecerdasan buatan (AI) di Azure Synapse Analytics.
Layanan Azure AI membantu pengembang dan organisasi dengan cepat membuat aplikasi cerdas, mutakhir, siap pasar, dan bertanggung jawab dengan API dan model yang siap pakai dan dapat disesuaikan sebelumnya.
Ada beberapa cara agar Anda dapat menggunakan subkumpulan layanan Azure AI dengan data Anda di Synapse Analytics:
Wizard "Layanan Azure AI" di Synapse Analytics menghasilkan kode PySpark dalam buku catatan Synapse yang tersambung ke dengan layanan Azure AI menggunakan data dalam tabel Spark. Kemudian, menggunakan model pembelajaran mesin yang telah dilatih sebelumnya, layanan ini berfungsi untuk Anda tambahkan AI ke data Anda. Lihat panduan analisis sentimen dan panduan deteksi Anomali untuk detail lebih lanjut.
Pembelajaran Mesin Synapse (SynapseML) memungkinkan Anda membangun model prediktif dan analitis yang kuat dan dapat diskalakan dengan sangat baik dari berbagai sumber data Spark. Synapse Spark menyediakan pustaka SynapseML bawaan termasuk synapse.ml.cognitive.
Mulai dari kode PySpark yang dihasilkan oleh wizard, atau contoh kode SynapseML yang disediakan dalam tutorial, Anda dapat menulis kode Anda sendiri untuk menggunakan layanan Azure AI lainnya dengan data Anda. Lihat Apa itu layanan Azure AI? untuk informasi selengkapnya tentang layanan yang tersedia.
Mulai
Tutorial ini, Prasyarat untuk menggunakan layanan Azure AI di Azure Synapse, memandu Anda melalui beberapa langkah yang perlu Anda lakukan sebelum menggunakan layanan Azure AI di Synapse Analytics.
Penggunaan
Vision
- Jelaskan: memberikan deskripsi gambar dalam bahasa yang dapat dibaca manusia (Scala, Python)
- Analisis (warna, jenis gambar, wajah, konten dewasa/cair): menganalisis fitur visual gambar (Scala, Python)
- OCR: membaca teks dari gambar (Scala, Python)
- Kenali Teks: membaca teks dari gambar (Scala, Python)
- Gambar mini: menghasilkan gambar mini ukuran yang ditentukan pengguna dari gambar (Scala, Python)
- Mengenali konten khusus domain: mengenali konten khusus domain (selebriti, tengara) (Scala, Python)
- Tag: mengidentifikasi daftar kata yang relevan dengan gambar input (Scala, Python)
- Deteksi: mendeteksi wajah manusia dalam gambar (Scala, Python)
- Verifikasi: memverifikasi apakah dua wajah milik orang yang sama, atau wajah milik seseorang (Scala, Python)
- Identifikasi: menemukan kecocokan terdekat dari wajah orang kueri tertentu dari grup orang (Scala, Python)
- Temukan yang serupa: menemukan wajah serupa dengan wajah kueri dalam daftar wajah (Scala, Python)
- Grup: membagi sekelompok wajah menjadi kelompok terpisah berdasarkan kesamaan (Scala, Python)
Ucapan
- Ucapan ke teks: mentranskripsikan aliran audio (Scala, Python)
- Transkripsi Percakapan: mentranskripsikan aliran audio ke dalam transkrip langsung dengan pembicara yang diidentifikasi. (Scala, Python)
- Teks ke Ucapan: Mengonversi teks menjadi audio realistis (Scala, Python)
Bahasa
- Deteksi bahasa: mendeteksi bahasa teks input (Scala, Python)
- Ekstraksi frasa kunci: mengidentifikasi poin pembicaraan utama dalam teks input (Scala, Python)
- Pengenalan entitas bernama: mengidentifikasi entitas yang diketahui dan entitas bernama umum dalam teks input (Scala, Python)
- Analisis sentimen: mengembalikan skor antara 0 dan 1 yang menunjukkan sentimen dalam teks input (Scala, Python)
- Ekstraksi Entitas Layanan Kesehatan: Mengekstrak entitas medis dan hubungan dari teks. (Scala, Python)
Terjemahan
- Terjemahkan: Menerjemahkan teks. (Scala, Python)
- Transliterasi: Mengonversi teks dalam satu bahasa dari satu skrip ke skrip lain. (Scala, Python)
- Deteksi: Mengidentifikasi bahasa teks. (Scala, Python)
- BreakSentence: Mengidentifikasi penempatan batas kalimat dalam sepotong teks. (Scala, Python)
- Pencarian Kamus: Menyediakan terjemahan alternatif untuk kata dan sejumlah kecil frasa idiomatik. (Scala, Python)
- Contoh Kamus: Menyediakan contoh yang menunjukkan bagaimana istilah dalam kamus digunakan dalam konteks. (Scala, Python)
- Terjemahan Dokumen: Menerjemahkan dokumen di semua bahasa dan dialek yang didukung sambil mempertahankan struktur dokumen dan format data. (Scala, Python)
Kecerdasan Dokumen
Kecerdasan Dokumen (sebelumnya dikenal sebagai Azure AI Document Intelligence)
- Analisis Tata Letak: Mengekstrak informasi teks dan tata letak dari dokumen tertentu. (Scala, Python)
- Analisis Tanda Terima: Mendeteksi dan mengekstrak data dari tanda terima menggunakan pengenalan karakter optik (OCR) dan model tanda terima kami, memungkinkan Anda untuk dengan mudah mengekstrak data terstruktur dari tanda terima seperti nama pedagang, nomor telepon pedagang, tanggal transaksi, total transaksi, dan banyak lagi. (Scala, Python)
- Analisis Kartu Nama: Mendeteksi dan mengekstrak data dari kartu nama menggunakan pengenalan karakter optik (OCR) dan model kartu nama kami, memungkinkan Anda untuk dengan mudah mengekstrak data terstruktur dari kartu nama seperti nama kontak, nama perusahaan, nomor telepon, email, dan banyak lagi. (Scala, Python)
- Analisis Faktur: Mendeteksi dan mengekstrak data dari faktur menggunakan pengenalan karakter optik (OCR) dan faktur kami memahami model pembelajaran mendalam, memungkinkan Anda untuk dengan mudah mengekstrak data terstruktur dari faktur seperti pelanggan, vendor, ID faktur, tanggal jatuh tempo faktur, total, jumlah faktur jatuh tempo, jumlah pajak, pengiriman ke, tagihan ke, item baris, dan banyak lagi. (Scala, Python)
- Menganalisis Dokumen ID: Mendeteksi dan mengekstrak data dari dokumen identifikasi menggunakan pengenalan karakter optik (OCR) dan model dokumen ID kami, memungkinkan Anda untuk dengan mudah mengekstrak data terstruktur dari dokumen ID seperti nama depan, nama belakang, tanggal lahir, nomor dokumen, dan banyak lagi. (Scala, Python)
- Analisis Formulir Kustom: Mengekstrak informasi dari formulir (PDF dan gambar) ke dalam data terstruktur berdasarkan model yang dibuat dari serangkaian formulir pelatihan perwakilan. (Scala, Python)
- Dapatkan Model Kustom: Dapatkan informasi terperinci tentang model kustom. (Scala, Python)
- Mencantumkan Model Kustom: Dapatkan informasi tentang semua model kustom. (Scala, Python)
Keputusan
- Status anomali titik terbaru: menghasilkan model menggunakan titik sebelumnya dan menentukan apakah titik terbaru anomali (Scala, Python)
- Menemukan anomali: menghasilkan model menggunakan seluruh seri dan menemukan anomali dalam seri (Scala, Python)
Pencarian
Prasyarat
- Ikuti langkah-langkah dalam Menyiapkan lingkungan untuk layanan Azure AI untuk menyiapkan lingkungan layanan Azure Databricks dan Azure AI Anda. Tutorial ini menunjukkan kepada Anda cara menginstal SynapseML dan cara membuat kluster Spark Anda di Databricks.
- Setelah Anda membuat buku catatan baru di Azure Databricks, salin kode Bersama berikut dan tempelkan ke sel baru di buku catatan Anda.
- Pilih salah satu sampel layanan berikut dan salin tempelkan ke sel baru kedua di buku catatan Anda.
- Ganti salah satu tempat penampung kunci langganan layanan dengan kunci Anda sendiri.
- Pilih tombol jalankan (ikon segitiga) di sudut kanan atas sel, lalu pilih Jalankan Sel.
- Tampilkan hasil dalam tabel di bawah sel.
Kode bersama
Untuk memulai, kode ini perlu ditambahkan ke proyek:
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")
Sampel Analitik Teks
Layanan Analitik Teks menyediakan beberapa algoritme untuk mengekstrak wawasan cerdas dari teks. Misalnya, kita dapat menemukan sentimen teks input tertentu. Layanan ini akan menampilkan skor antara 0,0 dan 1,0. Dalam hal ini skor rendah menunjukkan sentimen negatif dan skor tinggi menunjukkan sentimen positif. Sampel ini menggunakan tiga kalimat sederhana dan menampilkan sentimen untuk masing-masing kalimat.
# 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")
)
)
Analitik Teks untuk Sampel Kesehatan
Text Analytics for Health Service mengekstrak dan melabeli informasi medis yang relevan dari teks yang tidak terstruktur seperti catatan dokter, ringkasan pelepasan, dokumen klinis, dan catatan kesehatan elektronik.
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))
sampel Penerjemah
Penerjemah adalah layanan terjemahan mesin berbasis cloud dan merupakan bagian dari rangkaian layanan Azure AI API yang digunakan untuk membangun aplikasi cerdas. Penerjemah ini mudah diintegrasikan di aplikasi, situs web, alat, dan solusi Anda. Ini memungkinkan Anda untuk menambahkan pengalaman pengguna multi-bahasa dalam 90 bahasa dan dialek dan dapat digunakan untuk penerjemahan teks dengan sistem operasi apa pun. Dalam sampel ini, kami melakukan terjemahan teks sederhana dengan menyediakan kalimat yang ingin Anda terjemahkan dan bahasa target yang ingin Anda terjemahkan.
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")
)
Sampel Kecerdasan Dokumen
Kecerdasan Dokumen (sebelumnya dikenal sebagai "Kecerdasan Dokumen Azure AI") adalah bagian dari layanan Azure AI yang memungkinkan Anda membangun perangkat lunak pemrosesan data otomatis menggunakan teknologi pembelajaran mesin. Identifikasi dan ekstraksi teks, pasangan kunci/nilai, tanda pilihan, tabel, dan struktur dari dokumen Anda. Layanan menghasilkan data terstruktur yang mencakup hubungan dalam file asli, kotak batas, keyakinan, dan banyak lagi. Dalam sampel ini, kami menganalisis gambar kartu nama dan mengekstrak informasinya ke dalam data terstruktur.
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")
)
Sampel Visi Komputer
Visi Komputer menganalisis gambar untuk mengidentifikasi struktur seperti wajah, objek, dan deskripsi bahasa alami. Dalam sampel ini, kami memberi tag pada daftar gambar. Tag adalah deskripsi satu kata dari berbagai hal dalam gambar seperti objek, orang, pemandangan, dan tindakan yang dapat dikenali.
# 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"))
Sampel Bing Image Search
Bing Image Search menelusuri web untuk mengambil gambar yang terkait dengan kueri bahasa alami pengguna. Dalam contoh ini, kami menggunakan kueri teks yang mencari gambar dengan tanda kutip. Contoh ini menampilkan daftar URL gambar yang berisi foto terkait dengan kueri kami.
# 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))
Sampel Ucapan ke Teks
Layanan Ucapan ke teks mengonversi stream atau file audio lisan menjadi teks. Dalam sampel ini, kami mentranskripsikan satu file audio.
# 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"))
Sampel Teks ke Ucapan
Teks ke ucapan adalah layanan yang memungkinkan seseorang untuk membangun aplikasi dan layanan yang berbicara secara alami, memilih dari lebih dari 270 suara saraf di 119 bahasa dan varian.
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))
Sampel Pendeteksi Anomali
Pendeteksi Anomali merupakan cara ampuh untuk mendeteksi penyimpangan dalam data rangkaian waktu Anda. Dalam sampel ini, kita gunakan layanan untuk menemukan anomali dalam keseluruhan rangkaian waktu.
# 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")
)
API web arbitrer
Dengan HTTP di Spark, layanan web apa pun dapat digunakan dalam alur big data Anda. Dalam contoh ini, kami menggunakan WORLD Bank API untuk mendapatkan informasi tentang berbagai negara/wilayah di seluruh dunia.
# 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")
)
)
Sampel Pencarian Azure AI
Dalam contoh ini, kami menunjukkan bagaimana Anda dapat memperkaya data menggunakan Cognitive Skills dan menulis ke Indeks Pencarian Azure menggunakan 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",
)
Tutorial Lainnya
Tutorial berikut memberikan contoh lengkap penggunaan layanan Azure AI di Synapse Analytics.
Analisis sentimen dengan layanan Azure AI - Menggunakan contoh himpunan data komentar pelanggan, Anda membuat tabel Spark dengan kolom yang menunjukkan sentimen komentar di setiap baris.
Deteksi anomali dengan layanan Azure AI - Menggunakan contoh himpunan data data rangkaian waktu, Anda membuat tabel Spark dengan kolom yang menunjukkan apakah data di setiap baris adalah anomali.
Membangun aplikasi pembelajaran mesin menggunakan Microsoft Pembelajaran Mesin untuk Apache Spark - Tutorial ini menunjukkan cara menggunakan SynapseML untuk mengakses beberapa model dari layanan Azure AI.
Kecerdasan Dokumen dengan layanan Azure AI menunjukkan cara menggunakan Kecerdasan Dokumen untuk menganalisis formulir dan dokumen Anda, mengekstrak teks dan data di Azure Synapse Analytics.
Analitik Teks dengan layanan Azure AI menunjukkan cara menggunakan Text Analytics untuk menganalisis teks yang tidak terstruktur di Azure Synapse Analytics.
Penerjemah dengan layanan Azure AI menunjukkan cara menggunakan Penerjemah untuk membangun solusi multi-bahasa cerdas di Azure Synapse Analytics
Computer Vision dengan layanan Azure AI menunjukkan cara menggunakan Computer Vision untuk menganalisis gambar di Azure Synapse Analytics.
API layanan Azure AI yang tersedia
Pencarian Gambar Bing
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
Pencarian Gambar Bing | BingImageSearch | Gambar - Pencarian Visual V7.0 | Tidak Didukung |
Detektor Anomali
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
Deteksi Anomali Terakhir | DetectLastAnomaly | Deteksi Titik Terakhir V1.0 | Didukung |
Deteksi Anomali | DetectAnomalies | Deteksi Seluruh Seri V1.0 | Didukung |
Deteksi Sederhana Anomali | SimpleDetectAnomalies | Deteksi Seluruh Seri V1.0 | Didukung |
Computer Vision
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
OCR | OCR | Kenali Teks Cetak V2.0 | Didukung |
Recognize Text | RecognizeText | Kenali Teks V2.0 | Didukung |
Baca Gambar | ReadImage | Baca V3.1 | Didukung |
Buat Gambar Mini | GenerateThumbnails | Buat Thumbnail V2.0 | Didukung |
Analisis Gambar | AnalisisImase | Analisis Gambar V2.0 | Didukung |
Kenali Konten Domain Khusus | RecognizeDomainSpecificContent | Analisis Gambar Menurut Domain V2.0 | Didukung |
Gambar Tag | TagImage | Gambar Tag V2.0 | Didukung |
Jelaskan Gambar | DescribeImage | Gambar V2.0 | Didukung |
Penerjemah
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
Menerjemahkan Teks | Terjemahkan | Terjemahkan V3.0 | Tidak Didukung |
Teks Transliterasi | Transliterasi | Transliterasi V3.0 | Tidak Didukung |
Deteksi bahasa | Deteksi | Deteksi V3.0 | Tidak Didukung |
Pecahkan Kalimat | BreakSentence | Pecahkan Kalimat V3.0 | Tidak Didukung |
Pencarian kamus (terjemahan alternatif) | DictionaryLookup | Pencarian kamus V3.0 | Tidak Didukung |
Document Translation | DocumentTranslator | Terjemahan Dokumen V1.0 | Tidak Didukung |
Wajah
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
Deteksi Wajah | DetectFace | Deteksi Dengan Url V1.0 | Didukung |
Temukan Wajah Serupa | FindSimilarFace | Temukan V1.0 Serupa | Didukung |
Wajah Grup | GroupFaces | Grup V1.0 | Didukung |
Identifikasi wajah | IdentifyFaces | Identifikasi V1.0 | Didukung |
Verfikasi wajah | VerifyFaces | Verifikasi Tatap Muka V1.0 | Didukung |
Kecerdasan Dokumen
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
Menganalisis Tata Letak | AnalyzeLayout | Analisis tata letak Async V2.1 | Didukung |
Analisis tanda terima | AnalyzeReceipts | Analisis Tanda Terima Async V2.1 | Didukung |
Analisis Kartu Nama | AnalyzeBusinessCards | Analisis Kartu Nama Async V2.1 | Didukung |
Analisis faktur | AnalyzeInvoices | Analisis faktur Async V2.1 | Didukung |
Analisis Dokumen ID | AnalyzeIDDocuments | identifikasi (ID) model dokumen V2.1 | Didukung |
Daftar Model Kustom | ListCustomModels | Daftar Model Kustom V2.1 | Didukung |
Dapatkan Model Kustom | GetCustomModel | Dapatkan Model Kustom V2.1 | Didukung |
Analisis Model Kustom | AnalyzeCustomModel | Analisis dengan Model Kustom V2.1 | Didukung |
Ucapan-ke-Teks
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
Ucapan ke Teks | SpeechToText | SpeechToText V1.0 | Tidak Didukung |
SDK Ucapan ke Teks | SpeechToTextSDK | Menggunakan SDK Ucapan Versi 1.14.0 | Tidak Didukung |
Text Analytics
Jenis API | API SynapseML | API layanan Azure AI (Versi) | Dukungan DEP VNet |
---|---|---|---|
Sentimen Teks V2 | TextSentimentV2 | Sentimen V2.0 | Didukung |
Detektor Bahasa V2 | LanguageDetectorV2 | Bahasa V2.0 | Didukung |
Detektor Entitas V2 | EntityDetectorV2 | Entitas yang Menghubungkan V2.0 | Didukung |
NER V2 | NERV2 | Pengakuan Entitas Umum V2.0 | Didukung |
Key Phrase Extractor V2 | KeyPhraseExtractorV2 | Frasa Kunci V2.0 | Didukung |
Sentimen Teks | TextSentiment | Sentimen V3.1 | Didukung |
Ekstraktor Frasa Kunci | KeyPhraseExtractor | Frasa Kunci V3.1 | Didukung |
PII | PII | Pengakuan Entitas Pii V3.1 | Didukung |
NER | NER | Pengakuan Entitas Umum V3.1 | Didukung |
Detektor Bahasa | LanguageDetector | Bahasa V3.1 | Didukung |
Detektor Entitas | EntityDetector | Entitas yang Menghubungkan V3.1 | Didukung |