NLP, modelos generativos, Linguagem Azure nas Ferramentas Foundry, SDK, API de Respostas, agentes e servidor MCP
Tempo de estudo sugerido: 50 minutos • Nível iniciante • Conteúdo reescrito a partir dos objetivos do Microsoft Learn
Por João Ricardo Dutra••Conteúdo autoral completo
1. Análise de texto e processamento de linguagem natural
O processamento de linguagem natural (NLP) reúne técnicas que permitem a sistemas computacionais interpretar, compreender e responder à linguagem humana. Dentro desse campo, a análise de texto transforma conteúdo não estruturado em informações utilizáveis, identificando elementos como sentimento, palavras e expressões importantes, entidades, assuntos e relações.
Essa capacidade atende problemas muito diferentes. Equipes de atendimento examinam avaliações, chamados e pesquisas para localizar tendências e sinais de insatisfação; organizações de saúde extraem sintomas, medicamentos e diagnósticos de registros clínicos; instituições financeiras encontram taxas, partes envolvidas e riscos de conformidade em contratos e empréstimos; escritórios jurídicos resumem processos, localizam cláusulas e classificam documentos por tema.
Distinguir análise flexível com modelos generativos de operações estruturadas do Language.
Conectar uma aplicação cliente por de Respostas ou pela biblioteca AI Text Analytics.
Estender um agente com o servidor MCP do Language para executar tarefas especializadas.
Avaliações, documentos e mensagens passam por NLP e produzem sinais estruturados para pessoas, aplicações e agentes.
2. e os dois caminhos de análise
é a plataforma para criar aplicações e agentes de IA. O trabalho começa com um recurso do Foundry, que fornece acesso aos serviços e modelos, e um projeto do Foundry, usado como para organizar implantações, playgrounds, conexões, ferramentas e ativos.
Há dois caminhos complementares. Um modelo generativo de propósito geral interpreta prompts e combina tarefas de forma conversacional; ele é indicado quando flexibilidade e linguagem natural são centrais. A oferece funções de NLP especializadas, com esquema de resposta conhecido e comportamento mais consistente para automatizados.
Comparação dos caminhos de análise de texto.
Abordagem
Ponto forte
Uso típico
Modelo generativo
Flexibilidade, contexto e combinação de instruções
Exploração, perguntas abertas, resumo, tradução e análises compostas.
Resultados estruturados, repetíveis e próprios para automação
Detecção de idioma, entidades, sentimento, frases-chave e redação de PII.
A escolha depende do equilíbrio desejado entre flexibilidade conversacional e saída determinística.
3. Análise flexível com modelos generativos
Depois de implantar um modelo, o Playground do Foundry permite enviar um texto e descrever em linguagem natural a análise desejada. O mesmo modelo pode extrair frases-chave, reconhecer ou vincular entidades, classificar sentimento, fazer mineração de opiniões, resumir, traduzir, responder perguntas, atribuir categorias personalizadas ou encadear várias dessas tarefas em uma única interação.
Em uma avaliação de restaurante, por exemplo, um pedido de frases-chave pode destacar referências ao jantar, à cidade, aos pratos e ao atendimento. Em outro texto, o reconhecimento de entidades pode separar pessoa, local, organização, data, horário, duração, porcentagem, número e dimensão. A vinculação de entidades acrescenta uma identidade conhecida à menção quando há ambiguidade.
Exemplos de entidades que uma análise pode estruturar.
Categoria
Exemplo
Pessoa
John Smith
Local
New York
Organização
Microsoft
Data
2 de maio de 2017
Horário
8h
Duração
3 horas
Porcentagem
25%
Número
40
Dimensão
10 milhas
Sentimento costuma ser classificado como positivo, negativo ou neutro. A mineração de opiniões pode detalhar o que foi elogiado ou criticado. Como a resposta de um modelo generativo é probabilística, a formulação do prompt importa: pedir apenas o sentimento geral tende a produzir uma resposta curta, enquanto solicitar análise por frase, justificativa e formato de saída gera um resultado mais detalhado e organizado.
A captura de interface foi mantida em PNG; ela demonstra uma análise flexível orientada por prompt.
4. Recursos especializados do Language
A usa modelos de linguagem e técnicas estatísticas criados para operações específicas. Em vez de redigir livremente uma resposta, a ferramenta devolve campos e pontuações previsíveis, característica valiosa quando outro sistema precisa validar, armazenar ou encaminhar o resultado.
No novo portal do Foundry, os recursos ficam em Build, Models e AI services; a experiência pode diferir do portal clássico. Entre as capacidades estão detecção de idioma, análise de sentimento e opiniões, extração de frases-chave, reconhecimento de entidades nomeadas, vinculação de entidades, detecção de PII e PHI, análise de texto de saúde, classificação personalizada e sumarização.
A área AI services reúne ferramentas especializadas que podem ser exploradas no portal.As operações especializadas convertem documentos em idioma, sentimento, entidades, frases-chave, PII e resumos estruturados.
5. Detecção de idioma e identificação de PII
Detecção de idioma
A detecção de idioma examina o texto e retorna o idioma predominante, podendo indicar uma variante regional, um código ISO 639-1 e uma pontuação de confiança. Para a frase em espanhol “¡Hola! Me llamo Josefina y vivo en Madrid, España.”, o resultado demonstrado é espanhol, código es e confiança 1,00. Uma aplicação pode usar essa saída para rotear o atendimento, escolher tradução ou selecionar um fluxo localizado.
O resultado identifica espanhol, o código es e confiança de 100%.
Informações de identificação pessoal e de saúde
A detecção de PII localiza informações que identificam uma pessoa, como nome, telefone, email e endereço. O mesmo conjunto de recursos pode reconhecer PHI em cenários de saúde. Cada ocorrência recebe categoria e confiança; opcionalmente, o serviço produz uma versão redigida do texto, substituindo os trechos sensíveis para reduzir sua exposição.
O playground marca pessoa, telefone e endereço e apresenta uma cópia com os valores sensíveis ocultos.
6. Aplicações cliente, e bibliotecas
Uma aplicação cliente coleta texto, autentica-se no serviço, envia uma solicitação e interpreta a resposta. é o contrato que estabelece como softwares trocam dados; biblioteca cliente é código pronto que representa esse contrato com classes e métodos da linguagem de programação, reduzindo a necessidade de construir requisições manualmente.
Para modelos implantados no , o e a chave do recurso permitem usar uma compatível com OpenAI. Para operações especializadas, a biblioteca AI Text Analytics oferece clientes próprios do Language. Chaves não devem ser gravadas no código-fonte: use variáveis de ambiente, um cofre de segredos ou em produção.
O cliente envia texto ao adequado e recebe texto flexível ou dados estruturados.
7. de Respostas com a biblioteca OpenAI
A de Respostas é uma interface moderna e unificada para interações com modelos compatíveis com OpenAI. Ela funciona bem em conversas e análises abertas, mas não garante por si só o mesmo esquema rígido em toda execução. A biblioteca OpenAI para Python encapsula a comunicação e evita a montagem manual de cabeçalhos e .
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='Classifique o sentimento e explique os principais motivos deste comentário: ...'
)
print(analysis.output_text)
OpenAI é a classe fornecida pela biblioteca; foundry_client é um objeto autenticado dessa classe. .create envia a entrada à implantação indicada. O nome da implantação pode ser escolhido ao implantar o modelo e, em alguns ambientes, coincide com o nome do próprio modelo. O arquivo pode ser executado pelo terminal do com python seguido do nome do script.
8. do Language para resultados estruturados
Quando um fluxo exige categorias e pontuações consistentes, o do Language é a escolha direta. O pacote -ai-textanalytics cria um TextAnalyticsClient com o do recurso e uma AzureKeyCredential. As operações recebem uma lista de documentos, mesmo quando há apenas um 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 = 'Maria Garcia pode ser contatada em 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 retorna nome, código ISO e confiança do idioma predominante. recognize_pii_entities oferece texto redigido e uma coleção de entidades com valor, categoria e confiança. Essa previsibilidade facilita regras, auditoria e armazenamento; modelos generativos continuam úteis quando a tarefa precisa de explicação ou combinação livre.
9. Agentes, ferramentas e Model Context Protocol
Um agente combina um modelo com instruções e ferramentas para raciocinar, planejar, recuperar informações e acionar serviços externos. Embora um modelo generativo consiga interpretar texto, sua saída livre nem sempre atende a processos que exigem dados determinísticos. Adicionar o Language como ferramenta reúne raciocínio geral e análise especializada.
Model Context Protocol (MCP) é um padrão aberto que funciona como um adaptador comum entre agentes e ferramentas. O cliente MCP, normalmente o agente ou aplicativo host, descobre capacidades e envia chamadas. O servidor MCP publica ferramentas e dados, recebe os parâmetros, executa a operação e devolve um resultado estruturado. Assim, a lógica do agente permanece separada da integração e ferramentas podem ser trocadas ou ampliadas sem reescrever todo o fluxo.
O servidor MCP do Language é a ponte gerenciada para detecção de idioma, sentimento, frases-chave, entidades, PII e outras funções. Ele evita que o código do agente implemente cada chamada ou gerencie de serviço diretamente. Um servidor também pode expor uma ação composta, como processar um lote de documentos.
O agente descobre e invoca ferramentas; o servidor valida, executa a capacidade do Language e retorna dados estruturados.
10. Conectar o Language a um agente
No portal do , implante um modelo ou selecione uma implantação existente e salve a configuração como agente. Em seguida, adicione uma ferramenta, pesquise pela e escolha o servidor MCP. A conexão usa o nome do recurso do Foundry; como o recurso já inclui essas ferramentas, o cenário apresentado não exige criar separadamente um recurso Language.
A configuração testada no playground é salva com um nome reutilizável.A ferramenta é adicionada a partir do catálogo e ligada ao recurso do Foundry.
As instruções devem dizer quando usar a ferramenta e qual formato é esperado. O agente pode detectar o idioma de um chamado antes de encaminhá-lo à equipe correta ou redigir PII antes que o restante do fluxo leia a mensagem. O modelo decide a rota; a ferramenta executa a análise especializada.
O resultado mostra a chamada da ferramenta e a resposta integrada à conversa do agente.
11. Exercício: explorar análise de texto
O exercício guiado permite comparar, no mesmo ambiente, uma carga de trabalho de NLP com modelo generativo e uma operação da . Reserve aproximadamente 20 minutos e use uma assinatura ; contas novas podem oferecer créditos durante os primeiros 30 dias.
Abra ou crie um projeto no e selecione uma implantação de modelo.
Teste um prompt de análise de texto e observe como mudanças de instrução alteram a resposta.
Abra AI services, execute detecção de idioma ou outra operação estruturada e examine código, confiança e campos.
Compare flexibilidade, repetibilidade e formato antes de decidir qual integração atende ao aplicativo.
No exercício, a ferramenta identifica francês com confiança de 100%.
