텍스트 분석

Azure 언어는 언어 인식, 감정 분석, 핵심 구 추출 및 엔터티 인식을 포함한 텍스트 분석을 지원합니다.

회사 웹 사이트로 제출된 호텔 리뷰를 처리하려는 여행사의 경우를 예로 들어 보겠습니다. 이 여행사는 Azure AI 언어를 사용하여 각 리뷰를 작성한 언어, 리뷰의 감정(긍정적, 중립, 부정적), 리뷰에 설명되어 있는 주요 토픽을 나타낼 수 있는 핵심 구, 그리고 리뷰에 언급되어 있는 장소, 주요 건물, 사람 등의 명명된 엔터티를 확인할 수 있습니다.

Azure AI 언어 리소스를 프로비전합니다.

구독에 아직 리소스가 없는 경우 Azure 구독에 Azure AI 언어 서비스 리소스를 프로비전해야 합니다.

https://portal.azure.com의 Azure Portal을 열고 Azure 구독과 연관된 Microsoft 계정을 사용하여 로그인합니다.
리소스 만들기를 선택합니다.
검색 필드에서 언어 서비스를 검색합니다. 그런 다음 결과에서 언어 서비스 아래의 만들기를 선택합니다.
계속하여 리소스 만들기를 선택합니다.
다음 설정을 사용하여 리소스를 프로비전합니다.
- 구독: 자신의 Azure 구독.
- 리소스 그룹: 리소스 그룹을 선택하거나 만듭니다.
- 지역: 사용 가능한 지역을 선택합니다.
- 이름: 고유한 이름을 입력합니다.
- 가격 책정 계층: F를 사용할 수 없는 경우 F0(무료) 또는 S(표준)를 선택합니다.
- 담당 AI 알림: 동의합니다.
검토 + 만들기를 선택한 다음, 만들기를 선택하여 리소스를 프로비전합니다.
배포가 완료될 때까지 기다린 다음, 배포된 리소스로 이동합니다.
리소스 관리 섹션의 키 및 엔드포인트를 봅니다. 연습 후반부에서 이 페이지의 정보가 필요합니다.

Visual Studio Code에서 앱 개발 준비

Visual Studio Code를 사용하여 텍스트 분석 앱을 개발합니다. 앱의 코드 파일은 GitHub 리포지토리에 제공되었습니다.

팁: mslearn-ai-language 리포지토리를 이미 복제한 경우 Visual Studio Code에서 엽니다. 그렇지 않은 경우에는 다음 단계에 따라 개발 환경에 복제합니다.

Visual Studio Code 시작
팔레트를 열고(Shift+Ctrl+P) Git: Clone 명령을 실행하여 https://github.com/MicrosoftLearning/mslearn-ai-language 리포지토리를 로컬 폴더(아무 폴더나 관계없음)에 복제합니다.
리포지토리가 복제되면 Visual Studio Code에서 폴더를 엽니다.

참고: Visual Studio Code에서 열려는 코드를 신뢰하라는 팝업 메시지가 표시되면 팝업에서 예, 작성자를 신뢰합니다. 옵션을 클릭합니다.
리포지토리의 C# 코드 프로젝트를 지원하는 추가 파일이 설치되는 동안 기다립니다.

참고: 빌드 및 디버깅에 필요한 자산을 추가하라는 메시지가 표시되면 나중에를 선택합니다.

애플리케이션 사용

C# 및 Python용 애플리케이션과 요약을 테스트하는 데 사용할 샘플 텍스트 파일이 제공되었습니다. 두 앱 모두 동일한 기능을 제공합니다. 먼저, Azure AI 언어 리소스를 사용할 수 있도록 애플리케이션의 일부 주요 부분을 완료합니다.

Visual Studio Code의 탐색기 창에서 Labfiles/01-analyze-text 폴더를 찾아 언어 기본 설정과 포함된 text-analysis 폴더에 따라 CSharp 또는 Python 폴더를 확장합니다. 각 폴더에는 Azure AI 언어 텍스트 분석 기능을 통합할 앱에 대한 언어별 파일이 포함되어 있습니다.
코드 파일이 포함된 text-analysis 폴더를 마우스 오른쪽 단추로 클릭하고 통합 터미널을 엽니다. 그런 다음, 언어 선택에 적절한 명령을 실행하여 Azure AI 언어 Text Analytics SDK 패키지를 설치합니다. Python 연습을 위해 dotenv 패키지도 설치합니다.

C#:
```
 dotnet add package Azure.AI.TextAnalytics --version 5.3.0
```
Python:
```
 pip install azure-ai-textanalytics==5.3.0
 pip install python-dotenv
```
탐색기 창의 text-analysis 폴더에서 기본 설정 언어에 대한 구성 파일을 엽니다.
- C#: appsettings.json
- Python: .env
만든 Azure 언어 리소스의 엔드포인트 및 키를 포함하도록 구성 값을 업데이트합니다(Azure Portal의 Azure AI 언어 리소스에 대한 키 및 엔드포인트 페이지에서 사용 가능).
구성 파일을 저장합니다.
text-analysis 폴더에는 클라이언트 애플리케이션용 코드 파일이 포함되어 있습니다.
- C#: Program.cs
- Python: text-analysis.py
코드 파일을 열고 파일 맨 윗부분의 기존 네임스페이스 참조 아래에 있는 네임스페이스 가져오기 주석을 찾습니다. 그런 다음 이 주석 아래에 다음 언어별 코드를 추가하여 Text Analytics SDK를 사용하는 데 필요한 네임스페이스를 가져옵니다.

C#: Programs.cs
```
 // import namespaces
 using Azure;
 using Azure.AI.TextAnalytics;
```
Python: text-analysis.py
```
 # import namespaces
 from azure.core.credentials import AzureKeyCredential
 from azure.ai.textanalytics import TextAnalyticsClient
```

Main 함수에 Azure AI 언어 서비스 엔드포인트와 구성 파일의 키를 로드하는 코드가 이미 제공되어 있습니다. 그런 후 엔드포인트와 키를 사용하여 클라이언트 만들기 주석을 찾아서 다음 코드를 추가하여 Text Analytics API용 클라이언트를 만듭니다.

C#: Programs.cs

 // Create client using endpoint and key
 AzureKeyCredential credentials = new AzureKeyCredential(aiSvcKey);
 Uri endpoint = new Uri(aiSvcEndpoint);
 TextAnalyticsClient aiClient = new TextAnalyticsClient(endpoint, credentials);

Python: text-analysis.py

 # Create client using endpoint and key
 credential = AzureKeyCredential(ai_key)
 ai_client = TextAnalyticsClient(endpoint=ai_endpoint, credential=credential)

변경 내용을 저장하고 text-analysis 폴더의 통합 터미널로 돌아와서 다음 명령을 입력하여 프로그램을 실행합니다.
- C#: dotnet run
- Python: python text-analysis.py
팁: 터미널 도구 모음의 패널 크기 최대화(^) 아이콘을 사용하면 더 많은 콘솔 텍스트를 볼 수 있습니다.
오류가 발생하지 않고 코드가 실행되어 reviews 폴더에 있는 각 리뷰 텍스트 파일의 내용이 표시되는지 확인합니다. 애플리케이션은 Text Analytics API용 클라이언트를 만들었지만 해당 클라이언트를 사용하지는 않습니다. 다음 절차에서 애플리케이션이 서비스를 사용하도록 수정합니다.

언어를 검색하는 코드 추가

이제 API용 클라이언트를 만들었으므로 이를 사용하여 각 검토가 작성되는 언어를 검색해 보겠습니다.

프로그램의 Main 함수에서 언어 가져오기 주석을 찾습니다. 그 후에 이 주석 아래에 각 리뷰 문서의 언어를 감지하는 데 필요한 코드를 추가합니다.

C#: Programs.cs
```
 // Get language
 DetectedLanguage detectedLanguage = aiClient.DetectLanguage(text);
 Console.WriteLine($"\nLanguage: {detectedLanguage.Name}");
```
Python: text-analysis.py
```
 # Get language
 detectedLanguage = ai_client.detect_language(documents=[text])[0]
 print('\nLanguage: {}'.format(detectedLanguage.primary_language.name))
```
참고: 이 예제에서는 각 리뷰를 개별적으로 분석하므로 각 파일 분석을 위해 서비스를 각기 별도로 호출합니다. 이 방식 대신 문서 컬렉션을 만든 후 단일 호출에서 서비스에 컬렉션을 전달하는 방식을 사용할 수 있습니다. 두 방식에서 모두 서비스의 응답은 문서 컬렉션으로 구성되어 있습니다. 따라서 위 Python 코드의 응답에는 첫 번째(유일한) 문서의 인덱스([0])만 지정되어 있습니다.
변경 내용을 저장합니다. 그런 다음 text-analytic 폴더의 통합 터미널로 돌아가서 프로그램을 다시 실행합니다.
출력을 확인합니다. 이번에는 각 리뷰의 언어가 식별되었습니다.

감정을 평가하는 코드 추가

감정 분석은 텍스트를 긍정적 또는 부정적으로 분류할 때 흔히 사용되는 기술입니다(중립적 또는 혼합으로 분류할 수도 있음).**** 감정 분석은 소셜 미디어 게시물, 제품 리뷰, 그리고 텍스트 감정이 유용한 인사이트를 제공할 수 있는 기타 항목을 분석하는 데 흔히 사용됩니다.

프로그램의 Main 함수에서 감정 가져오기 주석을 찾습니다. 그 후에 이 주석 아래에 각 리뷰 문서의 감정을 감지하는 데 필요한 코드를 추가합니다.

C#: Program.cs

 // Get sentiment
 DocumentSentiment sentimentAnalysis = aiClient.AnalyzeSentiment(text);
 Console.WriteLine($"\nSentiment: {sentimentAnalysis.Sentiment}");

Python: text-analysis.py

 # Get sentiment
 sentimentAnalysis = ai_client.analyze_sentiment(documents=[text])[0]
 print("\nSentiment: {}".format(sentimentAnalysis.sentiment))

변경 내용을 저장합니다. 그런 다음 text-analytic 폴더의 통합 터미널로 돌아가서 프로그램을 다시 실행합니다.
출력을 확인합니다. 리뷰의 감정이 감지되었습니다.

핵심 구를 식별하는 코드 추가

텍스트 본문에서 핵심 구를 식별하면 텍스트에 설명되어 있는 주요 토픽을 확인하는 데 유용할 수 있습니다.

프로그램의 Main 함수에서 핵심 구 가져오기 주석을 찾습니다. 그 후에 이 주석 아래에 각 리뷰 문서의 핵심 구를 감지하는 데 필요한 코드를 추가합니다.

C#: Program.cs

 // Get key phrases
 KeyPhraseCollection phrases = aiClient.ExtractKeyPhrases(text);
 if (phrases.Count > 0)
 {
     Console.WriteLine("\nKey Phrases:");
     foreach(string phrase in phrases)
     {
         Console.WriteLine($"\t{phrase}");
     }
 }

Python: text-analysis.py

 # Get key phrases
 phrases = ai_client.extract_key_phrases(documents=[text])[0].key_phrases
 if len(phrases) > 0:
     print("\nKey Phrases:")
     for phrase in phrases:
         print('\t{}'.format(phrase))

변경 내용을 저장합니다. 그런 다음 text-analytic 폴더의 통합 터미널로 돌아가서 프로그램을 다시 실행합니다.
출력을 확인합니다. 각 문서에는 리뷰 내용과 관련한 몇 가지 인사이트를 제공하는 핵심 구가 포함되어 있습니다.

엔터티를 추출하는 코드 추가

문서나 기타 텍스트 본문에서는 사람, 장소, 기간 또는 기타 엔터티를 언급하는 경우가 많습니다. Text Analytics API는 텍스트 내 엔터티의 여러 범주(및 하위 범주)를 감지할 수 있습니다.

프로그램의 Main 함수에서 엔터티 가져오기 주석을 찾습니다. 그 후에 이 주석 아래에 각 리뷰에 언급되어 있는 엔터티를 식별하는 데 필요한 코드를 추가합니다.

C#: Program.cs

 // Get entities
 CategorizedEntityCollection entities = aiClient.RecognizeEntities(text);
 if (entities.Count > 0)
 {
     Console.WriteLine("\nEntities:");
     foreach(CategorizedEntity entity in entities)
     {
         Console.WriteLine($"\t{entity.Text} ({entity.Category})");
     }
 }

Python: text-analysis.py

 # Get entities
 entities = ai_client.recognize_entities(documents=[text])[0].entities
 if len(entities) > 0:
     print("\nEntities")
     for entity in entities:
         print('\t{} ({})'.format(entity.text, entity.category))

변경 내용을 저장합니다. 그런 다음 text-analytic 폴더의 통합 터미널로 돌아가서 프로그램을 다시 실행합니다.
출력을 확인합니다. 텍스트에서 엔터티가 감지되었습니다.

연결된 엔터티를 추출하는 코드 추가

Text Analytics API는 범주화된 엔터티뿐 아니라 Wikipedia 등의 데이터 원본에 대한 알려진 링크가 있는 엔터티도 감지할 수 있습니다.

프로그램의 Main 함수에서 연결된 엔터티 가져오기 주석을 찾습니다. 그 후에 이 주석 아래에 각 리뷰에 언급되어 있는 연결된 엔터티를 식별하는 데 필요한 코드를 추가합니다.

C#: Program.cs

 // Get linked entities
 LinkedEntityCollection linkedEntities = aiClient.RecognizeLinkedEntities(text);
 if (linkedEntities.Count > 0)
 {
     Console.WriteLine("\nLinks:");
     foreach(LinkedEntity linkedEntity in linkedEntities)
     {
         Console.WriteLine($"\t{linkedEntity.Name} ({linkedEntity.Url})");
     }
 }

Python: text-analysis.py

 # Get linked entities
 entities = ai_client.recognize_linked_entities(documents=[text])[0].entities
 if len(entities) > 0:
     print("\nLinks")
     for linked_entity in entities:
         print('\t{} ({})'.format(linked_entity.name, linked_entity.url))

변경 내용을 저장합니다. 그런 다음 text-analytic 폴더의 통합 터미널로 돌아가서 프로그램을 다시 실행합니다.
출력을 확인합니다. 연결된 엔터티가 식별되었습니다.

리소스 정리

Azure AI 언어 서비스 탐색을 마쳤으면 이 연습에서 만든 리소스를 삭제할 수 있습니다. 이 경우 가능한 방법은 다음과 같습니다.

https://portal.azure.com의 Azure Portal을 열고 Azure 구독과 연관된 Microsoft 계정을 사용하여 로그인합니다.
이 랩에서 만든 Azure AI 언어 리소스를 찾습니다.
리소스 페이지에서 삭제를 선택하고 지침에 따라 리소스를 삭제합니다.

자세한 정보

Azure AI 언어 사용에 대한 자세한 내용은 설명서를 참조하세요.