Поделиться через


Быстрый старт: Оркестрация процессов

Эта статья поможет вам приступить к работе с оркестрацией рабочих процессов с помощью Language Studio и REST API. Чтобы испытать пример, выполните следующие действия.

Предварительные условия

Вход в Language Studio

  1. Перейдите в Language Studio и войдите в учетную запись Azure.

  2. В появившемся окне Выбор языкового ресурса найдите свою подписку Azure и выберите свой языковой ресурс. Если у вас нет ресурса, можно его создать.

    Сведения об экземпляре Обязательное значение
    Подписка Azure. Ваша подписка Azure.
    Группа ресурсов Azure Ваша группа ресурсов Azure.
    Имя ресурса Azure Имя ресурса Azure
    Расположение Допустимое расположение для ресурса Azure. Например, "Западная часть США 2".
    Ценовая категория Поддерживаемая ценовая категория для ресурса Azure. Вы можете использовать уровень "Бесплатный" (F0), чтобы поработать со службой.

    Снимок экрана: экран выбора ресурса в Language Studio.

Создание проекта для рабочего процесса оркестрации

Создав языковой ресурс, создайте проект рабочего процесса оркестрации. Проект — это рабочая область для создания настраиваемых моделей машинного обучения на основе данных. Получить доступ к вашему проекту можете только вы и другие пользователи, у которых есть доступ к используемому ресурсу службы "Язык".

Для этого краткого руководства выполните действия, описанные в кратком руководстве по распознаванию устной речи, чтобы создать проект распознавания устной речи, который будет использоваться позже.

  1. В Language Studio найдите раздел Распознавать вопросы и устную речь и выберите Рабочий процесс оркестрации.

    Снимок экрана: расположение раздела

  2. Вы перейдете на страницу проекта для рабочего процесса оркестрации. Выберите команду Создать проект. Чтобы создать проект, необходимо предоставить указанные ниже сведения.

значение Описание
Имя. Имя проекта.
Описание Необязательное описание проекта.
Основной язык высказываний Основной язык проекта. Данные обучения должны быть преимущественно на этом языке.

Когда все будет готово, нажмите Далее и проверьте подробные сведения. Чтобы завершить процесс, выберите Создать проект. Теперь в вашем проекте должен появиться экран Построение схемы.

Создание схемы

После завершения начального руководства по пониманию разговорного языка и создания проекта оркестрации следующим шагом является добавление намерений.

Чтобы подключиться к ранее созданному проекту распознавания речи, выполните следующие действия:

  • На странице схемы сборки в вашем проекте оркестрации выберите "Добавить", чтобы добавить интент.
  • В появившемся окне присвойте намерению имя.
  • Выберите Yes, I want to connect it to an existing project (Да, я хочу подключить его к существующему проекту).
  • В раскрывающемся списке подключенных служб выберите Распознавание устной речи.
  • В раскрывающемся списке с именами проектов выберите свой проект распознавания устной речи.
  • Нажмите кнопку "Добавить намерение", чтобы создать намерение.

Обучение модели

Чтобы обучить модель, необходимо запустить задание обучения. Выходные данные успешного задания обучения — это обученная модель.

Чтобы начать обучение модели в студии "Язык", сделайте следующее:

  1. Выберите элемент Задания обучения в меню слева.

  2. В верхнем меню выберите Запустить задание на обучение.

  3. Выберите Train a new model и введите имя модели в текстовое поле. Можно также перезаписать существующую модель. Для этого выберите соответствующий параметр и укажите модель, которую требуется перезаписать, в раскрывающемся меню. Перезапись обученной модели необратима, но это не повлияет на развернутые модели до тех пор, пока вы не развернете новую модель.

    Если вы включили проект для ручного разделения данных при разметке речевых фрагментов, то увидите два варианта разделения данных:

    • Автоматическое выделение тестового набора из обучающих данных: речевые фрагменты с метками будут случайным образом разделены между обучающим и тестовым наборами в указанной вами пропорции. Разделение по умолчанию — 80 % для обучения и 20 % для тестирования. Чтобы изменить эти значения, выберите набор, который хотите изменить, и введите новое значение.

    Примечание.

    Если вы выберете вариант Автоматическое выделение тестового набора из обучающих данных, выбранные процентные доли будут применяться только для разделения речевых фрагментов в обучающем наборе.

    • Используйте ручное разделение обучающих и тестовых данных: назначьте каждый речевой фрагмент или в обучающий, или в тестовый набор на этапе тегирования проекта.

    Примечание.

    Вариант Ручное разделение обучающих и тестовых данных будет включен только, если вы добавите высказывания в тестовый набор на странице данных тегов. В противном случае он будет отключен.

    Снимок экрана, показывающий страницу модели обучения для проектов по пониманию разговорного языка.

  4. Выберите кнопку Обучить.

Примечание.

  • Модели будут создаваться только с помощью успешно завершенных заданий обучения.
  • Обучение может занять от нескольких минут до нескольких часов в зависимости от размера данных с тегами.
  • В каждый момент времени может выполняться только одно задание на обучение. Нельзя запустить другое задание обучения в том же проекте до тех пор, пока не будет завершено выполнение задания.

Разверните вашу модель

Обычно после обучения модели, вы детально изучаете сведения о её оценке. В этом кратком руководстве вы просто развернете свою модель и сделаете её доступной для испытания в Language Studio или можете вызвать API прогнозирования.

Чтобы развернуть модель в Языковой студии, выполните следующие действия.

  1. В меню слева выберите Развертывание модели.

  2. Выберите Добавить развертывание чтобы запустить новое задание развертывания.

    Снимок экрана: кнопка развертывания модели в Language Studio.

  3. Выберите Создать развертывание, чтобы создать развертывание и назначить обученную модель из раскрывающегося списка ниже. Можно также выбрать вариант Overwrite an existing deployment (Перезаписать существующее развертывание) и выбрать обученную модель, которую требуется назначить развертыванию, в раскрывающемся списке ниже.

    Примечание.

    Для перезаписи существующего развертывания не требуется вносить изменения в вызов API прогнозирования, но после этого вы будете получать результаты от новой назначенной модели.

    Снимок экрана: экран добавления нового развертывания в Language Studio.

  4. При подключении одного или нескольких приложений LUIS или проектов распознавания устной речи необходимо указать имя развертывания.

    • Для пользовательских ответов на вопросы и несвязанных намерений настройки не требуются.

    • Проекты LUIS должны быть опубликованы в слоте, настроенном во время развертывания оркестрации, а базы знаний пользовательских ответов на вопросы также должны быть опубликованы в рабочих слотах.

  5. Выберите "Развернуть", чтобы отправить задание развертывания

  6. После успешного развертывания рядом с ним появится дата окончания срока действия. Окончание срока действия развертывания означает, что модель становится недоступной для использования в целях прогнозирования, что обычно происходит через двенадцать месяцев после окончания срока действия конфигурации обучения.

Тестовая модель

Развернутую модель можно начать использовать для прогнозирования с помощью API прогнозирования. В этом ускоренном вводном руководстве вы будете использовать Language Studio для отправки высказывания, получения прогнозов и визуализации результатов.

Тестирование модели в Language Studio

  1. В меню слева выберите Testing deployments (Тестирование развертываний).

  2. Выберите модель для тестирования. Можно тестировать только модели, назначенные развертываниям.

  3. В раскрывающемся списке имен развертываний выберите имя вашего развертывания.

  4. В текстовом поле введите речевой фрагмент для проверки.

  5. В верхнем меню выберите "Запустить тест".

  6. После выполнения теста вы увидите ответ модели в результате. Результаты можно просмотреть в представлении карточек сущностей или в формате JSON.

    Снимок экрана: тестирование модели в Language Studio.

Очистка ресурсов

Если проект вам больше не нужен, вы можете удалить его с помощью Студии Языка. Выберите "Проекты " в меню навигации слева, выберите проект, который нужно удалить, а затем выберите "Удалить " в верхнем меню.

Предварительные условия

Создание языкового ресурса на портале Azure

Создание ресурса на портале Azure

  1. Перейдите к портал Azure, чтобы создать новый ресурс языка искусственного интеллекта Azure.

  2. Нажмите кнопку "Продолжить", чтобы создать ресурс

  3. Создайте языковой ресурс со следующими деталями.

    Сведения об экземпляре Обязательное значение
    Область/регион Один из поддерживаемых регионов.
    Имя. Имя языкового ресурса.
    Ценовая категория Одна из поддерживаемых ценовых категорий.

Получите свои ключи и конечную точку ресурса

  1. Перейдите на страницу обзора ресурса на портале Azure.

  2. В меню слева выберите Ключи и конечная точка. Конечная точка и ключ вам понадобятся для запросов API.

    Снимок экрана: страница

Создайте проект рабочего процесса оркестрации

Создав ресурс языка, создайте проект для рабочего процесса оркестрации. Проект — это рабочая область для создания настраиваемых моделей машинного обучения на основе данных. Получить доступ к вашему проекту можете только вы и другие пользователи, у которых есть доступ к используемому ресурсу службы "Язык".

Для этого краткого руководства выполните краткое руководство по CLU, чтобы создать проект CLU для использования в рабочем процессе оркестрации.

Отправьте запрос PATCH, используя следующий URL-адрес, заголовки и текст JSON, чтобы создать проект.

Запросить URL-адрес

При создании запроса API используйте следующий URL-адрес. Замените значения заполнителей ниже собственными значениями.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Заполнитель значение Пример
{ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Имя проекта. Это значение чувствительно к регистру. myProject
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ значение
Ocp-Apim-Subscription-Key Ключ к ресурсу. Используется для проверки подлинности запросов API.

Тело

Используйте следующий пример JSON в качестве тела.

{
  "projectName": "{PROJECT-NAME}",
  "language": "{LANGUAGE-CODE}",
  "projectKind": "Orchestration",
  "description": "Project description"
 }
Ключ Заполнитель значение Пример
projectName {PROJECT-NAME} Имя проекта. Значение чувствительно к регистру. EmailApp
language {LANGUAGE-CODE} Строка, указывающая код языка для речевых фрагментов, используемых в проекте. Если проект является многоязычным, выберите код языка большинства речевых фрагментов. en-us

Создание схемы

Следующим шагом после завершения работы с быстрым стартом по CLU и создания проекта оркестрации является добавление намерений.

Отправьте запрос POST, используя указанный ниже URL-адрес, заголовки и текст JSON, чтобы импортировать проект.

Запросить URL-адрес

При создании запроса API используйте следующий URL-адрес. Замените значения заполнителей ниже собственными значениями.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}
Заполнитель значение Пример
{ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Имя проекта. Значение чувствительно к регистру. myProject
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ значение
Ocp-Apim-Subscription-Key Ключ к вашему ресурсу. Используется для проверки подлинности запросов API.

Тело

Примечание.

Каждое намерение должно быть только одного типа (CLU, LUIS и qna)

Используйте следующий пример JSON в качестве тела запроса.

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "Orchestration",
    "settings": {
      "confidenceThreshold": 0
    },
    "projectName": "{PROJECT-NAME}",
    "description": "Project description",
    "language": "{LANGUAGE-CODE}"
  },
  "assets": {
    "projectKind": "Orchestration",
    "intents": [
      {
        "category": "string",
        "orchestration": {
          "kind": "luis",
          "luisOrchestration": {
            "appId": "00001111-aaaa-2222-bbbb-3333cccc4444",
            "appVersion": "string",
            "slotName": "string"
          },
          "cluOrchestration": {
            "projectName": "string",
            "deploymentName": "string"
          },
          "qnaOrchestration": {
            "projectName": "string"
          }
        }
      }
    ],
    "utterances": [
      {
        "text": "Trying orchestration",
        "language": "{LANGUAGE-CODE}",
        "intent": "string"
      }
    ]
  }
}

Ключ Заполнитель значение Пример
api-version {API-VERSION} Версия вызываемого API. Используемая здесь версия должна совпадать с версией API в URL-адресе. 2022-03-01-preview
projectName {PROJECT-NAME} Имя проекта. Значение чувствительно к регистру символов. EmailApp
language {LANGUAGE-CODE} Строка, указывающая код языка для речевых фрагментов, используемых в проекте. Если проект является многоязычным, выберите код языка большинства речевых фрагментов. en-us

Обучение модели

Чтобы обучить модель, необходимо запустить задание обучения. Результатом успешного задания на обучение является обученная модель.

Создайте запрос POST, используя указанный ниже URL-адрес, заголовки и текст JSON, чтобы запустить задание обучения.

Запросить URL-адрес

При создании запроса API используйте следующий URL-адрес. Замените значения заполнителей ниже собственными значениями.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
Заполнитель значение Пример
{ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Имя проекта. Это значение чувствительно к регистру. EmailApp
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ значение
Ocp-Apim-Subscription-Key Ключ к вашему ресурсу. Используется для проверки подлинности запросов API.

Текст запроса

Используйте в запросе следующий объект. Когда обучение завершится, модели будет присвоено имя MyModel.

{
  "modelLabel": "{MODEL-NAME}",
  "trainingMode": "standard",
  "trainingConfigVersion": "{CONFIG-VERSION}",
  "evaluationOptions": {
    "kind": "percentage",
    "testingSplitPercentage": 20,
    "trainingSplitPercentage": 80
  }
}
Ключ Заполнитель значение Пример
modelLabel {MODEL-NAME} Название вашей модели. Model1
trainingMode standard Режим обучения. В оркестрации доступен только один режим обучения, это standard. standard
trainingConfigVersion {CONFIG-VERSION} Версия модели конфигурации обучения. По умолчанию используется последняя версия модели. 2022-05-01
kind percentage Методы разделения. Возможные значения: percentage или manual. Дополнительные сведения см. в статье об обучении модели. percentage
trainingSplitPercentage 80 Процент помеченных тегами данных, которые будут включены в набор для обучения. Рекомендуемое значение — 80. 80
testingSplitPercentage 20 Процент помеченных тегами данных, которые будут включены в набор для тестирования. Рекомендуемое значение — 20. 20

Примечание.

trainingSplitPercentage и testingSplitPercentage требуются только в том случае, если для Kind задано значение percentage, а сумма процентных значений должна быть равна 100.

После отправки запроса API вы получите ответ 202, указывающий на успешное выполнение. Извлеките значение operation-location из заголовков ответа. Оно будет иметь следующий формат:

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

Этот URL-адрес позволяет получить текущее состояние задания обучения.

Получить статус обучения

Обучение может занять от 10 до 30 минут. Следующий запрос можно использовать для регулярного опроса состояния задания обучения, пока оно не будет успешно завершено.

Используйте следующий запрос GET, чтобы получить состояние хода обучения модели. Замените значения заполнителей ниже собственными значениями.

Запросить URL-адрес

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Заполнитель значение Пример
{YOUR-ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Имя проекта. Это значение чувствительно к регистру. EmailApp
{JOB-ID} Идентификатор для определения статуса обучения вашей модели. Это значение заголовка location, полученное при отправке задания обучения. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ значение
Ocp-Apim-Subscription-Key Ключ к вашему ресурсу. Используется для проверки подлинности запросов API.

Текст ответа

После отправки запроса вы получите следующий ответ. Продолжайте опрос этой конечной точки до тех пор, пока значение параметра Состояние не изменится на "Выполнено".

{
  "result": {
    "modelLabel": "{MODEL-LABEL}",
    "trainingConfigVersion": "{TRAINING-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": "xxxxxx-xxxxx-xxxxxx-xxxxxx",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}
Ключ значение Пример
modelLabel имя модели; Model1
trainingConfigVersion Версия конфигурации тренировочной программы. По умолчанию используется последняя версия. 2022-05-01
startDateTime Время начала обучения 2022-04-14T10:23:04.2598544Z
status Состояние учебной задачи. running
estimatedEndDateTime Предполагаемое время завершения задания обучения. 2022-04-14T10:29:38.2598544Z
jobId Идентификатор задания обучения. xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx
createdDateTime Дата и время создания задачи обучения. 2022-04-14T10:22:42Z
lastUpdatedDateTime Дата и время последнего обновления задания обучения 2022-04-14T10:23:45Z
expirationDateTime Дата и время истечения задания обучения 2022-04-14T10:22:42Z

Разверните свою модель

Обычно после обучения модели изучаются сведения о ее оценке. В этом кратком руководстве вы просто развернете модель и вызовете API прогнозирования для запроса результатов.

Отправка задания развертывания

Создайте запрос PUT, используя указанный ниже URL-адрес, заголовки и текст JSON, чтобы приступить к развертыванию модели оркестрации рабочих процессов.

Запросить URL-адрес

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}
Заполнитель значение Пример
{ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Имя проекта. Это значение чувствительно к регистру. myProject
{DEPLOYMENT-NAME} Имя, используемое для развертывания. Это значение чувствительно к регистру. staging
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ значение
Ocp-Apim-Subscription-Key Ключ к вашему ресурсу. Используется для проверки подлинности запросов API.

Тело запроса

{
  "trainedModelLabel": "{MODEL-NAME}",
}
Ключ Заполнитель значение Пример
метка обученной модели {MODEL-NAME} Имя модели, которое будет назначено развертыванию. Назначать можно только успешно обученные модели. Это значение чувствительно к регистру. myModel

После отправки запроса API вы получите ответ 202, указывающий на успешное выполнение. Извлеките значение operation-location из заголовков ответа. Оно будет иметь следующий формат:

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

Этот URL-адрес можно использовать для получения состояния задания развертывания.

Узнать статус задания развертывания

Используйте указанный ниже запрос GET для запроса состояния задания развертывания. Замените значения заполнителей ниже собственными значениями.

Запросить URL-адрес

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Заполнитель значение Пример
{ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Имя проекта. Это значение чувствительно к регистру. myProject
{DEPLOYMENT-NAME} Имя, используемое для развертывания. Это значение чувствительно к регистру. staging
{JOB-ID} Идентификатор для определения статуса обучения вашей модели. Это значение заголовка location, которое вы получили от API в ответ на запрос на развертывание модели. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ значение
Ocp-Apim-Subscription-Key Ключ к вашему ресурсу. Используется для проверки подлинности запросов API.

Текст ответа

После отправки запроса вы получите следующий ответ. Продолжайте опрос этой конечной точки до тех пор, пока значение параметра Состояние не изменится на "Выполнено".

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

Модель запроса

Развернутую модель можно начать использовать для прогнозирования с помощью API прогнозирования.

После успешного развертывания модели вы можете начать отправлять запросы для получения предсказаний.

Создайте запрос POST, используя следующий URL-адрес, заголовки и текст JSON, чтобы приступить к тестированию модели рабочего процесса оркестрации.

Запросить URL-адрес

{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}
Заполнитель значение Пример
{ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ значение
Ocp-Apim-Subscription-Key Ключ к вашему ресурсу. Используется для проверки подлинности запросов API.

Тело запроса

{
  "kind": "Conversation",
  "analysisInput": {
    "conversationItem": {
      "text": "Text1",
      "participantId": "1",
      "id": "1"
    }
  },
  "parameters": {
    "projectName": "{PROJECT-NAME}",
    "deploymentName": "{DEPLOYMENT-NAME}",
    "directTarget": "qnaProject",
    "targetProjectParameters": {
      "qnaProject": {
        "targetProjectKind": "QuestionAnswering",
        "callingOptions": {
          "context": {
            "previousUserQuery": "Meet Surface Pro 4",
            "previousQnaId": 4
          },
          "top": 1,
          "question": "App Service overview"
        }
      }
    }
  }
}

Текст ответа

После отправки запроса вы получите следующий ответ для прогнозирования.

{
  "kind": "ConversationResult",
  "result": {
    "query": "App Service overview",
    "prediction": {
      "projectKind": "Orchestration",
      "topIntent": "qnaTargetApp",
      "intents": {
        "qnaTargetApp": {
          "targetProjectKind": "QuestionAnswering",
          "confidenceScore": 1,
          "result": {
            "answers": [
              {
                "questions": [
                  "App Service overview"
                ],
                "answer": "The compute resources you use are determined by the *App Service plan* that you run your apps on.",
                "confidenceScore": 0.7384000000000001,
                "id": 1,
                "source": "https://learn.microsoft.com/azure/app-service/overview",
                "metadata": {},
                "dialog": {
                  "isContextOnly": false,
                  "prompts": []
                }
              }
            ]
          }
        }
      }
    }
  }
}

Очистка ресурсов

Если проект вам больше не нужен, вы можете удалить его с помощью интерфейсов API.

Создайте запрос DELETE, используя следующий URL-адрес, заголовки и текст JSON, чтобы удалить проект по распознаванию устной речи.

Запросить URL-адрес

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Заполнитель значение Пример
{ENDPOINT} Конечная точка для проверки подлинности запроса API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Имя проекта. Это значение чувствительно к регистру. myProject
{API-VERSION} Версия вызываемого API. 2023-04-01

Заголовки

Используйте следующий заголовок для проверки подлинности запроса.

Ключ ценность
Ocp-Apim-Subscription-Key Ключ к вашему ресурсу. Используется для проверки подлинности запросов API.

После отправки запроса API вы получите ответ 202, означающий успешное завершение, что означает, что ваш проект удален.

Следующие шаги