Para seleccionar un servicio, escribe una frase con la entrada y el resultado: «audio a texto», «foto a objetos localizados» o «factura a campos». Ese paso suele resolver gran parte de la decisión.
Objetivos: elegir Language, Speech, Vision y Document Understanding; reconocer sus salidas; interpretar modelos personalizados y puntuaciones; y seguir una demostración sin confundir una interfaz antigua con las capacidades actuales.
Conceptos clave
| Servicio | Entrada típica | Salida o tarea |
|---|---|---|
| Language | Texto | Idioma, entidades, temas, sentimiento, frases clave o traducción |
| Speech | Audio o video con voz | Transcripción y marcas temporales |
| Vision | Imágenes o video | Clasificación, detección y localización visual |
| Document Understanding | Documentos e imágenes de documentos | Texto, campos, tablas y tipo de documento |
Son capacidades gestionadas accesibles mediante APIs y otras interfaces de OCI. Una salida viene con estructura y, según la operación, confianza o coordenadas. Debes revisar campos, calidad y permisos antes de incorporarla a un proceso.
Language y Speech
Language detecta idioma, extrae entidades (NER), identifica frases clave, clasifica temas y analiza sentimiento. En «La reparación fue buena, pero la entrega tardó demasiado», el sentimiento por aspecto separa reparación y entrega. No se reduce necesariamente a una única valoración.
Los modelos personalizados permiten adaptar clasificación y NER a categorías propias con ejemplos etiquetados. Detección de PII o PHI ayuda a identificar información personal o de salud; el flujo debe decidir cómo enmascarar, retirar o proteger lo detectado. Health NLP extrae entidades y relaciones clínicas: no transforma automáticamente esos datos en un diagnóstico validado.
Speech usa ASR. Un job procesa archivos de forma asíncrona y escribe resultados en Object Storage; Live Transcribe atiende audio en tiempo real. JSON permite procesar texto y metadatos; SRT sirve para subtítulos. La normalización representa números o fechas de forma legible, mientras que la diarización diferencia turnos de hablantes, no demuestra su identidad civil.
Un filtro de lenguaje ofensivo puede retirar, enmascarar o etiquetar; tag conserva la palabra con una marca. Revisa puntuaciones de confianza y audio cuando haya dudas. Idiomas y funciones dependen del modelo: Oracle ASR y Whisper tienen coberturas distintas, por lo que una lista antigua no basta para descartar un idioma. Consulta la documentación vigente de Speech.
Vision y Document Understanding
En Vision, clasificación de imágenes asigna etiquetas a la escena. Detección de objetos añade cajas delimitadoras para localizar instancias. OCR reconoce texto visible. Detección de rostros localiza caras; no equivale a identificar personas. Si el objeto de tu dominio no forma parte de las categorías preentrenadas, evalúa un modelo personalizado y datos etiquetados.
En Document Understanding, extracción de texto devuelve palabras y líneas con ubicación; extracción de tablas conserva filas y columnas; extracción clave-valor relaciona campos como proveedor, fecha y total; clasificación documental identifica tipos como factura o recibo.
Algunas demostraciones y skill checks antiguos muestran Document AI dentro de Vision. Para extraer estructura documental, esta guía utiliza el servicio actual Document Understanding, de acuerdo con su documentación. No aprendas esa asociación histórica como regla permanente.
Ejemplo paso a paso
El expediente de una reparación contiene una llamada, una foto del equipo y una factura.
- Speech transcribe la llamada; revisa las palabras de baja confianza que cambian el significado del problema.
- Language clasifica el texto y distingue sentimiento sobre atención y reparación.
- Vision localiza componentes en la foto si el modelo los reconoce; documenta cuándo no los identifica.
- Document Understanding clasifica la factura y extrae campos y líneas de tabla.
- La aplicación comprueba que cantidades, precios e impuestos explican el total antes de registrar el gasto.
En consola, inspecciona el resultado estructurado además de las etiquetas sobre la imagen. Un sello o texto mal leído puede terminar en una columna equivocada: que la solicitud termine correctamente no demuestra que cada campo sea correcto.
Errores frecuentes
- Elegir Language directamente para un archivo de audio sin transcribirlo.
- Confundir cajas de detección con clasificación general de imagen.
- Confundir OCR con extracción de relaciones entre filas, columnas y claves.
- Afirmar que un modelo preentrenado reconoce todos los objetos de tu industria.
- Usar una puntuación alta como aprobación automática de una factura.
Ejercicio de selección
Necesitas subtítulos para una grabación, ubicar tres equipos en una foto y recuperar cantidad y precio de cada fila de una factura. ¿Qué usarías?
Solución
Speech con salida SRT para subtítulos; Vision con detección de objetos para ubicación; Document Understanding con extracción de tablas para filas y columnas. Si además necesitas proveedor y total como campos, añade extracción clave-valor. OCR solo devuelve texto y su localización; no es una garantía de estructura tabular correcta.
Fuentes y repaso
Consulta Language, Vision y las fuentes de Speech y Document Understanding anteriores. Repite las demostraciones en MyLearn describiendo qué representa cada campo de la respuesta.