Criar um aplicativo cliente que analisa texto

Um aplicativo cliente é um programa que você escreve que se conecta a um serviço ou modelo e usa seus recursos. Seu código envia solicitações para o serviço e recebe os resultados de volta automaticamente , possibilitando processar grandes volumes de texto ou integrar a análise de IA em um fluxo de trabalho.

Para se conectar a um serviço de IA, seu aplicativo usa uma API (Interface de Programação de Aplicativo). Uma API é um conjunto de regras que define como duas partes do software se comunicam. Uma biblioteca de clientes é um conjunto de códigos prontos que os desenvolvedores podem usar em seu aplicativo para conversar facilmente com um serviço ou API. Você pode revisar o material fundamental sobre aplicações e uso de endpoints em: Introdução à IA no Azure.

Usando modelos de IA de uso geral para análise de texto

Comece com um recurso Microsoft Foundry e crie um projeto de Foundry em seu recurso. No novo portal do Foundry, você pode procurar o catálogo de modelos e implantar um modelo de uso geral.

Você pode criar um aplicativo cliente que interage com modelos de Microsoft foundry usando a API Azure OpenAI. A API openai permite que seu código fale com um modelo implantado enviando solicitações para um ponto de extremidade, juntamente com uma chave de API para provar que você está autorizado.

A API Responses é a API moderna e unificada em Azure OpenAI para interagir com modelos de linguagem. Ele foi projetado para lidar com interações de IA completas, não apenas a geração de texto.

Você pode usar a API de respostas para enviar prompts de linguagem natural para um modelo de linguagem implantado. É útil quando você precisa de uma análise flexível de estilo de conversa que não exija uma saída estruturada fixa.

Usando a biblioteca de Python do OpenAI

A biblioteca de Python OpenAI é um SDK (software development kit) oficial Python que permite que os desenvolvedores criem aplicativos Python que interagem com modelos e serviços do OpenAI por meio de código em vez de solicitações HTTP brutas.

Para usar a biblioteca de Python openai, você precisa trabalhar em um editor de código. O código do aplicativo é escrito em editores code, como Visual Studio Code. O terminal de um editor de código é uma janela de linha de comando interna dentro do editor em que você pode executar comandos sem sair do seu ambiente de desenvolvimento.

1. Instalar os pacotes necessários

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

pip install openai

2. Criar um arquivo de configuração

Em seguida, você pode criar um arquivo de configuração (tipo .env) para armazenar suas variáveis de ambiente, como seu ponto de extremidade, chave e nome de implantação de 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>

Observe como a variável endpoint contém o nome do recurso Foundry e openai.azure.com/openai/v1. Sua chave de API é sua chave de projeto do Foundry.

O nome da implantação do modelo é o nome que você fornece ao modelo ao implantá-lo. Por exemplo, ao implantar o modelo gpt-4.1 , você pode nomeá-lo gpt-demo-model. O nome da implementação é gpt-demo-model. No entanto, se você não personalizar o nome do modelo, o nome da implantação corresponderá ao nome do modelo, como é o caso no trecho de código acima.

3. Criar um arquivo que contenha a lógica do aplicativo

Dê uma olhada no seguinte exemplo de código do aplicativo:

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 nosso endpoint de recurso do Foundry e chave para criar um objeto cliente autenticado. A OpenAI classe é definida pelo SDK e atua como um blueprint para se conectar à API OpenAI. Um objeto cliente autenticado no Python é um objeto específico do serviço que pode fazer chamadas de API autorizadas com segurança sem que o código gerencie manualmente tokens ou segredos.

Depois de criar um objeto cliente — configurado com o seu ponto de extremidade e chave — você pode executar métodos no objeto para interagir com o modelo. Por exemplo, você pode usar o responsesmétodo para enviar um prompt para uma implantação de modelo específica.

Podemos exibir os resultados da análise executando o código do aplicativo 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 probabilisticamente. Na prática, isso significa que duas chamadas com o mesmo prompt podem retornar textos ou formatação ligeiramente diferentes. Quando seu aplicativo precisa de valores consistentes e estruturados, como um código de idioma, uma pontuação de confiança ou um texto redigido, o SDK de Linguagem Azure é uma opção melhor.

Usando o SDK da Linguagem Azure

O Azure Language SDK é uma biblioteca de clientes para Azure Language in Foundry Tools. O SDK facilita para os desenvolvedores adicionar recursos NLP, como detecção de idioma e redigir informações de identificação pessoal (PII), aos seus aplicativos.

Vamos ver como você pode usar o SDK do Azure Language Python para criar um aplicativo que analisa o texto. Para usar o SDK do Azure Language Python, você precisa ter um recurso Foundry. Em seguida, você precisa instalar uma versão compatível do Python e do SDK do Azure Language Python.

O SDK Python pode ser instalado no Visual Studio Code terminal usando:

pip install azure-ai-textanalytics

Considere o seguinte exemplo de arquivo de configuração:

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

Considere o seguinte exemplo de código de aplicativo:

# 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 methods do cliente para chamar funções de linguagem Azure, como detect_language e recognize_pii_entities.

Detecção de idioma: o detect_language() método usa uma lista de cadeias de caracteres de texto e retorna o idioma detectado, 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}")

Detecção de PII: o recognize_pii_entities() método identifica detalhes pessoais no texto e retorna a versão redigida do texto e 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 SDK de Linguagem Azure, você pode escrever código para aplicativos de IA que processam a linguagem natural e geram insights do seu texto.

Em seguida, vamos dar uma olhada em como incluir recursos de linguagem Azure em agentes de IA.