Azure Synapse Analytics'te Azure yapay zeka hizmetleri
Azure AI hizmetlerinden önceden eğitilmiş modelleri kullanarak Azure Synapse Analytics'te yapay zeka (AI) ile verilerinizi zenginleştirebilirsiniz.
Azure yapay zeka hizmetleri , geliştiricilerin ve kuruluşların kullanıma hazır, önceden oluşturulmuş ve özelleştirilebilir API'ler ve modeller ile hızlı bir şekilde akıllı, son teknoloji, pazara hazır ve sorumlu uygulamalar oluşturmalarına yardımcı olur.
Synapse Analytics'teki verilerinizle Azure AI hizmetlerinin bir alt kümesini kullanmanın birkaç yolu vardır:
Synapse Analytics'teki "Azure AI hizmetleri" sihirbazı, Spark tablosundaki verileri kullanarak Azure AI hizmetlerine bağlanan bir Synapse not defterinde PySpark kodu oluşturur. Ardından, önceden eğitilmiş makine öğrenmesi modellerini kullanarak hizmet, verilerinize yapay zeka eklemeniz için gereken işi yapar. Diğer ayrıntılar için Yaklaşım analizi sihirbazı ve Anomali algılama sihirbazı'nı gözden geçirin.
Synapse Machine Learning (SynapseML), çeşitli Spark veri kaynaklarından güçlü ve yüksek oranda ölçeklenebilir tahmine dayalı ve analitik modeller oluşturmanıza olanak tanır. Synapse Spark, synapse.ml.cognitive gibi yerleşik SynapseML kitaplıkları sağlar.
Sihirbaz tarafından oluşturulan PySpark kodundan veya öğreticide sağlanan örnek SynapseML kodundan başlayarak, verilerinizle diğer Azure AI hizmetlerini kullanmak için kendi kodunuzu yazabilirsiniz. Kullanılabilir hizmetler hakkında daha fazla bilgi için bkz. Azure AI hizmetleri nelerdir?
Başlarken
Azure Synapse'te Azure AI hizmetlerini kullanma önkoşulları adlı öğretici , Synapse Analytics'te Azure AI hizmetlerini kullanmadan önce gerçekleştirmeniz gereken birkaç adımda size yol gösterir.
Kullanım
Görsel
- Açıklama: bir görüntünün okunabilir dilde açıklamasını sağlar (Scala, Python)
- Analiz etme (renk, görüntü türü, yüz, yetişkinlere yönelik/müstehcen içerik): Görüntünün görsel özelliklerini analiz eder (Scala, Python)
- OCR: Görüntüden metin okur (Scala, Python)
- Metni Tanıma: Görüntüden metin okur (Scala, Python)
- Küçük resim: Görüntüden kullanıcı tarafından belirtilen boyutun küçük resmini oluşturur (Scala, Python)
- Etki alanına özgü içeriği tanıma: Etki alanına özgü içeriği (ünlü, yer işareti) tanır (Scala, Python)
- Etiket: Giriş görüntüsüyle ilgili sözcüklerin listesini tanımlar (Scala, Python)
- Algılama: Bir görüntüdeki insan yüzlerini algılar (Scala, Python)
- Doğrulama: İki yüzün aynı kişiye mi yoksa bir yüze mi ait olduğunu doğrular (Scala, Python)
- Tanımla: Bir kişi grubundan belirli bir sorgu kişisinin en yakın eşleşmelerini bulur (Scala, Python)
- Benzerini bul: Yüz listesindeki sorgu yüzüyle benzer yüzleri bulur (Scala, Python)
- Grup: Bir yüz grubunu benzerlik temelinde kopuk gruplara böler (Scala, Python)
Konuşma
- Konuşmayı metne dönüştürme: Ses akışlarının dökümünü alır (Scala, Python)
- Konuşma Transkripsiyonu: Ses akışlarını, tanımlanan konuşmacılarla canlı transkriptlere ayırır. (Scala, Python)
- Metinden Konuşmaya: Metni gerçekçi sese dönüştürür (Scala, Python)
Dil
- Dil algılama: Giriş metninin dilini algılar (Scala, Python)
- Anahtar ifade ayıklama: Giriş metnindeki önemli konuşma noktalarını tanımlar (Scala, Python)
- Adlandırılmış varlık tanıma: Giriş metnindeki bilinen varlıkları ve genel adlandırılmış varlıkları tanımlar (Scala, Python)
- Yaklaşım analizi: Giriş metnindeki yaklaşımı belirten 0 ile 1 arasında bir puan döndürür (Scala, Python)
- Healthcare Varlık Ayıklama: Metinden tıbbi varlıkları ve ilişkileri ayıklar. (Scala, Python)
Çeviri
- Çevir: Metni çevirir. (Scala, Python)
- Transliterate: Bir dildeki metni bir betikten başka bir betike dönüştürür. (Scala, Python)
- Algıla: Bir metin parçasının dilini tanımlar. (Scala, Python)
- BreakSentence: Bir metin parçasındaki cümle sınırlarının konumlandırılmasını tanımlar. (Scala, Python)
- Sözlük Arama: Bir sözcük ve çok az sayıda idiomatic tümceciği için alternatif çeviriler sağlar. (Scala, Python)
- Sözlük Örnekleri: Sözlükteki terimlerin bağlamda nasıl kullanıldığını gösteren örnekler sağlar. (Scala, Python)
- Belge Çevirisi: Belge yapısını ve veri biçimini korurken belgeleri desteklenen tüm diller ve diyalektler arasında çevirir. (Scala, Python)
Belge Yönetim Bilgileri
Belge Zekası (eski adıyla Azure AI Belge Zekası)
- Düzeni Analiz Etme: Belirli bir belgeden metin ve düzen bilgilerini ayıklayın. (Scala, Python)
- Makbuzları Analiz Etme: Optik karakter tanıma (OCR) ve makbuz modelimizi kullanarak makbuzlardan verileri algılar ve ayıklar, böylece satıcı adı, satıcı telefon numarası, işlem tarihi, işlem toplamı ve daha fazlası gibi makbuzlardan yapılandırılmış verileri kolayca ayıklayabilirsiniz. (Scala, Python)
- Kartvizitleri Analiz Etme: Optik karakter tanıma (OCR) ve kartvizit modelimizi kullanarak kartvizitlerdeki verileri algılar ve ayıklar, böylece kartvizitlerden kişi adları, şirket adları, telefon numaraları, e-postalar ve daha fazlası gibi yapılandırılmış verileri kolayca ayıklayabilirsiniz. (Scala, Python)
- Faturaları Analiz Etme: Optik karakter tanıma (OCR) ve fatura anlama derin öğrenme modellerimizi kullanarak faturalardan verileri algılar ve ayıklar; böylece müşteri, satıcı, fatura kimliği, fatura son tarihi, toplam, fatura tutarı, vergi tutarı, sevkiyat yeri, fatura adresi, satır öğeleri ve daha fazlası gibi faturalardan yapılandırılmış verileri kolayca ayıklayabilirsiniz. (Scala, Python)
- Kimlik Belgelerini Analiz Etme: Optik karakter tanıma (OCR) ve kimlik belge modelimizi kullanarak tanımlama belgelerindeki verileri algılar ve ayıklar, böylece ad, soyadı, doğum tarihi, belge numarası ve daha fazlası gibi kimlik belgelerinden yapılandırılmış verileri kolayca ayıklayabilirsiniz. (Scala, Python)
- Özel Formu Analiz Etme: Bir dizi temsili eğitim formundan oluşturulan bir modeli temel alarak formlardan (PDF'ler ve görüntüler) bilgileri yapılandırılmış verilere ayıklar. (Scala, Python)
- Özel Model Alma: Özel model hakkında ayrıntılı bilgi edinin. (Scala, Python)
- Özel Modelleri Listeleme: Tüm özel modeller hakkında bilgi edinin. (Scala, Python)
Karar
- En son noktanın anomali durumu: Önceki noktaları kullanarak bir model oluşturur ve en son noktanın anormal olup olmadığını belirler (Scala, Python)
- Anomalileri bulma: Serinin tamamını kullanarak bir model oluşturur ve serideki anomalileri bulur (Scala, Python)
Arama yap
Önkoşullar
- Azure Databricks ve Azure AI hizmetleri ortamınızı ayarlamak için Azure yapay zeka hizmetleri için Kurulum ortamı'ndaki adımları izleyin. Bu öğreticide SynapseML'nin nasıl yükleneceği ve Spark kümenizin Databricks'te nasıl oluşturulacağı gösterilmektedir.
- Azure Databricks'te yeni bir not defteri oluşturduktan sonra, aşağıdaki Paylaşılan kodu kopyalayın ve not defterinizdeki yeni bir hücreye yapıştırın.
- Aşağıdaki hizmet örneklerinden birini seçin ve not defterinizde ikinci bir yeni hücreye yapıştırın.
- Hizmet aboneliği anahtarı yer tutucularından herhangi birini kendi anahtarınız ile değiştirin.
- Hücrenin sağ üst köşesindeki çalıştır düğmesini (üçgen simgesi) ve ardından Hücreyi Çalıştır'ı seçin.
- Sonuçları hücrenin altındaki bir tabloda görüntüleyin.
Paylaşılan kod
Başlamak için bu kodu projeye eklememiz gerekir:
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")
Metin Analizi örneği
Metin Analizi hizmeti, metinden akıllı içgörüler ayıklamak için çeşitli algoritmalar sağlar. Örneğin, verilen giriş metninin yaklaşımını bulabiliriz. Hizmet 0,0 ile 1,0 arasında bir puan döndürür; burada düşük puanlar negatif yaklaşımı, yüksek puan ise pozitif yaklaşımı gösterir. Bu örnek üç basit cümle kullanır ve her biri için yaklaşımı döndürür.
# 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")
)
)
Sistem Durumu Örneği için Metin Analizi
Sistem Sağlığı Hizmeti için Metin Analizi doktor notları, taburcu özetleri, klinik belgeler ve elektronik sağlık kayıtları gibi yapılandırılmamış metinlerden ilgili tıbbi bilgileri ayıklar ve etiketler.
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))
Çeviri örneği
Çeviri, bulut tabanlı bir makine çevirisi hizmetidir ve akıllı uygulamalar oluşturmak için kullanılan Azure AI hizmetleri API'leri ailesinin bir parçasıdır. Çeviri uygulamalarınızla, web sitelerinizle, araçlarınızla ve çözümlerinizle kolayca tümleştirilebilir. 90 dilde ve diyalektte çok dilli kullanıcı deneyimleri eklemenize olanak tanır ve herhangi bir işletim sistemiyle metin çevirisi için kullanılabilir. Bu örnekte, çevirmek istediğiniz cümleleri sağlayarak ve çevirmek istediğiniz dilleri hedefleyerek basit bir metin çevirisi yapacağız.
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")
)
Belge Yönetim Bilgileri örneği
Belge Zekası (eski adıyla "Azure AI Document Intelligence"), makine öğrenmesi teknolojisini kullanarak otomatik veri işleme yazılımı oluşturmanıza olanak tanıyan Azure yapay zeka hizmetlerinin bir parçasıdır. Belgelerinizdeki metinleri, anahtar/değer çiftlerini, seçim işaretlerini, tabloları ve yapıyı tanımlayın ve ayıklayın. Hizmet, özgün dosyadaki ilişkileri, sınırlayıcı kutuları, güveni ve daha fazlasını içeren yapılandırılmış veriler oluşturur. Bu örnekte, bir kartvizit görüntüsünü analiz edip bilgilerini yapılandırılmış verilere ayıklayacağız.
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")
)
Görüntü İşleme örneği
Görüntü İşleme yüzler, nesneler ve doğal dil açıklamaları gibi yapıları tanımlamak için görüntüleri analiz eder. Bu örnekte, görüntülerin listesini etiketleyeceğiz. Etiketler, görüntüdeki nesnelerin tanınabilir nesneleri, kişileri, manzarayı ve eylemleri tek sözcüklü açıklamalarıdır.
# 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"))
Bing Resim Arama örneği
Bing Resim Arama , kullanıcının doğal dil sorgusuyla ilgili görüntüleri almak için web'de aramalar. Bu örnekte, tırnak işaretleri içeren görüntülerin arandığı bir metin sorgusu kullanacağız. Sorgumuzla ilgili fotoğrafları içeren görüntü URL'lerinin listesini döndürür.
# 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))
Konuşmayı Metne Dönüştürme örneği
Konuşmayı metne dönüştürme hizmeti, konuşulan ses akışlarını veya dosyalarını metne dönüştürür. Bu örnekte bir ses dosyasının dökümünü alıyoruz.
# 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"))
Metin Okuma örneği
Metin okuma , 119 dilde ve değişkende 270'ten fazla nöral ses arasından seçim yaparak doğal olarak konuşan uygulamalar ve hizmetler oluşturmanızı sağlayan bir hizmettir.
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))
Anomali Algılayıcısı örneği
Anomali Algılayıcısı, zaman serisi verilerinizdeki düzensizlikleri algılamak için mükemmeldir. Bu örnekte, zaman serisinin tamamında anomalileri bulmak için hizmetini kullanacağız.
# 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")
)
Rastgele web API'leri
Spark üzerinde HTTP ile tüm web hizmetleri büyük veri işlem hattınızda kullanılabilir. Bu örnekte, dünya çapındaki çeşitli ülkeler/bölgeler hakkında bilgi almak için Dünya Bankası API'sini kullanıyoruz.
# 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")
)
)
Azure AI Search örneği
Bu örnekte, Bilişsel Beceriler'i kullanarak verileri nasıl zenginleştirebileceğinizi ve SynapseML kullanarak Azure Search Dizinine nasıl yazabileceğinizi göstereceğiz.
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",
)
Diğer Öğreticiler
Aşağıdaki öğreticiler, Synapse Analytics'te Azure AI hizmetlerinin kullanımına ilişkin eksiksiz örnekler sağlar.
Azure AI hizmetleriyle yaklaşım analizi - Müşteri açıklamalarından oluşan örnek bir veri kümesi kullanarak, her satırdaki açıklamaların yaklaşımını gösteren bir sütuna sahip bir Spark tablosu oluşturursunuz.
Azure AI hizmetleriyle anomali algılama - Zaman serisi verilerinden oluşan örnek bir veri kümesi kullanarak, her satırdaki verilerin anomali olup olmadığını gösteren bir sütuna sahip bir Spark tablosu oluşturursunuz.
Apache Spark için Microsoft Machine Learning'i kullanarak makine öğrenmesi uygulamaları oluşturma - Bu öğreticide, Azure AI hizmetlerinden çeşitli modellere erişmek için SynapseML'nin nasıl kullanılacağı gösterilmektedir.
Azure yapay zeka hizmetleriyle Belge Zekası, Formlarınızı ve belgelerinizi analiz etmek, Azure Synapse Analytics'te metin ve veri ayıklamak için Belge Zekası'nın nasıl kullanılacağını gösterir.
Azure AI hizmetleriyle Metin Analizi, Azure Synapse Analytics'te yapılandırılmamış metinleri analiz etmek için Metin Analizi kullanmayı gösterir.
Azure AI hizmetleriyle Çeviri, Azure Synapse Analytics'te akıllı, çok dilli çözümler oluşturmak için Çeviri nasıl kullanılacağını gösterir
Azure AI hizmetleriyle Görüntü İşleme, Azure Synapse Analytics'te görüntüleri analiz etmek için Görüntü İşleme nasıl kullanılacağını gösterir.
Kullanılabilir Azure AI hizmetleri API'leri
Bing Resim Arama
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| Bing Resim Arama | BingImageSearch | Görüntüler - Görsel Arama V7.0 | Desteklenmiyor |
Anomali Algılayıcısı
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| Son Anomaliyi Algıla | DetectLastAnomaly | Son Noktayı Algıla V1.0 | Desteklenir |
| Anomalileri Algılama | DetectAnomalies | V1.0 Serisinin Tamamını Algıla | Desteklenir |
| Basit DetectAnomalies | SimpleDetectAnomalies | V1.0 Serisinin Tamamını Algıla | Desteklenir |
Görüntü işleme
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| OCR | OCR | Yazdırılan Metni Tanıma V2.0 | Desteklenir |
| Metni Tanıma | RecognizeText | Metni Tanıma V2.0 | Desteklenir |
| Resmi Oku | ReadImage | V3.1'i okuma | Desteklenir |
| Küçük Resim Oluşturma | GenerateThumbnails | Küçük Resim Oluştur V2.0 | Desteklenir |
| Görüntüyü Analiz Et | AnalyzeImage | Görüntü Analizi V2.0 | Desteklenir |
| Etki Alanına Özgü İçeriği Tanıma | RecognizeDomainSpecificContent | Görüntüyü Etki Alanı V2.0'a Göre Analiz Etme | Desteklenir |
| Etiket Resmi | TagImage | Etiket Görüntüsü V2.0 | Desteklenir |
| Resmi Açıklama | DescribeImage | Görüntü V2.0'i açıklama | Desteklenir |
Çeviri
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| Metni Çevir | Çevir | V3.0'ın çevirisini yapın | Desteklenmiyor |
| Metni Değiştir | Karakter Dönüştürme | V3.0'ı çevirme | Desteklenmiyor |
| Dili Algıla | Algıla | V3.0 algılama | Desteklenmiyor |
| Tümceyi Kes | BreakSentence | Kesme Tümcesi V3.0 | Desteklenmiyor |
| Sözlük araması (alternatif çeviriler) | DictionaryLookup | Sözlük Arama V3.0 | Desteklenmiyor |
| Belge Çevirisi | Belge Çeviri | Belge Çevirisi V1.0 | Desteklenmiyor |
Yüz Tanıma
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| Yüzü Algıla | DetectFace | Url V1.0 ile Algılama | Desteklenir |
| Benzer Yüz Bul | FindSimilarFace | Benzer V1.0'ı bul | Desteklenir |
| Yüzleri Gruplandır | GroupFaces | Grup V1.0 | Desteklenir |
| Yüzleri Tanımlama | IdentifyFaces | V1.0'i tanımlama | Desteklenir |
| Yüzleri Doğrulama | VerifyFaces | Yüz Yüze V1.0'ı doğrulama | Desteklenir |
Belge Yönetim Bilgileri
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| Düzeni Analiz Etme | AnalyzeLayout | Düzeni Çözümleme Zaman Uyumsuz V2.1 | Desteklenir |
| Alındı Bilgilerini Analiz Etme | AnalyzeReceipts | Alındı Bilgisi Async V2.1'i Analiz Etme | Desteklenir |
| Kartvizitleri Analiz Etme | AnalyzeBusinessCards | Kartvizit Async V2.1'i analiz etme | Desteklenir |
| Faturaları Analiz Etme | AnalyzeInvoices | Fatura Zaman Uyumsuz V2.1'i Analiz Etme | Desteklenir |
| Kimlik Belgelerini Analiz Etme | AnalyzeIDDocuments | kimlik (kimlik) belge modeli V2.1 | Desteklenir |
| Özel Modelleri Listeleme | ListCustomModels | Özel Modelleri Listeleme V2.1 | Desteklenir |
| Özel Model Alma | GetCustomModel | Özel Modeller V2.1'i edinin | Desteklenir |
| Özel Modeli Analiz Etme | AnalyzeCustomModel | Özel Model V2.1 ile Analiz Etme | Desteklenir |
Konuşmayı metne dönüştürme
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| Konuşmayı Metne Dönüştürme | SpeechToText | SpeechToText V1.0 | Desteklenmiyor |
| Konuşmayı Metne Dönüştürme SDK'sı | SpeechToTextSDK | Konuşma SDK'sı Sürüm 1.14.0'i kullanma | Desteklenmiyor |
Metin Analizi
| API Türü | SynapseML API'leri | Azure AI hizmetleri API'leri (Sürümler) | DEP Sanal Ağ Desteği |
|---|---|---|---|
| Metin Yaklaşımı V2 | TextSentimentV2 | Yaklaşım V2.0 | Desteklenir |
| Dil Algılayıcısı V2 | LanguageDetectorV2 | Diller V2.0 | Desteklenir |
| Varlık Algılayıcısı V2 | EntityDetectorV2 | V2.0'a Bağlanan Varlıklar | Desteklenir |
| NER V2 | NERV2 | Varlık Tanıma Genel V2.0 | Desteklenir |
| Anahtar İfade Ayıklayıcı V2 | KeyPhraseExtractorV2 | Anahtar İfadeler V2.0 | Desteklenir |
| Metin Yaklaşımı | TextSentiment | Yaklaşım V3.1 | Desteklenir |
| Anahtar İfade Ayıklayıcı | KeyPhraseExtractor | Anahtar İfadeler V3.1 | Desteklenir |
| PII | PII | Varlık Tanıma Pii V3.1 | Desteklenir |
| NER | NER | Varlık Tanıma Genel V3.1 | Desteklenir |
| Dil Algılayıcısı | LanguageDetector | Diller V3.1 | Desteklenir |
| Varlık Algılayıcısı | EntityDetector | V3.1'i Bağlayan Varlıklar | Desteklenir |