如果说前一篇OCR是让机器"看见"文字，那么Document Intelligence就是让机器"读懂"文档。它是Azure上一项专门从文档中提取结构化信息的AI服务，前身是Azure Form Recognizer。最常用的地方就是发票。它的核心价值：你的OCR提取的是"一堆文字"，而Document Intelligence提取的是按照需求"发票号码：INV-001"、“总金额：$1,600”

本文开始接触一下另外一个服务：Azure 认知服务（Cognitive Services）。从上图可以看到Azure AI = Azure 的 AI 服务总称（包含认知服务+高级AI）认知服务 = Azure AI的基础服务层（预训练模型，开箱即用）Azure AI Vision = 认知服务中的计算机视觉子集（包含OCR、图像分析等）Azure Computer Vision服务在2026年已经

在上一文中， 我们看到了ADLS 分层设计， 数据版本控制等数据工程的理念在Azure中的实现， 现在加入对Azure ML的实现，构建「可追溯、可复现、可扩展」的AI数据供给体系。我们不是“把数据喂给ML”，而是设计让数据持续健康流动的循环系统。备注：因为在实操过程出现了一些小失误，而目前我们使用数据类型为V2 API， 不支持物理删除，所以只能通过命名其他的方式来重做，因此截图中会出现一些上下

AI 时代很多东西都不是技术层面的内容，比如数据治理，数据工程等。试想一下你去面试，面试官考察的不是“你用了什么工具”，而是“你为什么这样设计”例如：❌ 工具操作：“我创建了三个容器”✅ 工程思维：“我设计三层容器，因为Raw层满足合规审计，Processed层隔离脏数据风险，Curated层支持特征复用——这是微软Azure数据架构指南推荐的分层模式”数据工程原则ADF+ADLS实践专业体现1.

本文介绍了Azure AI生态中的核心服务Azure Machine Learning（Azure ML）工作区的使用。文章首先展示了Azure ML的默认目录结构，包含工作区、功能存储区、中心和注册表等核心组件，以及共享资产和管理员功能。通过实操演示，详细说明了从创建工作区、运行示例笔记本到创建计算资源的完整流程。最后，文章梳理了实际运用中的6个关键步骤：数据准备、模型训练、模型评估、模型部署、

在实际的企业环境中，很少甚至可以说禁止手动创建资源，因为很容易出错，并且大规模部署时会非常低效。因此大部分企业都会使用工具或者某些服务来实现这种可控，可复用，具有伸缩性的部署方式。本文把工具选定为Terraform。由于后续学习需要不停创建、删除Azure 资源，所以这里演示一下在本机（windows 10）上安装Terraform，并且创建一个Azure Storage Account.

由于ADB 的更新速度很快，在几个月之后重新搭建ADB 时发现UC 已经更新了很多，为了后续做ADB 的功能测试时能有一个更准确的环境，这里从新搭建一次基于目前最新版本的UC。当有了一个ADB 之后，使用下面的步骤即可得到一个UC 环境。这里的SA是Databricks内部使用的，存储UC metadata和meanaged Tables。如果是Azure的storage account，注意一定

快速创建低代码，直观的自定义程序开发方式， 跟Logic App比较对非技术人员更加友好。非技术人员可以通过自行编写应用来满足业务需求。

本文是Azure AI系列的第一篇，旨在为初学者提供Azure AI生态系统的概述和入门指南。文章首先介绍了Azure AI的三大核心部分：认知服务（计算机视觉、语言服务等）、AI平台（机器学习、OpenAI）和行业解决方案。通过2024最新版服务全景表，详细列出了各服务的功能、适用场景和定价层。作者强调Azure AI的全栈体验、企业级集成和生成式AI领导力等核心优势。为便于实践，文章提供了详细

最近公司的安全部门在审计云环境安全性时经常提到service endpoint（SE）和priavate endpoint（PE）的术语，为此做了一些研究储备。云计算的本质就是网络， 默认情况下资源间及外部都是通过公网也就是互联网访问。为了安全，Azure引入了SE和PE 等服务。云环境网络流动主要有两个：inbound（入境）和outbound（出境），前者意味着站在某个资源角度比如一个stor