使用 Azure AI 在 Azure Container Apps 上部署智能应用（第二部分）

毫无疑问，人工智能 (AI) 和机器学习 (ML) 是现代开发流程的重要组成部分。在这个动态、适应性强的应用程序需求日益增长的时代，将 AI 融入您的开发实践已不再是可选项，而是必需项。

智能应用是指利用 AI 算法分析用户交互并实时做出智能决策的应用。它们能够帮助您创造引人入胜的个性化用户体验。

在本系列文章的第一篇中，我们使用 Azure 容器应用和 Azure AI 创建了一个基本应用程序。在本文中，我们将把这个应用程序转变为一个智能应用程序，并使用这个更新改进后的智能应用来分析用户反馈。

借助 Azure，创建智能应用非常简单。继续阅读，亲自验证！

必备组件

要遵循本教程，您需要

• 一个 Azure 账户。注册一个免费账户，您将获得第一个月的免费额度和对一系列基本服务的访问权限。创建新账户时，您需要提供信用卡信息，以备您使用的资源超出分配额度时进行验证。在这些文章中，我们将尽量减少开销。
• 已安装 Docker Desktop 3.5.1 或更高版本
• 已安装 Visual Studio。本演示使用 Community Edition 2022。

要查看项目运行效果，请查看完整的项目代码。

构建智能应用

现在我们已经设置好了基本应用程序，让我们为其添加一些智能功能。我们的初始步骤是添加两个 NuGet 包：Azure.AI.TextAnalytics 用于授予对 Azure AI 的访问权限，以及 Microsoft.Extensions.Azure 用于将 SDK 无缝注入到应用程序中。

接下来，我们需要注册我们的文本分析客户端，以便将其注入到应用程序的依赖项中。在此之前，文本分析客户端需要两个密钥

• 一个终结点地址
• 一个访问密钥

我们需要将这两个项添加到我们的开发和生产环境。在这两个环境中，AI_EndPoint 是终结点变量名，AI_Key 是访问密钥变量名。

要将这两项添加到您的开发环境，请右键单击您的项目并选择“管理用户机密”。接下来，打开您的发布配置文件，单击“托管”旁边的三个点（…），然后选择“管理容器应用设置”以验证这些变量是否可以在您的容器中访问。最后，您可以将这些机密添加到您的 Azure 容器中。

现在，打开 Program.cs 文件，修改初始化数据库上下文的部分，以包含文本分析的初始化

if (builder.Environment.IsDevelopment())
{
    builder.Services.AddDbContext<DatabaseContext>(options =>
        options.UseSqlServer(builder.Configuration["userfeedbackdatabaseconnection"]));

    builder.Services.AddAzureClients(clientBuilder =>
        clientBuilder.AddTextAnalyticsClient(new Uri(builder.Configuration["AI_EndPoint"]),
        new Azure.AzureKeyCredential(builder.Configuration["AI_Key"]))
        );
}
else
{
    builder.Services.AddDbContext<DatabaseContext>(options =>
        options.UseSqlServer(Environment.GetEnvironmentVariable("AZURE_SQL_CONNECTIONSTRING")));

    builder.Services.AddAzureClients(clientBuilder =>
        clientBuilder.AddTextAnalyticsClient(new Uri(builder.Configuration["AI_EndPoint"]),
        new Azure.AzureKeyCredential(builder.Configuration["AI_Key"]))
        );
}

最后，让我们配置 Review Create 方法，以从 Azure AI 服务 API 中检索情感分析结果。为此，请将以下内容添加到您的 Review 控制器构造函数中

private readonly TextAnalyticsClient _textClient;

        public ReviewsController(DatabaseContext context, TextAnalyticsClient textClient)
        {
            _context = context;
            _textClient = textClient;
        }

然后，修改 Reviews 控制器中的 POST Create Action，以包含对 Azure AI 服务 API 的调用，用于分析评论文本

        [HttpPost]
        [ValidateAntiForgeryToken]
        public async Task<IActionResult> Create([Bind("Id,ProductId,ProductName,
        ReviewText,PostDate,Sentiment,PositiveValue,NeutralValue,NegativeValue")] Review review)
        {
            var selectedProductId = int.Parse(HttpContext.Request.Form["Products"].ToString());
            var product = await _context.Products.FirstOrDefaultAsync
                          (p => p.Id == selectedProductId);

            var sentimentResult = 
                await _textClient.AnalyzeSentimentAsync(review.ReviewText);
           
            review.ProductId = selectedProductId;
            review.ProductName = product.Name;
            review.PostDate = DateTime.Now.ToString("yyyy-MM-dd");
            review.Sentiment = sentimentResult.Value.Sentiment.ToString();
            review.PositiveValue = (float)sentimentResult.Value.ConfidenceScores.Positive;
            review.NeutralValue = (float)sentimentResult.Value.ConfidenceScores.Neutral;
            review.NegativeValue = (float)sentimentResult.Value.ConfidenceScores.Negative;

            _context.Add(review);
            await _context.SaveChangesAsync();
            return RedirectToAction(nameof(Index));
        }

在本教程中，我们使用了更简单的 AnalyzeSentimentAsync 方法。它接收我们的评论文本，并生成整体情感分析，分配正面、中性和负面分数。

Azure 的文本分析服务还支持观点挖掘，这是一个更高级的用例。观点挖掘超越了基本功能，可以为文本中的特定主题或关键字提供情感分析。

例如，如果一条评论写道：“这真是一个很好的产品，但送货时间太长了。我也很难理解说明书。”，观点挖掘选项可能会将评论分解成不同的主题，并为每个主题提供情感分析

• “产品”的情感为正面
• “送货时间”的情感为负面
• “说明书”的情感为负面

使用您的智能应用分析用户反馈

现在我们已经将 AI 连接到我们的应用程序，让我们创建一个评论，看看 AI 的响应。

运行应用程序，导航到 /Reviews/Create 文件夹以创建评论，然后单击“提交”。从下拉列表中选择“理发器和修剪器”，然后输入：“这是一个很好的修剪器，可以剪我的头发，但它会卡住我的胡子。”

检查您刚发布的评论后，您会发现 Azure AI 将其评为正面，但带有轻微的负面和中性成分。

现在，尝试另一条评论。这次，从下拉列表中选择“耳机”产品，然后输入以下评论：“这些耳机还可以。外面的泡沫不够厚，会伤到头。价格真的很便宜。”

这次，AI 将评论评为负面，没有正面评分，只有一个轻微的中性评分。

通过整合这种基于 AI 的评分，您可以深入了解客户反馈趋势，并可以根据正面或负面反馈启动具体的操作。例如，我们可能想了解我们的产品评论在过去七天内的表现如何。让我们更新我们的评论列表页面，以显示该期间的平均评论。

为此，我们将导航到 ReviewController，并汇总数据以在 Index 页面上显示。然后，我们将从数据库加载产品和评论，遍历它们，并将其平均到八天（包括当天）。最后，我们将把汇总的数据编译成一个列表，并基于该列表创建一个表格。

首先创建一个 SentimentTrends 模型（我们评论数据的精简版），包含以下代码

namespace UserFeedbackApp.Models
{
    public class SentimentTrends
    {
        public int Id { get; set; }
        public string ProductName { get; set; }
        public float PositiveValue { get; set; }
        public float NeutralValue { get; set; }
        public float NegativeValue { get; set; }
        public string PostDate { get; set; }
    }
}

接下来，使用以下代码更新 ReviewController 文件中的 Index 方法

public async Task<IActionResult> Index()
{
    var reviewList = await _context.Reviews.ToListAsync();
    var productList = await _context.Products.ToListAsync();

    List<SentimentTrends> trends = new List<SentimentTrends>();

    foreach(var product in productList)
    {
         var productReviews = reviewList
        .Where(d => d.ProductId == product.Id)
        .Where(d => DateTime.ParseExact(d.PostDate, "yyyy-MM-dd", 
                    CultureInfo.InvariantCulture) >= (DateTime.Now.AddDays(-8)))
        .ToList();

        if (productReviews.Count() > 0)
        {
            float positiveValue = 0;
            float neutralValue = 0;
            float negativeValue = 0;
            foreach (var review in productReviews)
            {
                 positiveValue += review.PositiveValue;
                 neutralValue += review.NeutralValue;
                 negativeValue += review.NegativeValue;
             }

             positiveValue = (float)Math.Round(positiveValue / productReviews.Count(), 2);
             neutralValue = (float)Math.Round(neutralValue / productReviews.Count(), 2);
             negativeValue = (float)Math.Round(negativeValue / productReviews.Count(), 2);

             SentimentTrends trend = new SentimentTrends();

             trend.Id = productReviews.First().ProductId;
             trend.ProductName = productReviews.First().ProductName;
             trend.PostDate = DateTime.Now.AddDays(-8).ToString("yyyy-MM-dd");
             trend.PositiveValue = positiveValue;
             trend.NeutralValue = neutralValue;
             trend.NegativeValue = negativeValue;

             trends.Add(trend);
        }
    }

    ViewBag.Trends = trends;
    return reviewList != null ?
            View(reviewList) :
            Problem("Entity set 'DatabaseContext.Reviews'  is null.");
}

此代码过滤了我们的近期评论，按收到的评论数量对其进行了平均，并创建了列表，然后通过 ViewBag 传递给视图。要显示这些数据，请更新Views/Reviews 文件夹中的 Index.cshtml 文件，使用以下代码

<h2>Seven Day Trend</h2>
<table class="table">
    <thead>
        <tr>
            <th>Product ID</th>
            <th>Product Name</th>
            <th>Positive</th>
            <th>Neutral</th>
            <th>Negative</th>
        </tr>
    </thead>
    <tbody>
        @foreach (SentimentTrends item in ViewBag.trends)
        {
        <tr>
                <td>@item.Id</td>
                <td>@item.ProductName</td>
                <td>@item.PositiveValue</td>
                <td>@item.NeutralValue</td>
                <td>@item.NegativeValue</td>
        </tr>
        }
    </tbody>
</table>

这将我们的数据以简单的表格形式显示在我们的评论页面上。如果我们现在运行代码并导航到评论页面，我们将在页面顶部看到表格。以这种方式平均产品情感，可以根据真实的客户反馈深入了解潜在的产品问题。

结论

智能应用可以为您的应用程序增加更多数据和洞察，从而带来更多功能。

在本文中，我们使用 Azure 容器应用构建了一个简单的 Web 应用程序。然后，我们通过 Azure AI 集成了情感分析，扩展了应用程序分析用户反馈的能力。Azure 上的这种应用程序架构能够实现应用程序和 AI 组件的无缝扩展。这种自动扩展确保您的应用程序能够高效地满足不断增长的需求，并在需求下降时缩减规模。

然而，情感分析只是整个 Azure AI 套件中一个很小的组成部分。Azure AI 包含多个利用预构建模型的 AI 驱动 API，例如

• 语言理解，用于翻译、问答或对话语言理解
• 图像处理，用于图像识别或图像和视频分析
• 语音处理，包括语音转文本、文本转语音或语音翻译
• 异常检测、冒犯性内容检测和个性化

开始您的 Azure 智能应用之旅，然后深入了解本系列第三部分，学习如何进一步提升您的智能应用。