Preparación para la Certificación Microsoft AI-901
Análisis de texto con Azure Language y MCP
PLN, modelos generativos, Azure Language en Foundry Tools, SDK, API de respuestas, agentes y servidor MCP
Tiempo de estudio sugerido: 50 minutos • Nivel principiante • Reescritura original basada en objetivos de Microsoft Learn
Por João Ricardo Dutra••Contenido original completo
1. Análisis de texto y procesamiento del lenguaje natural
El procesamiento del lenguaje natural (PLN) reúne técnicas que permiten a los equipos interpretar, comprender y responder al lenguaje humano. El análisis de texto convierte contenido no estructurado en información útil al identificar sentimiento, palabras y frases importantes, entidades, temas y relaciones.
La misma capacidad resuelve escenarios muy distintos. Atención al cliente examina reseñas, incidencias y encuestas para descubrir tendencias e insatisfacción; salud extrae síntomas, medicamentos y diagnósticos de historias clínicas; finanzas encuentra tasas, partes y riesgos de cumplimiento en contratos y préstamos; los equipos jurídicos resumen casos, localizan cláusulas y clasifican documentos por tema.
Distinguir el análisis flexible con modelos generativos de las operaciones estructuradas de Language.
Conectar una aplicación cliente mediante la de respuestas o la biblioteca AI Text Analytics.
Ampliar un agente con el servidor MCP de Language para tareas especializadas.
Reseñas, documentos y mensajes pasan por PLN y producen señales estructuradas para personas, aplicaciones y agentes.
2. y dos enfoques de análisis
es la plataforma para crear aplicaciones y agentes de IA. El trabajo comienza con un recurso de Foundry, que da acceso a servicios y modelos, y un proyecto de Foundry, el espacio que organiza implementaciones, áreas de juegos, conexiones, herramientas y activos.
Existen dos enfoques complementarios. Un modelo generativo de propósito general interpreta prompts y combina tareas de forma conversacional; encaja cuando importan la flexibilidad y el lenguaje natural. proporciona funciones de PLN especializadas con esquemas conocidos y un comportamiento más consistente para canalizaciones automatizadas.
Comparación de los enfoques de análisis de texto.
Enfoque
Fortaleza
Uso habitual
Modelo generativo
Flexibilidad, contexto y combinación de instrucciones
Exploración, preguntas abiertas, resumen, traducción y análisis compuestos.
Salida estructurada, repetible y lista para automatizar
Detección de idioma, entidades, sentimiento, frases clave y redacción de PII.
La elección depende del equilibrio entre flexibilidad conversacional y salida determinista.
3. Análisis flexible con modelos generativos
Después de implementar un modelo, el Área de juegos de Foundry permite enviar un texto y describir el análisis en lenguaje natural. El mismo modelo puede extraer frases clave, reconocer o vincular entidades, clasificar sentimiento, hacer minería de opiniones, resumir, traducir, responder preguntas, asignar categorías personalizadas o encadenar varias tareas.
En una reseña de restaurante, una solicitud de frases clave puede destacar la cena, la ciudad, los platos y el servicio. En otro texto, el reconocimiento de entidades separa persona, ubicación, organización, fecha, hora, duración, porcentaje, número y dimensión. La vinculación de entidades asocia una mención ambigua con una identidad conocida.
Ejemplos que el análisis de entidades puede estructurar.
Categoría
Ejemplo
Persona
John Smith
Ubicación
New York
Organización
Microsoft
Fecha
2 de mayo de 2017
Hora
8:00
Duración
3 horas
Porcentaje
25%
Número
40
Dimensión
10 millas
El sentimiento suele clasificarse como positivo, negativo o neutro, mientras la minería de opiniones detalla qué se elogió o criticó. La respuesta generativa es probabilística, por lo que el prompt importa: pedir solo el sentimiento general genera una respuesta breve; solicitar evidencia por oración, motivos y formato produce un resultado más detallado.
La captura se conserva en PNG y demuestra un análisis flexible guiado por prompts.
4. Funciones especializadas de Language
usa modelos de lenguaje y técnicas estadísticas diseñadas para operaciones específicas. En vez de redactar libremente, la herramienta devuelve campos y puntuaciones previsibles, algo valioso cuando otro sistema debe validar, guardar o enrutar el resultado.
En el nuevo portal de Foundry, las funciones aparecen en Build, Models y AI services; el portal clásico puede diferir. Incluyen detección de idioma, análisis de sentimiento y opiniones, frases clave, reconocimiento y vinculación de entidades, detección de PII y PHI, análisis de texto sanitario, clasificación personalizada y resumen.
El área AI services reúne herramientas especializadas que pueden explorarse en el portal.Las operaciones transforman documentos en idioma, sentimiento, entidades, frases clave, PII y resúmenes estructurados.
5. Detección de idioma e identificación de PII
Detección de idioma
La detección de idioma examina un texto y devuelve el idioma predominante, una posible variante regional, un código ISO 639-1 y una confianza. Para “¡Hola! Me llamo Josefina y vivo en Madrid, España.”, el resultado mostrado es español, código es y confianza 1,00. Una aplicación puede usarlo para enrutar asistencia, elegir traducción o iniciar un flujo localizado.
El resultado identifica español, el código es y confianza del 100%.
Información personal y sanitaria identificable
La detección de PII localiza datos que identifican a una persona, como nombre, teléfono, correo y dirección. La misma familia de funciones puede reconocer PHI en salud. Cada aparición recibe categoría y confianza; el servicio también puede generar una copia redactada que oculta los fragmentos sensibles.
El área de juegos marca persona, teléfono y dirección y presenta una copia redactada.
6. Aplicaciones cliente, y bibliotecas
Una aplicación cliente recopila texto, se autentica, envía una solicitud e interpreta la respuesta. Una es el contrato que define el intercambio entre programas; una biblioteca cliente es código preparado que representa el contrato mediante clases y métodos, reduciendo la construcción manual de solicitudes .
Para modelos implementados en , el y la clave permiten usar una compatible con OpenAI. Para operaciones especializadas, AI Text Analytics ofrece clientes de Language. No incrustes claves en el código: usa variables de entorno, un almacén de secretos o en producción.
El cliente envía texto al adecuado y recibe texto flexible o datos estructurados.
7. de respuestas con la biblioteca OpenAI
La de respuestas es una interfaz moderna y unificada para modelos compatibles con OpenAI. Funciona bien para conversación y análisis abierto, pero por sí sola no garantiza un esquema rígido idéntico en cada ejecución. La biblioteca OpenAI para Python encapsula la comunicación y evita construir encabezados y manualmente.
import os
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
foundry_client = OpenAI(
base_url=os.environ['AZURE_OPENAI_ENDPOINT'],
api_key=os.environ['API_KEY']
)
analysis = foundry_client.responses.create(
model=os.environ['MODEL_DEPLOYMENT_NAME'],
input='Clasifica el sentimiento y explica los motivos principales de esta reseña: ...'
)
print(analysis.output_text)
OpenAI es la clase de la biblioteca; foundry_client es un objeto autenticado de esa clase. .create envía la entrada a la implementación indicada. El nombre se elige al implementar y puede coincidir con el modelo. El archivo se ejecuta desde el terminal de con python y el nombre del script.
8. de Language para resultados estructurados
Cuando un flujo exige categorías y puntuaciones consistentes, el de Language es la opción directa. El paquete -ai-textanalytics crea un TextAnalyticsClient con el y una AzureKeyCredential. Las operaciones reciben una lista de documentos incluso si solo se analiza un texto.
import os
from dotenv import load_dotenv
from azure.core.credentials import AzureKeyCredential
from azure.ai.textanalytics import TextAnalyticsClient
load_dotenv()
language_client = TextAnalyticsClient(
endpoint=os.environ['AZURE_LANGUAGE_ENDPOINT'],
credential=AzureKeyCredential(os.environ['API_KEY'])
)
sample = 'Puede contactar con Maria Garcia en maria@example.com.'
language = language_client.detect_language([sample])[0]
pii = language_client.recognize_pii_entities([sample])[0]
print(language.primary_language.name, language.primary_language.iso6391_name,
language.primary_language.confidence_score)
print(pii.redacted_text)
for entity in pii.entities:
print(entity.text, entity.category, entity.confidence_score)
detect_language devuelve nombre, código ISO y confianza. recognize_pii_entities ofrece texto redactado y entidades con valor, categoría y confianza. Esta previsibilidad simplifica reglas, auditoría y almacenamiento; los modelos generativos siguen siendo útiles cuando se necesita explicación o combinación libre.
9. Agentes, herramientas y Model Context Protocol
Un agente combina un modelo con instrucciones y herramientas para razonar, planificar, recuperar información y llamar servicios externos. Aunque un modelo generativo interpreta texto, su salida libre no siempre sirve para procesos que exigen datos deterministas. Añadir Language como herramienta une razonamiento general y análisis especializado.
Model Context Protocol (MCP) es un estándar abierto que actúa como adaptador común entre agentes y herramientas. El cliente MCP —normalmente el agente o la aplicación host— descubre capacidades y envía llamadas. El servidor publica herramientas y datos, recibe parámetros, ejecuta la operación y devuelve un resultado estructurado. Así, la lógica queda separada de la integración y las herramientas pueden cambiar o ampliarse.
El servidor MCP de Language es el puente administrado para idioma, sentimiento, frases clave, entidades, PII y otras funciones. El agente no implementa cada llamada ni administra directamente del servicio. Un servidor también puede exponer una acción compuesta, como procesar un lote de documentos.
El agente descubre e invoca herramientas; el servidor valida, ejecuta Language y devuelve datos estructurados.
10. Conectar Language a un agente
En , implementa un modelo o selecciona una implementación y guarda la configuración como agente. Añade una herramienta, busca y selecciona su servidor MCP. La conexión usa el nombre del recurso de Foundry; como el recurso ya incluye estas herramientas en el escenario mostrado, no hace falta crear otro recurso Language.
La configuración del área de juegos se guarda con un nombre reutilizable.La herramienta se añade desde el catálogo y se conecta al recurso de Foundry.
Las instrucciones deben indicar cuándo usar la herramienta y qué formato se espera. El agente puede detectar el idioma de una incidencia antes de enrutarla o redactar PII antes de que el flujo lea el mensaje. El modelo elige la ruta; la herramienta ejecuta el análisis especializado.
El resultado muestra la invocación y la respuesta integrada en la conversación.
11. Ejercicio: explorar el análisis de texto
El ejercicio compara una carga de PLN con modelo generativo y una operación de dentro del mismo entorno. Reserva unos 20 minutos y usa una suscripción ; las cuentas nuevas pueden incluir créditos durante los primeros 30 días.
Abre o crea un proyecto de y selecciona una implementación de modelo.
Prueba un prompt de análisis y observa cómo las instrucciones cambian la respuesta.
Abre AI services, ejecuta detección de idioma u otra operación estructurada y examina código, confianza y campos.
Compara flexibilidad, repetibilidad y formato antes de elegir la integración.
En el ejercicio, la herramienta identifica francés con confianza del 100%.
