Creación de una aplicación cliente que analice texto
Sugerencia
Consulte la pestaña Texto e imágenes para obtener más detalles.
Una aplicación cliente es un programa que escribe que se conecta a un servicio o modelo y usa sus funcionalidades. El código envía solicitudes al servicio y recibe resultados automáticamente, lo que permite procesar grandes volúmenes de texto o integrar el análisis de ia en un flujo de trabajo.
Para conectarse a un servicio de IA, la aplicación usa una API (interfaz de programación de aplicaciones). Una API es un conjunto de reglas que define cómo se comunican dos partes de software. Una biblioteca cliente es un conjunto de código listo que los desarrolladores pueden usar en su aplicación para comunicarse fácilmente con un servicio o API. Puede revisar el material fundamental sobre aplicaciones y el uso de puntos de conexión en: Introducción a la inteligencia artificial en Azure.
Uso de modelos de IA de uso general para el análisis de texto
Comience con un recurso de Microsoft Foundry y cree un proyecto foundry en el recurso. En el nuevo portal de Foundry, puede examinar el catálogo de modelos e implementar un modelo de uso general.
Puede compilar una aplicación cliente que interactúe con Microsoft Foundry Models mediante la API de OpenAI de Azure. La API de OpenAI permite que el código hable con un modelo implementado mediante el envío de solicitudes a un punto de conexión, junto con una clave de API para demostrar que está autorizado.
La API Responses es la API moderna unificada dentro de Azure OpenAI para interactuar con modelos de lenguaje. Está diseñado para controlar interacciones completas de inteligencia artificial, no solo la generación de texto.
Puede usar la API de respuestas para enviar mensajes de lenguaje natural a un modelo de lenguaje implementado. Resulta útil cuando se necesita un análisis flexible de estilo conversacional que no requiere una salida estructurada fija.
Uso de la biblioteca de Python openAI
La biblioteca OpenAI Python es un kit de desarrollo de software (SDK) oficial de Python que permite a los desarrolladores crear aplicaciones Python que interactúan con modelos y servicios de OpenAI a través del código en lugar de solicitudes HTTP sin procesar.
Para usar la biblioteca de Python openAI, debe trabajar en un editor de código. El código de la aplicación se escribe en editores de código, como Visual Studio Code. Un terminal del editor de código es una ventana de línea de comandos integrada dentro del editor donde puede ejecutar comandos sin salir del entorno de desarrollo.
1. Instalar los paquetes necesarios
La biblioteca Python openAI se puede instalar en el Visual Studio Code terminal mediante:
pip install openai
2. Crear un archivo de configuración
A continuación, puede crear un archivo de configuración (tipo .env) para almacenar las variables de entorno, como el punto de conexión, la clave y el nombre de implementación del modelo.
Tenga en cuenta las siguientes variables:
AZURE_OPENAI_ENDPOINT=https://<your-resource>.openai.azure.com/openai/v1/
MODEL_DEPLOYMENT_NAME=gpt-4.1-mini
API_KEY=<your-foundry-key>
Observe cómo la variable de punto de conexión contiene el nombre del recurso Foundry y openai.azure.com/openai/v1. La clave de API es la clave de proyecto de Foundry.
El nombre de implementación del modelo es el nombre que asigna al modelo al implementarlo. Por ejemplo, al implementar el modelo gpt-4.1 , puede asignarle el nombre gpt-demo-model. El nombre de implementación es gpt-demo-model. Sin embargo, si no personaliza el nombre del modelo, el nombre de implementación coincidirá con el nombre del modelo, como sucede en el fragmento de código anterior.
3. Crear un archivo que contenga la lógica de la aplicación
Eche un vistazo al ejemplo de código de aplicación siguiente:
import os
from dotenv import load_dotenv
from openai import OpenAI
# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
api_key = os.getenv("API_KEY")
deployment_name = os.getenv("MODEL_DEPLOYMENT_NAME")
# Create the client object
client = OpenAI(
base_url=endpoint,
api_key=api_key
)
# Make a request using the client
message = client.responses.create(
model=deployment_name,
input="",
)
# Print the results
print(f"Sentiment: {message.output[0]}")
Nota:
Cargando variables de entorno: en este ejemplo, dotenv (load_dotenv()) lee el .env archivo y carga esos valores en el entorno de la aplicación. A continuación, el os paquete recupera cada valor por nombre con os.getenv(), como os.getenv("AZURE_OPENAI_ENDPOINT").
Cada clave de .env debe coincidir exactamente con el nombre del código. Por ejemplo, si el archivo usa API_KEY, el código también debe solicitar API_KEY. Mantenga los nombres de variables coherentes para evitar que falten valores en tiempo de ejecución.
Usamos el punto de conexión y la clave del recurso Foundry para crear un objeto de cliente autenticado. La OpenAI clase se define mediante el SDK y actúa como plano técnico para conectarse a la API de OpenAI. Un objeto de cliente autenticado en Python es un objeto específico del servicio que puede realizar llamadas API autorizadas de forma segura sin que el código administre manualmente tokens o secretos.
Nota:
En Python, un class es un plano técnico que define un tipo de cosa, qué datos contiene y qué acciones puede realizar. Un objeto es una instancia específica creada a partir de ese plano técnico. Por ejemplo, una Car clase podría definir que cada automóvil tiene un color y puede drive() o stop(). Cuando se crea un coche específico ( por ejemplo, uno rojo) es un objeto .
Una vez creado un objeto de cliente (configurado con el punto de conexión y la clave), puede llamar a métodos en él para interactuar con el modelo. Por ejemplo, puede usar el responsesmétodo para enviar un mensaje a una implementación de modelo específica.
Podemos mostrar los resultados del análisis ejecutando el código de la aplicación en el terminal con el comando python <file_name>.py.
La API de OpenAI es sencilla de usar, pero los resultados pueden variar entre llamadas porque el modelo genera texto probabilísticamente. En la práctica, esto significa que dos llamadas con la misma instrucción pueden devolver un texto o formato ligeramente diferentes. Cuando la aplicación necesita valores coherentes y estructurados, como un código de idioma, una puntuación de confianza o texto censurado, el SDK de lenguaje de Azure es una mejor opción.
Uso del SDK de lenguaje Azure
El SDK de lenguaje Azure es una biblioteca cliente para Azure Language in Foundry Tools. El SDK facilita a los desarrolladores agregar características de NLP, como la detección de idioma y la redacción de información de identificación personal (PII) a sus aplicaciones.
Veamos cómo puede usar el SDK de Azure Language Python para compilar una aplicación que analice el texto. Para usar el SDK de Python Azure Language, debe tener un recurso Foundry. A continuación, debe instalar una versión compatible de Python y el SDK de Azure Language Python.
El SDK de Python se puede instalar en el Visual Studio Code terminal mediante:
pip install azure-ai-textanalytics
Tenga en cuenta el siguiente ejemplo de archivo de configuración:
AZURE_LANGUAGE_ENDPOINT=https://<your-resource>.cognitiveservices.azure.com/
API_KEY=<your-foundry-key>
Tenga en cuenta el siguiente ejemplo de código de aplicación:
# Import packages
import os
from dotenv import load_dotenv
from azure.core.credentials import AzureKeyCredential
from azure.ai.textanalytics import TextAnalyticsClient
# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_LANGUAGE_ENDPOINT")
key = os.getenv("API_KEY")
# Create the client
client = TextAnalyticsClient(endpoint=endpoint, credential=AzureKeyCredential(key))
# Make a request using the client for language detection
text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]
Utilizamos los métodos del cliente para llamar a funciones de Azure Language, como detect_language y recognize_pii_entities.
Detección de idioma: el detect_language() método toma una lista de cadenas de texto y devuelve el idioma detectado, su código ISO 639-1 y una puntuación de confianza entre 0 y 1.
text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]
# Print the results
print(f"Language : {result.primary_language.name}")
print(f"ISO code : {result.primary_language.iso6391_name}")
print(f"Confidence : {result.primary_language.confidence_score:.2f}")
Detección de PII: el recognize_pii_entities() método identifica los detalles personales en el texto y devuelve la versión redactada del texto y una lista de las entidades encontradas, incluida la categoría y la puntuación de confianza de cada entidad.
text = "Maria Garcia called from 020 7946 0958 and asked to send documents to 42 Market Road, London, UK, SW1A 1AA."
result = client.recognize_pii_entities([text])[0]
# Print the results
print("Redacted text:", result.redacted_text)
print("\nEntities found:")
for entity in result.entities:
print(f" {entity.text} | category={entity.category} | confidence={entity.confidence_score}")
Con openAI API y el SDK de lenguaje de Azure, puede escribir código para aplicaciones de IA que procesan lenguaje natural y generan información a partir del texto.
A continuación, echemos un vistazo a cómo incluir las funcionalidades de lenguaje Azure en los agentes de IA.