Crie uma aplicação cliente que analise texto

Uma aplicação cliente é um programa que escreve e que se liga a um serviço ou modelo e utiliza as suas capacidades. O seu código envia pedidos para o serviço e recebe resultados automaticamente — tornando possível processar grandes volumes de texto ou integrar análises de IA num fluxo de trabalho.

Para se ligar a um serviço de IA, a sua aplicação utiliza uma API (Interface de Programação de Aplicações). Uma API é um conjunto de regras que define como dois softwares comunicam. Uma biblioteca cliente é um conjunto de código pronto que os programadores podem usar na sua aplicação para comunicar facilmente com um serviço ou API. Podes rever material fundamental sobre aplicações e usar endpoints em: Começa com IA em Azure.

Utilização de modelos de IA de uso geral para análise de texto

Comece com um recurso Microsoft Foundry e crie um projeto Foundry dentro do seu recurso. No novo portal Foundry, pode navegar pelo catálogo de modelos e implementar um modelo de uso geral.

Pode construir uma aplicação de cliente que interaja com os Modelos Foundry da Microsoft usando a API Azure OpenAI. A API OpenAI permite que o seu código comunique com um modelo implementado, enviando pedidos para um endpoint, juntamente com uma chave API para provar que está autorizado.

A API Respostas é a API moderna e unificada dentro Azure OpenAI para interagir com modelos de linguagem. Foi concebido para lidar com interações completas com IA, não apenas geração de texto.

Pode usar a API de respostas para enviar prompts em linguagem natural para um modelo de linguagem implementado. É útil quando se precisa de uma análise flexível, ao estilo conversacional, que não exija um resultado estruturado fixo.

Utilização da biblioteca Python da OpenAI

A biblioteca Python OpenAI é um kit oficial de desenvolvimento de software Python (SDK) que permite aos programadores construir aplicações Python que interagem com modelos e serviços OpenAI através de código em vez de pedidos HTTP brutos.

Para usar a biblioteca Python da OpenAI, precisas de trabalhar dentro de um editor de código. O código da aplicação é escrito em editores código, como Visual Studio Code. O terminal de um editor de código é uma janela de linha de comandos integrada dentro do editor onde pode executar comandos sem sair do seu ambiente de desenvolvimento.

1. Instalar os pacotes necessários

A biblioteca Python OpenAI pode ser instalada no terminal Visual Studio Code utilizando:

pip install openai

2. Criar um ficheiro de configuração

De seguida, pode criar um ficheiro de configuração (tipo .env) para armazenar as variáveis do seu ambiente, como o endpoint, chave e nome de implementação do modelo.

Considere as seguintes variáveis:

AZURE_OPENAI_ENDPOINT=https://<your-resource>.openai.azure.com/openai/v1/
MODEL_DEPLOYMENT_NAME=gpt-4.1-mini
API_KEY=<your-foundry-key>

Repare como a variável endpoint contém o nome do seu recurso Foundry e openai.azure.com/openai/v1. A sua chave API é a chave do seu projeto Foundry.

O nome de implementação do modelo é o nome que dás ao modelo quando o implementas. Por exemplo, quando implementas o modelo gpt-4.1 , podes chamar-lhe gpt-demo-model. O nome da implementação é gpt-demo-model. No entanto, se não personalizar o nome do modelo, o nome de implementação corresponderá ao nome do modelo, como é o caso no excerto acima.

3. Crie um ficheiro contendo a lógica da sua aplicação

Veja o seguinte exemplo de código de aplicação:

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]}")

Usamos o nosso endpoint de recurso Foundry e a chave para criar um objeto cliente autenticado. A OpenAI classe é definida pelo SDK e funciona como um plano para a ligação à API OpenAI. Um objeto cliente autenticado em Python é um objeto específico de serviço que pode fazer chamadas autorizadas de API de forma segura sem que o seu código gere manualmente tokens ou segredos.

Depois de criar um objeto cliente — configurado com o seu endpoint e chave — pode usar métodos para interagir com o modelo. Por exemplo, pode usar o responsesmétodo para enviar um prompt a uma implementação específica do modelo.

Podemos apresentar os resultados da análise executando o código da aplicação no terminal com o comando python <file_name>.py.

A API OpenAI é simples de usar, mas os resultados podem variar entre chamadas porque o modelo gera texto de forma probabilística. Na prática, isto significa que duas chamadas com o mesmo prompt podem devolver uma redação ou formatação ligeiramente diferente. Quando a sua aplicação precisa de valores consistentes e estruturados, como um código de linguagem, pontuação de confiança ou texto censurado, o Azure Language SDK é uma escolha melhor.

Usando o SDK da Linguagem Azure

O Azure Language SDK é uma biblioteca cliente para o Azure Language no Foundry Tools. O SDK facilita aos programadores a adição de funcionalidades de PLN, como deteção de linguagem e ocultação de informações pessoais identificáveis (PII), às suas aplicações.

Vamos ver como pode usar o Azure Language Python SDK para construir uma aplicação que analise texto. Para usar o Azure Language Python SDK, precisa de ter um recurso Foundry. Depois tens de instalar uma versão compatível do Python e do Azure Language Python SDK.

O SDK Python pode ser instalado utilizando o terminal do Visual Studio Code terminal.

pip install azure-ai-textanalytics

Considere o seguinte exemplo de ficheiro de configuração:

AZURE_LANGUAGE_ENDPOINT=https://<your-resource>.cognitiveservices.azure.com/
API_KEY=<your-foundry-key>

Considere o seguinte exemplo de código de aplicação:

# 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]

Usamos os métodos methods do cliente para chamar funções Azure Language, como detect_language e recognize_pii_entities.

Deteção de linguagem: O detect_language() método recolhe uma lista de cadeias de texto e devolve a linguagem detetada, o seu código ISO 639-1 e uma pontuação de confiança entre 0 e 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}")

Deteção de PII: O recognize_pii_entities() método identifica detalhes pessoais no texto e devolve tanto a versão redigida do texto como uma lista das entidades encontradas, incluindo a categoria e a pontuação de confiança de cada entidade.

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}")

Com a API OpenAI e o Azure Language SDK, pode escrever código para aplicações de IA que processam linguagem natural e geram insights a partir do seu texto.

De seguida, vamos analisar como incluir capacidades do Azure Language em agentes de IA.