Serviços de IA do Azure no Azure Synapse Analytics
Usando modelos pré-treinados dos serviços de IA do Azure, você pode enriquecer seus dados com inteligência artificial (IA) no Azure Synapse Analytics.
Os serviços de IA do Azure ajudam os programadores e as organizações a criar rapidamente aplicações inteligentes, inovadoras, prontas para o mercado e responsáveis com APIs e modelos prontos a utilizar, pré-criados e personalizáveis.
Há algumas maneiras de usar um subconjunto de serviços de IA do Azure com seus dados no Synapse Analytics:
O assistente "Serviços de IA do Azure" no Synapse Analytics gera código PySpark em um bloco de anotações Synapse que se conecta a um com 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 que você adicione IA aos seus dados. Confira o assistente de análise de sentimento e o assistente de deteção de anomalias para obter mais detalhes.
O Synapse Machine Learning (SynapseML) permite criar modelos preditivos e analíticos poderosos e altamente escaláveis a partir de várias fontes de dados do Spark. O Synapse Spark fornece bibliotecas SynapseML integradas, incluindo synapse.ml.cognitive.
A partir do código PySpark gerado pelo assistente ou do exemplo de código SynapseML fornecido no tutorial, você pode escrever seu próprio código para usar outros serviços de IA do Azure com seus dados. Consulte O que são serviços de IA do Azure? para obter mais informações sobre os serviços disponíveis.
Introdução
O tutorial, Pré-requisitos para usar os serviços de IA do Azure no Azure Synapse, orienta você por algumas etapas que você precisa executar antes de usar os serviços de IA do Azure no Synapse Analytics.
Utilização
Visão
- Descrever: fornece a descrição de uma imagem em linguagem legível por humanos (Scala, Python)
- Analisar (cor, tipo de imagem, rosto, conteúdo adulto/racy): analisa características visuais de uma imagem (Scala, Python)
- OCR: lê texto de uma imagem (Scala, Python)
- Reconhecer texto: lê texto de uma imagem (Scala, Python)
- Thumbnail: gera uma miniatura do tamanho especificado pelo usuário a partir da imagem (Scala, Python)
- Reconhecer conteúdo específico do domínio: reconhece conteúdo específico do domínio (celebridade, ponto de referência) (Scala, Python)
- Tag: identifica a lista de palavras que são relevantes para a imagem de entrada (Scala, Python)
- Detetar: deteta 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: localiza as correspondências mais próximas do rosto específico da pessoa de consulta de um grupo de pessoas (Scala, Python)
- Encontrar similar: encontra faces semelhantes à face de consulta em uma lista de faces (Scala, Python)
- Grupo: divide um grupo de faces em grupos disjuntos com base na semelhança (Scala, Python)
Voz
- Speech-to-text: transcreve fluxos de áudio (Scala, Python)
- Transcrição de conversa: transcreve fluxos de áudio em transcrições ao vivo com alto-falantes identificados. (Scala, Python)
- Texto em fala: Converte texto em áudio realista (Scala, Python)
Linguagem
- Deteção de idioma: deteta o idioma do texto de entrada (Scala, Python)
- Extração de frases-chave: identifica os principais pontos de discussão 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 relações do texto. (Scala, Python)
Tradução
- Traduzir: Traduz texto. (Scala, Python)
- Transliterado: converte texto em um idioma de um script para outro. (Scala, Python)
- Detetar: identifica o idioma de um texto. (Scala, Python)
- BreakSentence: Identifica o posicionamento dos limites da frase em um pedaço de texto. (Scala, Python)
- Pesquisa de dicionário: Fornece 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 em todos os idiomas e dialetos suportados, preservando a estrutura do documento e o formato dos dados. (Scala, Python)
Inteligência Documental
Document Intelligence (anteriormente conhecido como Azure AI Document Intelligence )
- Analisar layout: extraia texto e informações de layout de um determinado documento. (Scala, Python)
- Analisar recibos: deteta e extrai dados de recibos usando o reconhecimento ótico de caracteres (OCR) e nosso modelo de recibo, permitindo que você extraia facilmente dados estruturados de recibos, como nome do comerciante, número de telefone do comerciante, data da transação, total da transação e muito mais. (Scala, Python)
- Analise cartões de visita: deteta e extrai dados de cartões de visita usando reconhecimento ótico de caracteres (OCR) e nosso modelo de cartão de visita, permitindo que você extraia facilmente dados estruturados de cartões de visita, como nomes de contatos, nomes de empresas, números de telefone, e-mails e muito mais. (Scala, Python)
- Analisar faturas: deteta e extrai dados de faturas usando reconhecimento ótico de caracteres (OCR) e nossos modelos de aprendizagem profunda de compreensão de faturas, permitindo que você extraia facilmente dados estruturados de faturas, como cliente, fornecedor, ID da fatura, data de vencimento da fatura, total, valor da fatura devida, valor do imposto, envio para, fatura, itens de linha e muito mais. (Scala, Python)
- Analise documentos de identificação: deteta e extrai dados de documentos de identificação usando reconhecimento ótico de caracteres (OCR) 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 de anomalia do ponto mais recente: gera um modelo usando pontos anteriores e determina se o ponto mais recente é anômalo (Scala, Python)
- Encontrar anomalias: gera um modelo usando uma série inteira e encontra anomalias na série (Scala, Python)
Search
- Pesquisa de imagens do Bing (Scala, Python)
- Azure AI Search (Scala, Python)
Pré-requisitos
- Siga as etapas em Ambiente de configuração para serviços de IA do Azure para configurar seu ambiente de serviços Azure Databricks e Azure AI. Este tutorial mostra como instalar o SynapseML e como criar seu cluster Spark no Databricks.
- Depois de criar um novo bloco de anotações no Azure Databricks, copie o seguinte código compartilhado e cole em uma nova célula em seu bloco de anotações.
- Escolha um dos seguintes exemplos de serviço e cole-o numa segunda célula nova no seu bloco de notas.
- Substitua qualquer um dos espaços reservados de chave de assinatura de serviço por sua própria chave.
- Escolha o botão Executar (ícone de triângulo) no canto superior direito da célula e, em seguida, selecione Executar célula.
- Veja os resultados numa tabela por baixo da célula.
Código partilhado
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 de Análise de Texto fornece vários algoritmos para extrair insights inteligentes do texto. Por exemplo, podemos encontrar o sentimento de um determinado texto de entrada. O serviço retornará uma pontuação entre 0,0 e 1,0, onde pontuações baixas indicam sentimento negativo e pontuação alta indica sentimento positivo. Este exemplo usa três frases simples e retorna o sentimento de 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")
)
)
Exemplo de análise de texto para integridade
O Text Analytics for Health Service extrai e rotula informações médicas relevantes de textos não estruturados, como anotações médicas, resumos de alta, documentos clínicos e registros de saúde eletrônicos.
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))
Exemplo de tradutor
O Translator é um serviço de tradução automática baseado na nuvem e faz parte da família de APIs de serviços de IA do Azure usada para criar aplicativos inteligentes. O Translator é fácil de integrar nas suas aplicações, websites, ferramentas e soluções. Ele permite que você adicione experiências de usuário multi-idioma 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 deseja traduzir e os idiomas de destino para os quais deseja 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 Document Intelligence
A Inteligência de Documentos (anteriormente conhecida como "Azure AI Document Intelligence") é uma parte dos serviços de IA do Azure que permite criar software de processamento automatizado de dados usando a tecnologia de aprendizado de máquina. Identifique e extraia texto, pares chave/valor, marcas de seleção, tabelas e estrutura dos seus documentos. O serviço produz 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 Visão por Computador
A Visão por Computador analisa imagens para identificar estruturas, como rostos, objetos e descrições em linguagem natural. Neste exemplo, marcamos uma lista de imagens. As tags 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 Imagens do Bing
A Pesquisa de Imagens do Bing pesquisa na Web para recuperar imagens relacionadas com a consulta de linguagem natural de um utilizador. Neste exemplo, usamos uma consulta de texto que procura imagens com aspas. Ele 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 fala para texto
O serviço Speech-to-text converte fluxos ou ficheiros 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"))
Exemplo de conversão de texto em fala
Text to speech 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))
Amostra do detetor de anomalias
O Detetor de Anomalias é ótimo para detetar irregularidades em seus dados de séries temporais. 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 do Banco Mundial para obter informações sobre vários países/regiões ao redor do 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 de Pesquisa do Azure 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 sentimento com os serviços de IA do Azure - Usando um conjunto de dados de exemplo de comentários de clientes, você cria uma tabela do Spark com uma coluna que indica o sentimento dos comentários em cada linha.
Deteção de anomalias com serviços de IA do Azure - Usando um conjunto de dados de exemplo de dados de séries temporais, você cria uma tabela do Spark com uma coluna que indica se os dados em cada linha são uma anomalia.
Criar aplicativos de aprendizado de máquina 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.
O Document Intelligence com os serviços de IA do Azure demonstra como usar o Document Intelligence para analisar seus formulários e documentos, extrai texto e dados no Azure Synapse Analytics.
A Análise de Texto com os serviços de IA do Azure mostra como usar a Análise de Texto para analisar texto não estruturado no Azure Synapse Analytics.
O Translator with Azure AI services mostra como usar o Translator para criar soluções inteligentes e multilíngues no Azure Synapse Analytics
A Visão Computacional com os serviços de IA do Azure demonstra como usar a Visão Computacional para analisar imagens no Azure Synapse Analytics.
APIs de serviços de IA do Azure disponíveis
Pesquisa de Imagens do Bing
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
Pesquisa de Imagens do Bing | BingImageSearch | Imagens - Pesquisa Visual V7.0 | Não suportado |
Detetor de Anomalias
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
Detetar a última anomalia | DetectLastAnomaly | Detetar o último ponto v1.0 | Suportado |
Detetar anomalias | DetectAnomalias | Detetar toda a série V1.0 | Suportado |
Deteção SimplesAnomalias | SimpleDetectAnomalias | Detetar toda a série V1.0 | Suportado |
Imagem digitalizada
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
OCR | OCR | Reconhecer texto impresso v2.0 | Suportado |
Reconhecer texto | RecognizeText | Reconhecer texto V2.0 | Suportado |
Ler Imagem | ReadImage | Ler V3.1 | Suportado |
Gerar miniaturas | GerarMiniaturas | Gerar miniatura V2.0 | Suportado |
Analisar imagem | AnalyzeImage | Analisar imagem V2.0 | Suportado |
Reconhecer conteúdo específico do domínio | RecognizeDomainSpecificContent | Analisar imagem por domínio V2.0 | Suportado |
Imagem da tag | TagImage | Imagem de marca v2.0 | Suportado |
Descrever imagem | DescribeImage | Descrever a imagem V2.0 | Suportado |
Tradutor
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
Traduzir Texto | Traduzir | Definição da palavra V3.0 | Não suportado |
Texto transliterado | Transliterar | Transliterado V3.0 | Não suportado |
Detetar idioma | Detetar | Detetar V3.0 | Não suportado |
Quebrar Sentença | BreakSentence | Quebrar frase V3.0 | Não suportado |
Pesquisa de dicionário (traduções alternativas) | DictionaryLookup | Pesquisa de dicionário V3.0 | Não suportado |
Tradução de Documentos | DocumentTranslator | Tradução de Documentos V1.0 | Não suportado |
Face
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
Detetar rosto | DetectFace | Detetar com url v1.0 | Suportado |
Encontre um rosto semelhante | FindSimilarFace | Encontrar V1.0 semelhante | Suportado |
Rostos do Grupo | Rostos do Grupo | Grupo V1.0 | Suportado |
Identificar rostos | IdentifyFaces | Identificar V1.0 | Suportado |
Verificar rostos | VerifyFaces | Verificar cara a cara V1.0 | Suportado |
Inteligência Documental
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
Analisar o Esquema | AnalyzeLayout | Analisar layout assíncrono V2.1 | Suportado |
Analise recibos | AnalyzeReceipts | Analisar recibo assíncrono v2.1 | Suportado |
Analise cartões de visita | AnalisarBusinessCards | Analise o Business Card Async V2.1 | Suportado |
Analise faturas | AnalisarFaturas | Analisar fatura assíncrona v2.1 | Suportado |
Analise documentos de identificação | AnalyzeIDDocuments | documento de identificação (ID) modelo V2.1 | Suportado |
Listar modelos personalizados | ListCustomModels | Lista de modelos personalizados V2.1 | Suportado |
Obter modelo personalizado | GetCustomModel | Obter modelos personalizados V2.1 | Suportado |
Analisar modelo personalizado | AnalyzeCustomModel | Analise com o modelo personalizado v2.1 | Suportado |
Conversão de voz em texto
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
Conversão de Voz em Texto | SpeechToText | SpeechToText V1.0 | Não suportado |
SDK de fala para texto | SpeechToTextSDK | Usando o Speech SDK Versão 1.14.0 | Não suportado |
Análise de Texto
Tipo de API | SynapseML APIs | APIs de serviços de IA do Azure (Versões) | Suporte a DEP VNet |
---|---|---|---|
Sentimento de texto V2 | TextoSentimentV2 | Sentimento V2.0 | Suportado |
Detetor de Idiomas V2 | IdiomaDetectorV2 | Idiomas V2.0 | Suportado |
Detetor de Entidades V2 | EntityDetectorV2 | Entidades vinculando V2.0 | Suportado |
NER V2 | NERV2 | Reconhecimento de Entidades Geral V2.0 | Suportado |
Extrator de Frase-Chave V2 | KeyPhraseExtractorV2 | Frases-chave V2.0 | Suportado |
Sentimento do texto | TextSentiment | Sentimento V3.1 | Suportado |
Extrator de frases-chave | KeyPhraseExtractor | Frases-chave V3.1 | Suportado |
PII | PII | Reconhecimento de Entidades Pii V3.1 | Suportado |
NER | NER | Reconhecimento de Entidades Geral V3.1 | Suportado |
Detetor de Idiomas | LanguageDetector | Idiomas V3.1 | Suportado |
Detetor de Entidades | EntityDetector | Entidades vinculando V3.1 | Suportado |