Überblick über Azure Cognitive Services

Azure AI Services (früher Azure Cognitive Services) ist eine Sammlung vorgefertigter KI-APIs, mit denen Entwickler intelligente Funktionen in Anwendungen integrieren können, ohne Machine-Learning-Modelle von Grund auf trainieren zu müssen. Das Portfolio umfasst vier Bereiche: Vision (Bilder und Videos analysieren), Language (Text verstehen und generieren), Speech (Audio und Text ineinander umwandeln) und Decision (Inhalte personalisieren und Anomalien erkennen). Alle Dienste sind über REST-APIs, SDKs oder das Azure-Portal zugänglich.

Sie können AI Services auf zwei Arten bereitstellen. Eine Multi-Service-Ressource (im Portal als Azure AI Services bezeichnet) bietet über einen einzigen Endpunkt und API-Schlüssel Zugriff auf die meisten APIs – praktisch für Entwicklung und Experimente. Eine Single-Service-Ressource (z. B. Computer Vision oder Text Analytics) ermöglicht den Zugriff auf nur eine API mit eigener Abrechnung und servicebezogenen Kontingentgrenzen. Für Produktionsumgebungen werden Single-Service-Ressourcen häufig bevorzugt, um die Kosten zu kontrollieren und servicespezifische Sicherheitsrichtlinien anzuwenden.

Die Kategorie Azure AI Vision umfasst mehrere APIs. Computer Vision analysiert Bilder auf Objekte, Szenenbeschreibungen, Text (OCR) und nicht jugendfreie Inhalte. Mit Custom Vision können Sie mit nur wenigen Dutzend gekennzeichneten Bildern Ihr eigenes Modell zur Bildklassifizierung oder Objekterkennung trainieren. Die Face API erkennt Gesichter und Emotionen (mit Zugriffskontrollen für eine verantwortungsvolle Nutzung). Der Azure AI Video Indexer extrahiert aus Videodateien Erkenntnisse wie Sprechererkennung, Transkription und Szenenerkennung.

Die Kategorie Azure AI Language bietet Funktionen zur Textanalyse. Text Analytics ermöglicht Sentimentanalyse, die Extraktion von Schlüsselbegriffen, die Erkennung benannter Entitäten (NER) und die Spracherkennung. Azure AI Translator übersetzt Text mit einem einzigen API-Aufruf zwischen mehr als 100 Sprachen. Azure AI Language Understanding (CLU) klassifiziert Benutzerabsichten aus natürlicher Sprache, um dialogorientierte Anwendungen zu erstellen. Mit Azure AI Question Answering können Sie aus FAQs und Dokumenten eine Wissensdatenbank erstellen, die Fragen in natürlicher Sprache beantwortet.

Die Kategorie Azure AI Speech verbindet Audio und Text. Speech to Text (STT) transkribiert gesprochene Audiodaten in Echtzeit oder im Batchmodus, unterstützt mehr als 100 Sprachen und ermöglicht benutzerdefinierte Akustikmodelle für domänenspezifische Begriffe. Text to Speech (TTS) wandelt Text mithilfe neuronaler Stimmen in mehr als 140 Sprachen in natürlich klingendes Audio um. Speaker Recognition identifiziert oder verifiziert Personen anhand ihrer Stimme. Speech Translation kombiniert STT mit Translator, um eine Echtzeitübersetzung von Sprache zu Sprache bereitzustellen.

Die Kategorie Decision umfasst Dienste für Personalisierung und Anomalieerkennung. Azure AI Anomaly Detector analysiert Zeitreihendaten (z. B. Servermetriken oder Verkaufszahlen) und erkennt automatisch Anomalien, ohne dass ein gekennzeichneter Trainingsdatensatz erforderlich ist – der Dienst lernt normale Muster aus historischen Daten. Azure AI Personalizer (in einigen Ansichten inzwischen Bestandteil von Content Safety) verwendet Reinforcement Learning, um anhand kontextbezogener Merkmale das beste Inhaltselement für die Anzeige bei einem Benutzer auszuwählen. Beide Dienste eignen sich für Szenarien im operativen Betrieb und in der Business Intelligence.

Alle APIs von Azure AI Services folgen demselben Muster: Rufen Sie aus Ihrer Ressource die Endpunkt-URL und einen API-Schlüssel ab (oder verwenden Sie eine verwaltete Identität) und senden Sie anschließend eine HTTP-POST-Anforderung mit der Nutzlast und dem Authentifizierungsheader. Die API gibt eine JSON-Antwort mit den Ergebnissen zurück. Microsoft stellt Client-SDKs für .NET, Python, JavaScript, Java und Go bereit, die die REST-Aufrufe mit typisierten Objekten und Wiederholungslogik kapseln. Dadurch wird die Integration vereinfacht, ohne dass Sie HTTP-Aufrufe manuell verarbeiten müssen.

Microsoft entwickelt Azure AI Services nach sechs Prinzipien verantwortungsvoller KI: Fairness (KI darf nicht diskriminieren), Zuverlässigkeit und Sicherheit (KI sollte erwartungsgemäß funktionieren), Datenschutz und Sicherheit (Daten sollten geschützt werden), Inklusion (KI sollte alle Menschen unterstützen), Transparenz (KI sollte verständlich sein) und Verantwortlichkeit (Menschen sollten für Entscheidungen der KI verantwortlich sein). Für einige Funktionen, etwa die Identifizierungsfunktionen der Face API, muss vor der Freischaltung des Zugriffs ein formeller Antrag bei Microsoft gestellt werden.

Azure AI Services werden nach dem Pay-per-Use-Modell abgerechnet: Sie zahlen pro API-Aufruf, pro analysiertem Bild, pro übersetztem Zeichen oder pro transkribierter Audiominute. Jeder Dienst und jede Tarifstufe hat eine eigene Abrechnungseinheit. Für die meisten Dienste gibt es eine kostenlose Tarifstufe (F0) mit begrenzten Aufrufkontingenten (z. B. 5.000 Aufrufe pro Monat für Text Analytics), sodass Experimente kostenfrei möglich sind. Die Standardtarifstufe (S0) bietet höhere Kontingente und eignet sich für Produktionsumgebungen. Die Kosten steigen linear mit der Nutzung – feste monatliche Verpflichtungen gibt es nicht.

Ressourcen von AI Services sollten über die standardmäßige Authentifizierung per API-Schlüssel hinaus abgesichert werden. Zu den bewährten Methoden gehören: Speichern Sie API-Schlüssel in Azure Key Vault statt im Code, verwenden Sie eine verwaltete Identität, um ohne Schlüssel auf die Ressource zuzugreifen, beschränken Sie den Netzwerkzugriff mithilfe von privaten Endpunkten, sodass die Ressource nur aus Ihrem VNet erreichbar ist, und aktivieren Sie die Diagnoseprotokollierung, um alle API-Aufrufe zu Compliance-Zwecken zu überprüfen. API-Schlüssel sollten regelmäßig ausgetauscht werden – jede Ressource verfügt über zwei Schlüssel, um einen Austausch ohne Ausfallzeit zu ermöglichen.

Viele Azure AI Services können als Docker-Container bereitgestellt werden, wenn Datenresidenz erforderlich ist (die Verarbeitung also lokal oder in einer bestimmten Region erfolgen muss) oder in nicht verbundenen Umgebungen. Sie rufen das Containerimage aus der Microsoft Container Registry ab, starten es mit Ihrem API-Schlüssel und der Endpunktkonfiguration und rufen die REST API des Dienstes unter localhost auf. Der Container verbindet sich zur Abrechnung mit Azure – die gesamte Nutzung wird weiterhin erfasst und über Ihr Azure-Abonnement abgerechnet, die KI-Verarbeitung erfolgt jedoch lokal.

Testen Sie Ihr Verständnis der Konzepte aus Microsoft Azure Fundamentals (AZ-900), die in dieser Lektion behandelt wurden.

In dieser Lektion haben Sie gelernt: Azure AI Services bietet vorgefertigte KI-Funktionen in den Bereichen Vision, Sprache, Speech und Decision, die über REST APIs zugänglich sind. Eine Multi-Service-Ressource vereinfacht den Zugriff mit einem einzigen Endpunkt und Schlüssel. Alle Dienste sollten mit Key Vault und einer verwalteten Identität abgesichert werden und können zur Erfüllung von Anforderungen an die Datenresidenz als Container bereitgestellt werden. Als Nächstes sehen wir uns den praktischen Aufruf der Language- und Vision-APIs an.