Il servizio Azure AI Language e i task di testo
Azure AI Language è il servizio che raccoglie i principali task di natural language processing (NLP) esposti come REST API prebuilt: non serve addestrare un modello, invii testo e ricevi un risultato strutturato. Per l’esame conta riconoscere quale task risolve quale problema.
La sentiment analysis classifica il tono di un testo come positive, negative, neutral o mixed, restituendo per ciascuna etichetta un confidence score tra 0 e 1. L’analisi può scendere fino alla singola frase, e con l’opinion mining (aspect-based) collega un sentiment a uno specifico aspetto (“il servizio era lento” → aspetto “servizio”, sentiment negative). È il task per capire come si sente chi scrive: recensioni, feedback, ticket di supporto.
La key phrase extraction estrae i concetti principali di un documento — i “talking points” — senza classificarli né interpretarli. Serve a farsi un’idea rapida del contenuto di molti documenti (per esempio capire di cosa parlano migliaia di recensioni) senza leggerli. Non dice il sentiment, dice solo di cosa si parla.
L’entity recognition (Named Entity Recognition, NER) individua ed etichetta entità come persone, luoghi, organizzazioni, date, quantità e importi. Varianti utili: entity linking collega un’entità a una voce di knowledge base (es. Wikipedia) per disambiguarla, mentre la PII detection individua ed eventualmente oscura dati personali. È il task quando devi estrarre elementi specifici e strutturati dal testo. Language include anche la language detection (rileva la lingua di un testo), utile come step preliminare.
Azure AI Speech: speech-to-text e text-to-speech
Azure AI Speech copre la conversione fra voce e testo nelle due direzioni.
Lo speech-to-text (STT) trascrive audio parlato in testo. Esiste in modalità real-time (streaming, per dettatura, sottotitoli live, comandi vocali) e batch (transcription asincrona di file già registrati, come archivi di chiamate). È il task per sottotitolazione, note vocali e analisi di call center.
Il text-to-speech (TTS) fa il percorso inverso: sintetizza testo in audio parlato, con neural voices dal suono naturale in molte lingue. Pronuncia, pause, intonazione e stile si controllano tramite SSML (Speech Synthesis Markup Language). È il task per IVR, assistenti vocali, lettura di contenuti e accessibilità.
Speech offre anche speech translation (parlato in una lingua → testo/parlato in un’altra) e speaker recognition, ma il cuore dell’esame è la coppia STT/TTS.
Scegliere il task giusto
Il criterio decisivo negli scenari d’esame è l’output richiesto, non le parole dello scenario:
- Vuoi sapere se un testo è positivo o negativo → sentiment analysis.
- Vuoi i temi principali senza leggere tutto → key phrase extraction.
- Vuoi estrarre nomi, date, luoghi, importi → entity recognition.
- Hai audio e vuoi testo → speech-to-text.
- Hai testo e vuoi audio → text-to-speech.
Tutti questi sono servizi prebuilt: nessun training necessario, si consumano via API/SDK con endpoint e key (o autenticazione tramite Microsoft Entra ID). Per i dettagli operativi aggiornati rimanda sempre alla documentazione ufficiale.
Trappole tipiche d’esame
- “Capire i temi ricorrenti in migliaia di recensioni” → key phrase extraction: l’obiettivo è sapere di cosa si parla, non il tono; la sentiment analysis è il distrattore classico.
- “Sapere se i clienti sono soddisfatti” → sentiment analysis: qui invece serve il tono positive/negative, e le key phrase non danno alcun giudizio.
- “Estrarre date, importi e nomi da un contratto” → entity recognition: non è né sentiment né key phrases; se lo scenario parla di disambiguare l’entità pensa a entity linking, se parla di oscurare dati personali a PII detection.
- “Generare sottotitoli o trascrivere le chiamate registrate” → speech-to-text: audio in ingresso, testo in uscita; attenzione a batch (file già registrati) vs real-time (streaming live).
- “Dare voce a un assistente o leggere testo ad alta voce” → text-to-speech: testo in ingresso, audio in uscita; SSML serve a controllare pronuncia e intonazione, non a trascrivere.
- “Non voglio addestrare nulla” → task prebuilt di Language/Speech: sono tutti pronti all’uso via API; se una domanda insiste sul training di un modello custom, probabilmente non è il task NLP prebuilt che cerchi.