Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Foundry Tools helpt ontwikkelaars en organisaties bij het maken van op AI gebaseerde, geavanceerde, productieklare toepassingen die zijn afgestemd op verantwoorde AI-procedures door gebruik te maken van kant-en-klare, vooraf gebouwde en aanpasbare API's en modellen.
In dit artikel worden de beoogde taalverwerkingsmogelijkheden beschreven die Hulpprogramma's bieden, waaronder verwerking van natuurlijke taal, tekstanalyse, taalkennis, vertaling en extractie van documentgegevens. Het bevat de volgende services:
Azure Language in Foundry Tools is een cloudservice die natuurlijke taalverwerkingsfuncties biedt voor het begrijpen en analyseren van tekst, waaronder NER (named entity recognition), sentimentanalyse, taaldetectie, samenvatting en antwoord op vragen.
Azure Translator in Foundry Tools is een service voor automatisch vertalen. Het biedt realtime tekstomzetting, batch- en documentomzetting met één bestand en aangepaste vertalingen die u kunt gebruiken om gespecialiseerde terminologie of branchespecifieke taal voor uw gebruiksscenario in te voegen. Azure Translator ondersteunt meerdere talen.
Azure Document Intelligence in Foundry Tools is een service waarmee afbeeldingen rechtstreeks worden geconverteerd naar elektronische formulieren. U kunt verwachte velden en zoekafbeeldingen opgeven die u opgeeft om deze velden vast te leggen zonder menselijke tussenkomst. Azure Document Intelligence fungeert als host voor veel vooraf gedefinieerde modellen. U kunt deze ook gebruiken om uw eigen aangepaste modellen te bouwen.
Azure Content Understanding in Foundry Tools is een service die gebruikmaakt van generatieve AI om schemagedefinieerde velden uit documenten te extraheren met behulp van beschrijvingen van natuurlijke taal. Gebruik Azure Content Understanding wanneer uw documenttype geen vooraf samengesteld Azure Document Intelligence-model heeft, wanneer u betrouwbaarheidsscores en grondbeginselen nodig hebt voor geautomatiseerde werkstromen of wanneer u klaar bent voor het ophalen van augmented generation (RAG)-kant-en-klare Markdown-uitvoer.
Foundry Models is een service die AI-modellen biedt die u rechtstreeks via API's kunt gebruiken voor taaltaken zoals het genereren, samenvatten en vertalen van inhoud.
Azure Taal
Azure Language biedt gespecialiseerde hulpprogramma's waarmee agents worden verbonden met taalverwerkingsservices via gestandaardiseerde protocollen.
| Azure Language gebruiken voor deze taken | Gebruik geen Azure-taal voor deze taken |
|---|---|
| Intelligente toepassingen bouwen met behulp van de webgebaseerde Microsoft Foundry, REST API's en clientbibliotheken. | Documenten doorzoeken via chat. Gebruik in plaats daarvan Azure AI Zoeken . |
| Werk met gestructureerde of ongestructureerde documenten voor het brede scala aan taalgerelateerde taken dat in dit artikel wordt beschreven. | Controleer documenten op inhoudsveiligheid. Gebruik in plaats daarvan Content Safety in Foundry Control Plane. |
| Documenten vertalen. Gebruik Azure Translator voor vertaling. |
Beschikbare Azure-taalprogramma's
De MCP-server (Azure Language Model Context Protocol) verbindt agents rechtstreeks met Azure Language Services via de MCP. Met deze integratie kunnen ontwikkelaars gesprekstoepassingen bouwen met betrouwbare mogelijkheden voor verwerking van natuurlijke taal en tegelijkertijd naleving, gegevensbescherming en nauwkeurigheid van de verwerking in AI-werkstromen garanderen. Azure Language biedt zowel externe als lokale MCP-serveropties:
- Externe server: Beschikbaar via de catalogus Hulpprogramma's voor implementaties in de cloud.
- Lokale server: Beschikbaar voor ontwikkelaars die de server liever hosten in hun eigen omgeving.
Beschikbare Azure Language-agents
De volgende tabel bevat een lijst met agents die beschikbaar zijn in Azure Language voor conversationele AI-scenario's.
| Agent | Beschrijving |
|---|---|
| Intentie-routering agent | Beheert gespreksstromen door inzicht te krijgen in gebruikersintenties en nauwkeurige antwoorden te leveren in conversationele AI-toepassingen. Maakt gebruik van voorspelbare besluitvormingsprocessen in combinatie met gecontroleerde responsgeneratie om consistente, betrouwbare interacties te garanderen. |
| Exact vraag-antwoord systeem | Biedt betrouwbare, woord-voor-woord-antwoorden op belangrijke zakelijke vragen. Automatiseert veelgestelde vragen met behoud van menselijk toezicht en kwaliteitscontrole om nauwkeurigheid en naleving te garanderen. |
Beschikbare Azure-taalfuncties
De volgende tabel bevat een lijst met functies die beschikbaar zijn in Azure Language.
| Feature | Beschrijving |
|---|---|
| NER | Identificeert verschillende vermeldingen in tekst en categoriseert deze in vooraf gedefinieerde typen, zoals personen, gebeurtenissen, plaatsen en datums. |
| Detectie van persoonlijke gegevens en statusgegevens | Identificeert entiteiten in tekst en gesprekken, waaronder chat of transcripties, die zijn gekoppeld aan personen. Detecteert en redaceert gevoelige informatie, zoals telefoonnummers, e-mailadressen en vormen van identificatie. |
| Taaldetectie | Evalueert tekst en detecteert een breed scala aan talen en dialecten. |
| Sentimentanalyse en opinieonderzoek | Helpt u inzicht te hebben in de publieke perceptie van uw merk of onderwerp door tekst te analyseren op tekenen van positief of negatief gevoel en deze te koppelen aan specifieke aspecten van de inhoud. |
| Samenvatting | Condenseert informatie voor tekst en gesprekken. Ondersteunt extraherende samenvatting die belangrijke zinnen selecteert, abstractieve samenvatting die beknopte nieuwe zinnen genereert, gespreksamenvatting die vergaderingen samenvat met tijdstempels, en callcenter samenvatting. |
| Sleuteltermextractie | Evalueert en retourneert de belangrijkste concepten in ongestructureerde tekst als een lijst. |
| Entiteiten koppelen | Maakt de identiteit van entiteiten, zoals woorden of woordgroepen, in ongestructureerde tekst eenduidig en geeft links naar Wikipedia terug. Entiteitskoppeling wordt buiten gebruik gesteld op 1 september 2028. U wordt aangeraden bestaande workloads te migreren naar NER. |
| Tekstanalyse voor gezondheid | Haalt relevante medische informatie op uit ongestructureerde teksten, zoals doktersnotities, kwijtingsoverzichten, klinische documenten en elektronische gezondheidsdossiers. Wanneer u uw workload ontwerpt, evalueert u de verwerkingslocatie en gegevenslocatie van deze in de cloud gehoste functie om ervoor te zorgen dat deze aansluit bij uw nalevingsverwachtingen. Sommige workloads kunnen beperkingen ondervinden die hun capaciteit beperken om gezondheidszorggegevens te verzenden naar een platform dat in de cloud wordt gehost. U kunt deze API gebruiken als een Docker-container om uw eigen compute in de cloud of on-premises te hosten. Dit proces kan helpen bij het oplossen van nalevingsproblemen met betrekking tot het gebruik van PaaS-aanbiedingen (Platform as a Service). Zie voor meer informatie Text Analytics gebruiken voor gezondheidscontainers. |
| Aangepaste tekstclassificatie | Bouwt aangepaste AI-modellen om ongestructureerde tekstdocumenten te classificeren in aangepaste klassen die u definieert. |
| Aangepaste NER | Bouwt aangepaste AI-modellen om aangepaste entiteitscategorieën, zoals labels voor woorden of woordgroepen, te extraheren met behulp van ongestructureerde tekst die u opgeeft. |
| Conversational Language Understanding (CLU) | Bouwt aangepaste modellen voor natuurlijke taalverwerking om de intentie van de gebruiker te voorspellen op basis van elke invoer en belangrijke informatie extraheren. |
| Orchestratie-werkstroom | Verbindt CLU en vraag en antwoord toepassingen. |
| Antwoord op vragen | Identificeert het meest geschikte antwoord voor gebruikersinvoer. Vaak gebruikt voor het bouwen van gespreksclienttoepassingen, zoals sociale mediatoepassingen, chatbots en desktoptoepassingen met spraak. |
Een azure-taalfunctie kiezen
De volgende tabel bevat een lijst met mogelijke gebruiksvoorbeelden voor Azure Language. Als een functie aanpasbaar is, kunt u een AI-model trainen met behulp van Microsoft-hulpprogramma's om uw specifieke gegevens aan te passen. Anders is de functie vooraf geconfigureerd, wat betekent dat de AI-modellen ongewijzigd blijven. U verstrekt uw gegevens en gebruikt de uitvoer van de functie in uw toepassingen.
Azure Translator van Microsoft
Azure Translator is een cloudservice voor neurale machinevertaling (NMT). Azure Translator biedt veel Microsoft-producten en -services die bedrijven wereldwijd gebruiken voor taalomzetting en andere taalgerelateerde taken.
| Azure Translator gebruiken voor deze taken | Gebruik Azure Translator niet voor deze taken |
|---|---|
| Vertaal specifiek. Azure Translator is effectiever en rendabeler dan basistaalmodellen voor algemeen gebruik vanwege de beoogde vertaalmodellen. | Start een gesprek via chat. |
| Analyseer inhoud voor sentiment. Gebruik Azure Language voor sentimentanalyse. | |
| Inhoud modereren. Gebruik voor contentmoderatie Content Safety. |
Functies en ontwikkelopties
De volgende tabel bevat een lijst met functies die beschikbaar zijn in Azure Translator.
| Feature | Beschrijving |
|---|---|
| Tekstvertaling (preview) | Gebruik de preview-versie 2025-10-01 om standaard NMT of een taalmodelimplementatie (GPT-4o-mini of GPT-4o) te selecteren om tekst te vertalen. U hebt een Foundry-resource nodig om een taalmodelimplementatie te kunnen gebruiken. |
| Tekstomzetting v3 (GA) | Tekst in realtime vertalen tussen ondersteunde bron- en doeltalen. Maak een dynamische woordenlijst en leer hoe u vertalingen kunt voorkomen met behulp van de Azure Translator-API. |
| Asynchrone documentvertaling | Vertaal batchbestanden en complexe bestanden met behoud van de structuur en opmaak van de oorspronkelijke documenten. Voor het batchvertaalproces is een Azure Blob Storage-account vereist met containers voor uw bron- en vertaalde documenten. |
| Synchrone documentomzetting | Vertaal één documentbestand alleen of met een woordenlijstbestand, met behoud van de structuur en opmaak van het oorspronkelijke document. Voor het vertaalproces van het bestand is geen Blob Storage-account vereist. Het uiteindelijke antwoord bevat het vertaalde document en wordt rechtstreeks naar de aanroepende client geretourneerd. |
| Vertaler op maat | Bouw aangepaste modellen om domeinspecifieke en branchespecifieke taal, terminologie en stijl te vertalen. Maak een woordenlijst met woordgroepen of zinnen voor aangepaste vertalingen. |
Aanbeveling
Gebruik Foundry voor tekst- en synchrone documentomzettingstaken via een interface zonder code.
Gebruiksgevallen
De volgende tabel bevat een lijst met mogelijke use cases voor Azure Translator.
| Gebruiksscenario | Documentatie |
|---|---|
| Branchespecifieke tekst vertalen. | Vertaler op maat |
| Algemene tekst vertalen die niet specifiek is voor een branche. | Tekstvertaling |
Azure Documentintelligentie
Gebruik Azure Document Intelligence om documentverwerking in toepassingen en werkstromen te automatiseren, gegevensgestuurde strategieën te verbeteren en mogelijkheden voor documentzoekopdrachten te verrijken.
| Azure Document Intelligence gebruiken voor deze taken | Gebruik Azure Document Intelligence niet voor deze taken |
|---|---|
| Extraheer specifieke velden uit bekende documenttypen met een vooraf samengesteld model, zoals facturen, ontvangstbewijzen, W-2s of id-documenten. | Extraheer velden uit aangepaste documenttypen die geen vooraf gedefinieerd model hebben en waarvoor flexibele, schemagedefinieerde extractie is vereist. Gebruik in plaats daarvan Azure Content Understanding . |
| Verwerkt grote hoeveelheden gestructureerde of semi-gestructureerde documenten wanneer u deterministische, lage variabiliteitsextractie nodig hebt. | Bouw RAG-pijplijnen waarvoor Markdown-geformatteerde uitvoer vereist is, met ingebedde afbeeldingen, sectiehiërarchie en een structuur die opgedeeld kan worden. Gebruik in plaats daarvan Azure Content Understanding . |
| Aangepaste neurale modellen of sjabloonmodellen trainen op gelabelde datasets voor documenttypen die specifiek zijn voor uw bedrijf. | Betrouwbaarheidsscores en aarding vereisen voor elk geëxtraheerd veld om werkstromen voor menselijke in-the-loop-beoordeling te stimuleren. Gebruik in plaats daarvan Azure Content Understanding . |
| Identificeer belangrijke structuren, zoals kopteksten, voetteksten en hoofdstukeinden, in verschillende verzamelingen documenten om programmatisch met het document te communiceren. |
Modellen voor documentanalyse
Documentanalysemodellen extraheren tekst uit formulieren en documenten en retourneren gestructureerde, zakelijke inhoud.
| Model | Beschrijving |
|---|---|
| Lezen | Gedrukte en handgeschreven tekst extraheren uit documenten. Gebruik deze functie voor het digitaliseren van documenten, compliance- en controletaken en het verwerken van handgeschreven notities. |
| Indeling | Tekst, tabellen en documentstructuur extraheren. Gebruik deze indeling voor documentindexering en het ophalen van documenten per structuur en voor analyse van financiële en medische rapporten. |
Vooraf samengestelde modellen van documenten
Vooraf gemaakte modellen voegen intelligente documentverwerking toe aan uw apps en stromen zonder dat u uw eigen modellen hoeft te trainen en te bouwen.
| Model | Beschrijving |
|---|---|
| Factuur | Klant- en leveranciergegevens extraheren uit facturen. Gebruiken voor crediteurenverwerking en geautomatiseerde belastingregistratie en rapportage. |
| Kwitantie | Extraheer verkooptransactiegegevens uit kwitanties. Gebruik deze functie voor onkostenbeheer, analyse van gegevens over consumentengedrag en verwerking van retouren. |
| Identiteit | Haal belangrijke informatie op uit paspoorten, id-kaarten en rijbewijs. Gebruik deze functie voor Kyc-naleving (Know Your Customer), medisch accountbeheer en identiteitscontrolepunten. |
| Zorgverzekeringskaart | Haal belangrijke informatie op uit amerikaanse zorgverzekeringskaarten, zoals verzekeraar, lid en groepsnummer. Gebruiken voor dekking en geschiktheidsverificatie en analyse op basis van waarden. |
| Contract | Gegevens van overeenkomsten en partijen extraheren uit contracten in verschillende indelingen, waaronder gescande documenten en digitale PDF-bestanden. |
| Creditcard | Sleutelvelden extraheren uit creditcards en betaalkaarten, zoals kaartnummer, uitgevende bank en vervaldatum. |
| Bankafschrift | Accountgegevens en transactiegegevens extraheren uit bankafschriften. Gebruiken voor belastingverwerking, boekhoudingsbeheer en de verwerking van de leningdocumentatie. |
| Bankcheque | Relevante informatie extraheren uit controles. Gebruik voor kredietbeheer en geautomatiseerd kredietverlenerbeheer. |
| Loonstrookje | Breng details van de loonstrook in kaart. Gebruik deze functie voor de controle van de salarisadministratie en fraudedetectie van werknemers. |
| Huwelijksakte | Gecertificeerde huwelijksgegevens extraheren uit Amerikaanse huwelijkscertificaten. |
| Amerikaanse hypotheekdocumenten | Gegevens van de leningsaanvraag extraheren uit 1003-, 1004-, 1005- en 1008-formulieren en uit sluitingsopenbaarmakingen. Gebruik voor documentatievereisten voor Fannie Mae en Freddie Mac. |
| Amerikaanse belastingdocumenten | Gegevens extraheren uit W-2-, 1098-, 1099- en 1040 belastingformuliervariaties. Gebruiken voor geautomatiseerd belastingdocumentbeheer en verwerking van hypotheekleningen. |
Aangepaste modellen
Train aangepaste modellen met behulp van uw gelabelde gegevenssets om afzonderlijke gegevens te extraheren uit formulieren en documenten die specifiek zijn voor uw gebruiksvoorbeelden.
| Model | Beschrijving |
|---|---|
| Aangepaste neurale | Gegevens extraheren uit documenten van verschillende typen, waaronder gestructureerde documenten zoals enquêtes en vragenlijsten, semigestructureerde documenten, zoals facturen en inkooporders, en ongestructureerde documenten zoals contracten en brieven. |
| Aangepaste sjabloon | Gelabelde waarden en velden extraheren uit gestructureerde en semi-gestructureerde documenten met gedefinieerde visuele sjablonen of algemene visuele indelingen. |
| Aangepast samengesteld | Combineer een verzameling aangepaste modellen om vergelijkbare formuliertypen te analyseren, zoals inkooporders. |
| Aangepaste classificatie | Identificeer aangewezen documenttypen of -klassen voordat u een extractiemodel aanroept. Wordt gebruikt voor leningsaanvraagpakketten die toepassingsformulieren, betalingsbonnen en bankafschriften bevatten. |
Mogelijkheden voor invoegtoepassingen
Azure Document Intelligence ondersteunt de volgende optionele functies die u kunt in- of uitschakelen, afhankelijk van het scenario voor documentextractie:
- Extractie met hoge resolutie
- Formuleextractie
- Extractie van lettertype-eigenschap
- Extractie van streepjescode-eigenschap
- Doorzoekbare PDF
- Queryvelden
- Sleutel-waardeparen
Zie Een Azure Document Intelligence-model kiezen voor meer informatie over modelscenario's.
Azure Inhoudsbegrip
Azure Content Understanding maakt gebruik van generatieve AI om gestructureerde velden uit documenten te extraheren op basis van een schema dat u in natuurlijke taal definieert. In tegenstelling tot Azure Document Intelligence, die afhankelijk is van vooraf getrainde of aangepaste machine learning-modellen die zijn gekoppeld aan specifieke documentindelingen, gebruikt Azure Content Understanding generatieve modellen om redeneren over documentinhoud en schemagerichte JSON- of RAG-kant-en-klare Markdown-uitvoer te produceren. Het biedt ook betrouwbaarheidsscores per veld en onderbouwing. Gebruik deze functies om werkstromen te automatiseren met gerichte menselijke beoordeling.
| Azure Content Understanding gebruiken voor deze taken | Gebruik Azure Content Understanding niet voor deze taken |
|---|---|
| Extraheer velden uit documenttypen die geen vooraf samengesteld Azure Document Intelligence-model hebben met behulp van schemadefinities die in natuurlijke taal zijn geschreven. | Extraheer velden uit standaarddocumenttypen die een bestaand vooraf samengesteld Azure Document Intelligence-model hebben. Azure Document Intelligence is rendabeler en deterministisch voor deze scenario's. |
| Bouw RAG-pijplijnen die Markdown-uitvoer vereisen die indeling, koppen, tabellen, afbeeldingen en aantekeningen voor vectorindexering behouden. | Verwerkt grote hoeveelheden eenvoudige, gestructureerde documenten wanneer u de variabiliteit en kosten van het taalmodel moet minimaliseren. Gebruik in plaats daarvan Azure Document Intelligence . |
| Automatiseringswerkstromen stimuleren waarvoor betrouwbaarheidsscores per veld en aarding nodig zijn om records met lage betrouwbaarheid te routeren naar menselijke beoordeling. | Voer algemene taaltaken uit, zoals samenvatting of sentimentanalyse. Gebruik in plaats daarvan Azure-taal of -modellen . |
| Classificeer documenttypen voordat u ze doorsturen naar de juiste analyse in een pijplijn voor gemengde documenten. |
Beschikbare Azure Content Understanding-functies voor documenten
De volgende tabel bevat een lijst met documentfuncties die beschikbaar zijn in Azure Content Understanding.
| Feature | Beschrijving |
|---|---|
| Inhoudsextractie | Transformeert ongestructureerde documenten in gestructureerde, machineleesbare gegevens. Hiermee worden afgedrukte en handgeschreven tekst, selectiemarkeringen, streepjescodes, wiskundige formules, afbeeldingselementen, hyperlinks en aantekeningen vastgelegd. Documentstructuur behouden, waaronder alinea's, tabellen, hiërarchische secties en afbeeldingselementen. |
| Veldextractie | Extraheert gestructureerde sleutel-waardeparen uit documenten op basis van een schema dat u definieert. Extraheer velden rechtstreeks uit de bron, classificeer ze uit een vooraf gedefinieerde set categorieën of genereer ze met behulp van een generatief model. Wanneer u zich aanmeldt, retourneert de Analyze-API elke geëxtraheerde veldwaarde met een betrouwbaarheidsscore en brongronding, zodat u downstreamwerkstromen kunt automatiseren, zoals het routeren van velden met een lage betrouwbaarheid voor menselijke beoordeling. |
| Vooraf gemaakte documentanalysemodellen | Kant-en-klare analyses voor algemene bedrijfsscenario's, waaronder levenscyclusbeheer van contracten, lenings- en hypotheekaanvragen, financiële rapporten, onkostenbeheer en knowledge base-scenario's. |
| RAG-uitvoer | Produceert met Markdown opgemaakte uitvoer die documentstructuur behoudt voor gebruik in vectorarchieven en zoekindexen. Ondersteunt afbeeldingsbeschrijvingen, indelingsanalyse en detectie van aantekeningen, zodat werkstromen voor het ophalen toegang hebben tot inhoud die standaardsegmentering over het hoofd ziet. |
Gebruiksgevallen
De volgende tabel bevat een lijst met mogelijke use cases voor Azure Content Understanding voor documenten.
| Gebruiksscenario | Beschrijving |
|---|---|
| Levenscyclusbeheer van contracten | Pak belangrijke velden, componenten en verplichtingen uit verschillende contracttypen uit zonder een indelingsspecifiek model te trainen. |
| Verwerking van lenings- en hypotheekaanvraag | Automatiseer de verwerking van aanvullende ondersteunende documentatie uit verschillende indelingen en sjablonen die verder gaan dan wat vooraf samengestelde modellen van Azure Document Intelligence-hypotheek ondersteunen. |
| Onkostenbeheer | Het parseren van ontvangstbewijzen en facturen van verschillende retailers en in diverse indelingen door middel van extractie gedefinieerd door een schema, waarbij betrouwbaarheidsscores worden gebruikt om records te markeren die menselijke beoordeling vereisen. |
| Opname van RAG-documenten | Converteer ongestructureerde documenten naar gestructureerde, doorzoekbare gegevensassets met markdown-uitvoer met indelingsbehoud voor gebruik in RAG-zoekpijplijnen en agentwerkstromen. |
| Classificatie en routering van gemengde documenten | Classificeer binnenkomende documenten op type en routeer elk type naar de juiste analyse. Deze aanpak zorgt voor volledige automatisering van pijplijnen die meerdere documenttypen verwerken. |
Modellen
Modellen bieden toegang tot een catalogus met basismodellen van Microsoft, OpenAI en andere toonaangevende providers. Deze modellen kunnen algemene taaltaken uitvoeren, zoals het genereren, samenvatten, vertalen en gespreksinteracties.
| Modellen gebruiken voor deze taken | Overweeg gespecialiseerde services wanneer u deze mogelijkheden nodig hebt |
|---|---|
| Genereer creatieve inhoud, concepten of variaties van tekst. | Consistente, herhaalbare verwerkingstaken voor natuurlijke taal, zoals NER of sentimentanalyse op schaal. Azure Language biedt geoptimaliseerde, rendabele API's voor deze specifieke taken. |
| Lange documenten of gesprekken samenvatten. | Vertaling voor grote hoeveelheden documenten met behoud van opmaak. Azure Translator is geoptimaliseerd voor het behoud van vertaalkwaliteit en documentstructuur. |
| Bouw conversationele AI-ervaringen en chatbots. | Gestructureerde gegevensextractie van formulieren en facturen met hoge nauwkeurigheid. Azure Document Intelligence biedt vooraf samengestelde modellen die specifiek zijn getraind voor documenttypen. |
| Beantwoord algemene vragen op basis van de opgegeven context. | |
| Niet-geplande taaltaken uitvoeren met flexibele prompts. |
Beschikbare modellen
Modellen bevatten de volgende AI-modellen van meerdere providers.
| Modelfamilie | Beschrijving |
|---|---|
| GPT-4o en GPT-4o mini | OpenAI multimodale modellen die zowel tekst als afbeeldingen kunnen verwerken, met verbeterde nauwkeurigheid en reactiesnelheid voor Engelse tekst- en coderingstaken. |
| GPT-4.1-serie | OpenAI-modellen voor tekst- en afbeeldingsverwerking met grote contextvensters (maximaal één miljoen tokens) voor het verwerken van uitgebreide documenten. |
| GPT-5 familie | OpenAI's vlaggenschipmodellen van de nieuwste generatie met geavanceerde redenering, multimodale mogelijkheden en verbeterde opvolging van instructies. Deze modellen zijn geschikt voor complexe, taaltaken met meerdere stappen waarvoor hoge nauwkeurigheid is vereist. |
| o-serie (o3, o4-mini) | OpenAI-redeneringsmodellen die zijn ontworpen voor geavanceerde probleemoplossingstaken die meer aandacht en mogelijkheden vereisen op gebieden zoals wetenschap, codering en wiskunde. |
| Phi-4 familie | Kleine taalmodellen (SLM's) van Microsoft geoptimaliseerd voor complexe redenering. Phi-4 (14B-parameters) excelleert in scenario's met lage latentie, terwijl Phi-4-reasoning en Phi-4-mini-reasoning gespecialiseerde redeneringsmogelijkheden bieden voor het oplossen van taken met meerdere stappen waarvoor minder resources nodig zijn. Ondersteunt meer dan 40 talen. |
| DeepSeek | Modellen met open gewicht, waaronder DeepSeek-R1 voor redeneringstaken en DeepSeek-V3 reeksen voor taalbegrip voor algemeen gebruik. Bekend om sterke prestaties voor coderen en wiskundige redeneringsbenchmarks. |
| Grok | xAI-modellen, waaronder Grok-3, Grok-4 en gespecialiseerde varianten voor redenerings- en coderingstaken. Beschikbaar in configuraties voor snelle redenering en niet-redenering. |
| Lama | Meta's open modellen, waaronder Llama-3.3-70B-Instruct en Llama-4-Maverick voor algemene taaltaken. |
| Mistral | Europese AI-modellen, waaronder Mistral-Large-3 en mistral-document-ai voor documentverwerkingsscenario's. |
| Embeddingsmodellen | Modellen van meerdere providers die tekst omzetten in numerieke vectorvorm om tekst vergelijkbaar te maken en semantische zoekopdrachten mogelijk te maken. |
Zie Modellen die rechtstreeks door Azure worden verkocht voor een volledige lijst met beschikbare modellen en regionale beschikbaarheid.
Aan de slag
Als u modellen voor taaltaken wilt gaan gebruiken, voert u een van de volgende methoden uit:
Aanpak zonder code: Gebruik de chatspeeltuin in de Foundry-portal om modellen en testprompts interactief te implementeren.
Op code gebaseerde benadering: Gebruik de Foundry SDK om modellen te integreren in uw toepassingen met behulp van Python, C#, TypeScript of Java.