Snabbstart: Anpassad attitydanalys (förhandsversion)

Förutsättningar

• Azure-prenumeration – Skapa en kostnadsfritt.

Skapa en ny Azure Language-resurs och Ett Azure-lagringskonto

Innan du kan använda anpassad attitydanalys måste du skapa en Azure Language-resurs som ger dig de autentiseringsuppgifter som du behöver för att skapa ett projekt och börja träna en modell. Du behöver också ett Azure Storage-konto där du kan ladda upp din datauppsättning som ska användas för att skapa din modell.

Skapa en ny resurs från Azure Portal

1. Gå till Azure Portal för att skapa en ny Azure AI Language-resurs.

2. I fönstret som visas väljer du den här tjänsten från de anpassade funktionerna. Välj Fortsätt för att skapa resursen längst ned på skärmen.

   

3. Skapa en språkresurs med följande information.

   Name	beskrivning
   Prenumeration	Din Azure-prenumeration.
   Resursgrupp	En resursgrupp som ska innehålla din resurs. Du kan använda en befintlig eller skapa en ny.
   Region	Regionen för språkresursen. Till exempel "USA, västra 2".
   Name	Ett namn på resursen.
   Prisnivå	Prisnivån för din språkresurs. Du kan använda nivån Kostnadsfri (F0) för att prova tjänsten.

   Kommentar

   Om du får ett meddelande om att ditt inloggningskonto inte är ägare till det valda lagringskontots resursgrupp måste ditt konto ha en ägarroll tilldelad till resursgruppen innan du kan skapa en Språkresurs. Kontakta din Azure-prenumerationsägare om du vill ha hjälp.

4. I den här tjänstens avsnitt väljer du ett befintligt lagringskonto eller väljer Nytt lagringskonto. Dessa värden hjälper dig att komma igång och inte nödvändigtvis de lagringskontovärden som du vill använda i produktionsmiljöer. Undvik svarstider när du skapar projektet genom att ansluta till lagringskonton i samma region som språkresursen.

   Lagringskontovärde	Rekommenderat värde
   Lagringskontonamn	Valfritt namn
   Storage account type	Standard LRS

5. Kontrollera att meddelandet om ansvarsfull AI är markerat. Välj Granska + skapa längst ned på sidan och välj sedan Skapa.

Ladda upp exempeldata till blobcontainer

När du har skapat ett Azure-lagringskonto och anslutit det till språkresursen måste du ladda upp dokumenten från exempeldatauppsättningen till rotkatalogen för containern. Dessa dokument kommer senare att användas för att träna din modell.

Börja med att ladda ned exempeldatauppsättningen för anpassade attitydanalysprojekt. Öppna filen .zip och extrahera mappen som innehåller dokumenten. Den angivna exempeldatamängden innehåller dokument, som var och en är ett kort exempel på en kundgranskning.

1. Leta upp filerna som ska laddas upp till ditt lagringskonto

2. I Azure Portal navigerar du till lagringskontot som du skapade och väljer det.

3. I ditt lagringskonto väljer du Containrar på den vänstra menyn under Datalagring. På skärmen som visas väljer du + Container. Ge containern namnet example-data och lämna standardnivån offentlig åtkomst.

   

4. När containern har skapats väljer du den. Välj sedan knappen Ladda upp för att välja filerna .txt och .json som du laddade ned tidigare.

   

Skapa ett projekt för anpassad attitydanalys

När resursen och lagringscontainern har konfigurerats skapar du ett nytt projekt för anpassad attitydanalys. Ett projekt är ett arbetsområde för att skapa dina anpassade ML-modeller baserat på dina data. Ditt projekt kan bara nås av dig och andra som har åtkomst till den språkresurs som används.

1. Logga in på Language Studio. Ett fönster visas där du kan välja din prenumeration och språkresurs. Välj den språkresurs som du skapade i steget ovan.

2. Välj den funktion som du vill använda i Language Studio.

3. Välj Skapa nytt projekt på den översta menyn på projektsidan. När du skapar ett projekt kan du märka data, träna, utvärdera, förbättra och distribuera dina modeller.

   

4. Ange projektinformationen, inklusive ett namn, en beskrivning och språket för filerna i projektet. Om du använder exempeldatauppsättningen väljer du Engelska. Du kan inte ändra namnet på projektet senare. Välj Nästa

   Dricks

   Datamängden behöver inte vara helt på samma språk. Du kan ha flera dokument, var och en med olika språk som stöds. Om datamängden innehåller dokument med olika språk eller om du förväntar dig text från olika språk under körningen väljer du alternativet Aktivera flerspråkig datauppsättning när du anger grundläggande information för projektet. Det här alternativet kan aktiveras senare från sidan Projektinställningar .

5. När du har valt Skapa nytt projekt visas ett fönster där du kan ansluta ditt lagringskonto. Om du redan har anslutit ett lagringskonto visas det anslutna lagringskontot. Om inte väljer du ditt lagringskonto i listrutan som visas och väljer Anslut lagringskonto. Detta anger de roller som krävs för ditt lagringskonto. Det här steget returnerar eventuellt ett fel om du inte har tilldelats som ägare på lagringskontot.

   Kommentar

   • Du behöver bara göra det här steget en gång för varje ny resurs som du använder.
   • Den här processen kan inte ångras, om du ansluter ett lagringskonto till din Språkresurs kan du inte koppla från det senare.
   • Du kan bara ansluta språkresursen till ett lagringskonto.

6. Välj den container där du har laddat upp datamängden.

7. Om du redan har etiketterat data kontrollerar du att de följer formatet som stöds och väljer Ja, mina filer är redan märkta och jag har formaterat JSON-etikettfilen och väljer etikettfilen i den nedrullningsbara menyn. Välj Nästa. Om du använder datauppsättningen från snabbstarten behöver du inte granska formateringen för JSON-etikettfilen.

8. Granska de data som du har angett och välj Skapa projekt.

Träna din modell

När du har skapat ett projekt börjar du vanligtvis märka de dokument som du har i containern som är ansluten till projektet. För den här snabbstarten har du importerat en exempeletiketterad datauppsättning och initierat projektet med JSON-exempeletikettfilen.

Så här börjar du träna din modell inifrån Language Studio:

1. Välj Träningsjobb på menyn till vänster.

2. Välj Starta ett träningsjobb på den översta menyn.

3. Välj Träna en ny modell och skriv in modellnamnet i textrutan. Du kan också skriva över en befintlig modell genom att välja det här alternativet och välja den modell som du vill skriva över från den nedrullningsbara menyn. Att skriva över en tränad modell är oåterkalleligt, men det påverkar inte dina distribuerade modeller förrän du distribuerar den nya modellen.

   

4. Som standard delar systemet upp dina märkta data mellan tränings- och testuppsättningarna enligt angivna procentandelar. Om du har dokument i testuppsättningen kan du dela upp tränings- och testdata manuellt.

5. Välj knappen Träna.

6. Om du väljer ID för träningsjobb i listan visas en sidoruta där du kan kontrollera träningsförloppet, jobbstatusen och annan information för det här jobbet.

   Kommentar

   • Endast slutförda träningsjobb genererar modeller.
   • Träningen kan ta lite tid mellan ett par minuter och flera timmar baserat på storleken på dina märkta data.
   • Du kan bara köra ett träningsjobb i taget. Du kan inte starta ett annat träningsjobb i samma projekt förrän det pågående jobbet har slutförts.

Distribuera din modell

Vanligtvis efter att ha tränat en modell skulle du granska dess utvärderingsinformation och göra förbättringar om det behövs. I den här snabbstarten distribuerar du bara din modell och gör den tillgänglig för dig att prova i Language Studio, eller så kan du anropa förutsägelse-API:et.

Så här distribuerar du din modell inifrån Language Studio:

1. Välj Distribuera en modell från menyn till vänster.

2. Välj Lägg till distribution för att starta ett nytt distributionsjobb.

   

3. Välj Skapa ny distribution för att skapa en ny distribution och tilldela en tränad modell i listrutan nedan. Du kan också skriva över en befintlig distribution genom att välja det här alternativet och välja den tränade modell som du vill tilldela till den i listrutan nedan.

   Kommentar

   Om du skriver över en befintlig distribution krävs inte ändringar i api-anropet för förutsägelse , men de resultat du får baseras på den nyligen tilldelade modellen.

   

4. Välj Distribuera för att starta distributionsjobbet.

5. När distributionen har slutförts visas ett förfallodatum bredvid den. Distributionen upphör att gälla när den distribuerade modellen inte kommer att användas för förutsägelse, vilket vanligtvis sker tolv månader efter att en träningskonfiguration upphör att gälla.

Testa din modell

När din modell har distribuerats kan du börja använda den för att klassificera din text via Förutsägelse-API. I den här snabbstarten använder du Language Studio för att skicka uppgiften Anpassad attitydanalys och visualisera resultatet. I exempeldatauppsättningen som du laddade ned tidigare hittar du några testdokument som du kan använda i det här steget.

Så här testar du dina distribuerade modeller från Language Studio:

1. Välj Testa distributioner på menyn till vänster.

2. Välj den distribution som du vill testa. Du kan bara testa modeller som har tilldelats distributioner.

3. För flerspråkiga projekt går du till listrutan språk och väljer språket för den text som du testar.

4. Välj den distribution som du vill köra frågor mot/testa i listrutan.

5. Du kan ange den text som du vill skicka till begäran eller ladda upp en .txt fil som ska användas.

6. Välj Kör testet på den översta menyn.

7. På fliken Resultat kan du se de extraherade entiteterna från din text och deras typer. Du kan också visa JSON-svaret under fliken JSON .

Rensa projekt

När du inte längre behöver projektet kan du ta bort projektet med Hjälp av Language Studio. Välj den funktion som du använder längst upp och välj sedan det projekt som du vill ta bort. Välj Ta bort på den översta menyn för att ta bort projektet.

Förutsättningar

• Azure-prenumeration – Skapa en kostnadsfritt.

Skapa en ny Azure Language-resurs och Ett Azure-lagringskonto

Innan du kan använda anpassad attitydanalys måste du skapa en Azure Language-resurs som ger dig de autentiseringsuppgifter som du behöver för att skapa ett projekt och börja träna en modell. Du behöver också ett Azure-lagringskonto där du kan ladda upp din datauppsättning som ska användas för att skapa din modell.

Skapa en ny resurs från Azure Portal

1. Gå till Azure Portal för att skapa en ny Azure AI Language-resurs.

2. I fönstret som visas väljer du den här tjänsten från de anpassade funktionerna. Välj Fortsätt för att skapa resursen längst ned på skärmen.

   

3. Skapa en språkresurs med följande information.

   Name	beskrivning
   Prenumeration	Din Azure-prenumeration.
   Resursgrupp	En resursgrupp som ska innehålla din resurs. Du kan använda en befintlig eller skapa en ny.
   Region	Regionen för språkresursen. Till exempel "USA, västra 2".
   Name	Ett namn på resursen.
   Prisnivå	Prisnivån för din språkresurs. Du kan använda nivån Kostnadsfri (F0) för att prova tjänsten.

   Kommentar

   Om du får ett meddelande om att ditt inloggningskonto inte är ägare till det valda lagringskontots resursgrupp måste ditt konto ha en ägarroll tilldelad till resursgruppen innan du kan skapa en Språkresurs. Kontakta din Azure-prenumerationsägare om du vill ha hjälp.

4. I den här tjänstens avsnitt väljer du ett befintligt lagringskonto eller väljer Nytt lagringskonto. Dessa värden hjälper dig att komma igång och inte nödvändigtvis de lagringskontovärden som du vill använda i produktionsmiljöer. Undvik svarstider när du skapar projektet genom att ansluta till lagringskonton i samma region som språkresursen.

   Lagringskontovärde	Rekommenderat värde
   Lagringskontonamn	Valfritt namn
   Storage account type	Standard LRS

5. Kontrollera att meddelandet om ansvarsfull AI är markerat. Välj Granska + skapa längst ned på sidan och välj sedan Skapa.

Ladda upp exempeldata till blobcontainer

När du har skapat ett Azure-lagringskonto och anslutit det till språkresursen måste du ladda upp dokumenten från exempeldatauppsättningen till rotkatalogen för containern. Dessa dokument kommer senare att användas för att träna din modell.

Börja med att ladda ned exempeldatauppsättningen för anpassade attitydanalysprojekt. Öppna filen .zip och extrahera mappen som innehåller dokumenten. Den angivna exempeldatamängden innehåller dokument, som var och en är ett kort exempel på en kundgranskning.

1. Leta upp filerna som ska laddas upp till ditt lagringskonto

2. I Azure Portal navigerar du till lagringskontot som du skapade och väljer det.

3. I ditt lagringskonto väljer du Containrar på den vänstra menyn under Datalagring. På skärmen som visas väljer du + Container. Ge containern namnet example-data och lämna standardnivån offentlig åtkomst.

   

4. När containern har skapats väljer du den. Välj sedan knappen Ladda upp för att välja filerna .txt och .json som du laddade ned tidigare.

   

Hämta din nyckel och slutpunkt

Därefter behöver du nyckeln och slutpunkten från resursen för att ansluta ditt program till API:et. Du klistrar in nyckeln och slutpunkten i koden senare i snabbstarten.

1. När språkresursen har distribuerats klickar du på knappen Gå till resurs under Nästa steg.

   

2. På skärmen för resursen väljer du Nycklar och slutpunkt på den vänstra navigeringsmenyn. Du använder en av dina nycklar och slutpunkten i stegen nedan.

   

Skapa ett projekt för anpassad attitydanalys

När resursen och lagringscontainern har konfigurerats skapar du ett nytt projekt för anpassad attitydanalys. Ett projekt är ett arbetsområde för att skapa dina anpassade ML-modeller baserat på dina data. Ditt projekt kan bara nås av dig och andra som har åtkomst till den språkresurs som används.

Projektjobb för utlösare för import

Skicka en POST-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att importera din etikettfil.

Om det redan finns ett projekt med samma namn ersätts data för projektet.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/:import?api-version={API-VERSION}

Sidhuvuden

Använd följande rubrik för att autentisera din begäran.

Brödtext

Använd följande JSON i din begäran. Ersätt platshållarvärdena nedan med dina egna värden.

{
  "projectFileVersion": "2023-04-15-preview",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "CustomTextSentiment",
    "storageInputContainerName": "text-sentiment",
    "projectName": "TestSentiment",
    "multilingual": false,
    "description": "This is a Custom sentiment analysis project.",
    "language": "en-us"
  },
  "assets": {
    "projectKind": "CustomTextSentiment",
    "documents": [
      {
        "location": "documents/document_1.txt",
        "language": "en-us",
        "sentimentSpans": [
            {
                "category": "negative",
                "offset": 0,
                "length": 28
            }
        ]
      },
      {
          "location": "documents/document_2.txt",
          "language": "en-us",
          "sentimentSpans": [
              {
                  "category": "negative",
                  "offset": 0,
                  "length": 24
              }
          ]
      },
      {
          "location": "documents/document_3.txt",
          "language": "en-us",
          "sentimentSpans": [
              {
                  "category": "neutral",
                  "offset": 0,
                  "length": 18
              }
          ]
      }
    ]
  }
}

När du har skickat din API-begäran får du ett 202 svar som anger att jobbet har skickats korrekt. Extrahera värdet i svarshuvudena operation-location . Den formateras så här:

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

{JOB-ID} används för att identifiera din begäran, eftersom den här åtgärden är asynkron. Du använder den här URL:en för att hämta status för importjobbet.

Möjliga felscenarier för den här begäran:

• Den storageInputContainerName angivna finns inte.
• Ogiltig språkkod används, eller om språkkodtypen inte är sträng.
• multilingual värdet är en sträng och inte ett booleskt värde.

Hämta status för importjobb

Använd följande GET-begäran för att hämta statusen för din import av projektet. Ersätt platshållarvärdena nedan med dina egna värden.

Begärans-URL

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

Sidhuvuden

Använd följande rubrik för att autentisera din begäran.

Träna din modell

När du har skapat ett projekt börjar du vanligtvis tagga de dokument som du har i containern som är ansluten till projektet. I den här snabbstarten har du importerat en exempeltaggad datauppsättning och initierat projektet med JSON-exempeltaggarfilen.

Börja träna din modell

När projektet har importerats kan du börja träna din modell.

Skicka en POST-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att skicka ett träningsjobb. Ersätt platshållarvärdena med dina egna värden.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}

Sidhuvuden

Använd följande rubrik för att autentisera din begäran.

Begärandetext

Använd följande JSON i begärandetexten. Modellen kommer att ges när {MODEL-NAME} träningen är klar. Endast lyckade träningsjobb skapar modeller.

{
	"modelLabel": "{MODEL-NAME}",
	"trainingConfigVersion": "{CONFIG-VERSION}",
	"evaluationOptions": {
		"kind": "percentage",
		"trainingSplitPercentage": 80,
		"testingSplitPercentage": 20
	}
}

När du har skickat din API-begäran får du ett 202 svar som anger att jobbet har skickats korrekt. Extrahera värdet i svarshuvudena location . Den formateras så här:

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

{JOB-ID} används för att identifiera din begäran, eftersom den här åtgärden är asynkron. Du kan använda den här URL:en för att hämta träningsstatusen.

Hämta status för träningsjobb

Träningen kan ta någon gång mellan 10 och 30 minuter. Du kan använda följande begäran för att fortsätta avsöka statusen för träningsjobbet tills det har slutförts.

Använd följande GET-begäran för att få status för din modells träningsförlopp. Ersätt platshållarvärdena med dina egna värden.

Begärans-URL

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Sidhuvuden

Använd följande rubrik för att autentisera din begäran.

Själva svaret

När du har skickat begäran får du följande svar.

{
  "result": {
    "modelLabel": "{MODEL-NAME}",
    "trainingConfigVersion": "{CONFIG-VERSION}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "{JOB-ID}",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}

Distribuera din modell

Vanligtvis efter att ha tränat en modell skulle du granska dess utvärderingsinformation och göra förbättringar om det behövs. I den här snabbstarten distribuerar du bara din modell och gör den tillgänglig för dig att prova i Language Studio, eller så kan du anropa förutsägelse-API:et.

Skicka distributionsjobb

Skicka en PUT-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att skicka ett distributionsjobb. Ersätt platshållarvärdena med dina egna värden.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/deployments/{deploymentName}?api-version={API-VERSION}

Sidhuvuden

Använd följande rubrik för att autentisera din begäran.

Begärandetext

Använd följande JSON i brödtexten i din begäran. Använd namnet på den modell som du tilldelar distributionen.

{
  "trainedModelLabel": "{MODEL-NAME}"
}

När du har skickat din API-begäran får du ett 202 svar som anger att jobbet har skickats korrekt. Extrahera värdet i svarshuvudena operation-location . Den formateras så här:

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

{JOB-ID} används för att identifiera din begäran, eftersom den här åtgärden är asynkron. Du kan använda den här URL:en för att hämta distributionsstatusen.

Hämta status för distributionsjobb

Använd följande GET-begäran för att fråga efter status för distributionsjobbet. Du kan använda den URL som du fick från föregående steg eller ersätta platshållarvärdena med dina egna värden.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Sidhuvuden

Använd följande rubrik för att autentisera din begäran.

Själva svaret

När du har skickat begäran får du följande svar. Fortsätt att avsöka den här slutpunkten tills statusparametern ändras till "lyckades". Du bör få en 200 kod som anger att begäran har slutförts.

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

Klassificera text

När din modell har distribuerats kan du börja använda den för att klassificera din text via Förutsägelse-API. I exempeldatauppsättningen som du laddade ned tidigare hittar du några testdokument som du kan använda i det här steget.

Skicka en anpassad attitydanalysuppgift

Använd den här POST-begäran för att starta en textklassificeringsuppgift.

{ENDPOINT}/language/analyze-text/jobs?api-version={API-VERSION}

Sidhuvuden

Brödtext

{
  "displayName": "Detecting sentiment",
  "analysisInput": {
    "documents": [
      {
        "id": "1",
        "language": "{LANGUAGE-CODE}",
        "text": "Text1"
      },
      {
        "id": "2",
        "language": "{LANGUAGE-CODE}",
        "text": "Text2"
      }
    ]
  },
  "tasks": [
     {
      "kind": "CustomTextSentiment",
      "taskName": "Sentiment analysis",
      "parameters": {
        "projectName": "{PROJECT-NAME}",
        "deploymentName": "{DEPLOYMENT-NAME}"
      }
    }
  ]
}

Response

Du får ett 202-svar som anger att din uppgift har skickats. I svarshuvudena extraherar du operation-location. operation-location är formaterad så här:

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

Du kan använda den här URL:en för att fråga efter uppgiftens slutförandestatus och få resultatet när aktiviteten har slutförts.

Hämta aktivitetsresultat

Använd följande GET-begäran för att fråga efter status/resultat för den anpassade entitetsigenkänningsaktiviteten.

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

Sidhuvuden

Svarstext

Svaret är ett JSON-dokument med följande parametrar

{
  "createdDateTime": "2021-05-19T14:32:25.578Z",
  "displayName": "MyJobName",
  "expirationDateTime": "2021-05-19T14:32:25.578Z",
  "jobId": "xxxx-xxxx-xxxxx-xxxxx",
  "lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
  "status": "succeeded",
  "tasks": {
    "completed": 1,
    "failed": 0,
    "inProgress": 0,
    "total": 1,
    "items": [
      {
        "kind": "EntityRecognitionLROResults",
        "taskName": "Recognize Entities",
        "lastUpdateDateTime": "2020-10-01T15:01:03Z",
        "status": "succeeded",
        "results": {
          "documents": [
            {
              "entities": [
                {
                  "category": "Event",
                  "confidenceScore": 0.61,
                  "length": 4,
                  "offset": 18,
                  "text": "trip"
                },
                {
                  "category": "Location",
                  "confidenceScore": 0.82,
                  "length": 7,
                  "offset": 26,
                  "subcategory": "GPE",
                  "text": "Seattle"
                },
                {
                  "category": "DateTime",
                  "confidenceScore": 0.8,
                  "length": 9,
                  "offset": 34,
                  "subcategory": "DateRange",
                  "text": "last week"
                }
              ],
              "id": "1",
              "warnings": []
            }
          ],
          "errors": [],
          "modelVersion": "2020-04-01"
        }
      }
    ]
  }
}

Rensa resurser

När du inte längre behöver projektet kan du ta bort det med följande DELETE-begäran . Ersätt platshållarvärdena med dina egna värden.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}?api-version={API-VERSION}

Sidhuvuden

Använd följande rubrik för att autentisera din begäran.

När du har skickat din API-begäran får du ett 202 svar som anger att projektet har slutförts, vilket innebär att projektet har tagits bort. Ett lyckat anrop resulterar i ett Operation-Location huvud som används för att kontrollera jobbets status.