Azure AI: modelo como servicio
En esta página
Mistral en Azure AI
Microsoft Azure es el socio principal en la nube de Mistral AI. La integración con Azure AI ofrece modelos bajo la modalidad de modelo como servicio (MaaS), lo que significa que los consumes a través de una API sin tener que gestionar ni una sola GPU. Para muchas empresas, el factor decisivo no es técnico, sino organizativo: el presupuesto de nube ya existe, el acceso está gobernado por Azure AD y añadir Mistral al catálogo implica habilitar un servicio más en lugar de negociar un nuevo contrato. Esta lección cubre los dos enfoques de despliegue disponibles y los modelos accesibles.
Dos enfoques de despliegue
El enfoque de pago por uso es el más común. Despliegas un punto de conexión sin servidor y se te factura únicamente por el uso, por token consumido, sin necesidad de cuota de GPU. El inicio es inmediato, ya que no hay nada que aprovisionar, no existen costes fijos, el escalado sigue la demanda automáticamente y toda la configuración se integra de forma nativa con el ecosistema Azure. Esta es la opción predeterminada siempre que tu tráfico sea irregular.
El enfoque de puntos de conexión en tiempo real aborda el caso opuesto. Aquí, eliges la infraestructura de GPU sobre la que se ejecuta el modelo y se te factura por horas de infraestructura, independientemente del volumen de solicitudes. El rendimiento se vuelve predecible y la latencia está garantizada, lo que justifica el coste fijo cuando el throughput es continuo y sostenido. Una plataforma que procesa varios cientos de miles de documentos cada noche se beneficia de esto; un asistente interno consultado treinta veces al día, no.
Modelos disponibles en Azure
Azure ofrece una amplia gama de modelos de Mistral, tanto de propósito general como especializados.
| Modelo | Perfil |
|---|---|
| Mistral Large 3 | Modelo insignia, razonamiento avanzado |
| Mistral Large 24.07 / 24.11 | Versiones anteriores, aún disponibles |
| Mistral Medium 25.05 | Buen equilibrio rendimiento/coste |
| Mistral Small 25.03 | Ligero y rápido |
| Mistral Document AI | Procesamiento de documentos |
| Mistral OCR | Reconocimiento óptico de caracteres |
| Ministral 3B | Ultraligero para casos extremos |
| Mistral Nemo | Modelo de pesos abiertos versátil |
| Codestral | Especializado en código y generación técnica |
Despliegue de un modelo en Azure
Tres prerrequisitos condicionan el resto: una suscripción de Azure activa, acceso a Azure AI Studio a través de portal.azure.com y un grupo de recursos configurado para alojar el recurso. Una vez estos elementos están en su lugar, el despliegue ocurre enteramente desde el portal:
- Ve a Azure AI Studio en el portal de Azure
- Navega a Catálogo de modelos > Mistral AI
- Selecciona el modelo deseado
- Elige Pago por uso o Punto de conexión en tiempo real
- Configura el nombre del punto de conexión y la región
- Despliega y recupera la URL + la clave de API
Al final de este último paso, te llevas dos piezas de información que impulsan todo lo demás: la URL del punto de conexión y la clave secreta asociada.
# URL de tu punto de conexión de Azure
export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com/v1/chat/completions"
# Clave secreta de API
export AZUREAI_API_KEY="your-secret-key"
Estos comandos export funcionan para pruebas locales. En producción, estos dos valores deben residir en un gestor de secretos —Azure Key Vault en este caso— y veremos en la Lección 6 cómo recuperarlos desde allí sin escribirlos nunca en ningún otro sitio.
Primera llamada a la API
Así es como puedes verificar que tu punto de conexión responde realmente.
import os
from mistralai.azure.client import MistralAzure
client = MistralAzure(
server_url=os.environ["AZUREAI_ENDPOINT"],
api_key=os.environ["AZUREAI_API_KEY"]
)
response = client.chat.complete(
model="azureai",
messages=[
{"role": "user", "content": "Explica el teorema de Bayes en 3 frases."}
]
)
print(response.choices[0].message.content)
Un detalle merece tu atención porque hace tropezar a casi todos los desarrolladores que vienen de la API directa: el parámetro model es siempre "azureai". El modelo real que se consulta lo determina el punto de conexión que has desplegado, no esta cadena. Si quieres cambiar de modelo, despliegas otro punto de conexión; escribir model="mistral-large-latest" aquí no produciría nada útil.
Diferencias con la API directa de Mistral
| Aspecto | API directa de Mistral | Azure MaaS |
|---|---|---|
| Cliente Python | Mistral() | MistralAzure() |
| Parámetro model | Nombre del modelo | "azureai" |
| Autenticación | Clave de API de Mistral | Clave de API de Azure |
| Facturación | Mistral | Azure |
| Red | Internet | Puede ser privada (VNet) |
Cuándo elegir Azure
Azure se convierte en la elección natural cuando tu empresa ya vive en el ecosistema de Microsoft y aprovecha Azure AD, Key Vault o Monitor: la integración apenas tiene coste entonces. La necesidad de conectividad de red privada, mediante VNet o Private Link, empuja en la misma dirección, al igual que las políticas de cumplimiento que exigen que los datos permanezcan con un proveedor de nube certificado. Añade a esto un argumento prosaico pero a menudo decisivo en los comités de inversión: consolidar la facturación de la nube en una única línea.
Puntos clave
- Azure ofrece Mistral como MaaS (pago por uso) o puntos de conexión en tiempo real (GPU dedicada)
- El cliente Python
MistralAzurereemplaza al cliente estándarMistral - El parámetro
modeles siempre"azureai"; el modelo depende del punto de conexión - La integración nativa con el ecosistema Azure (Key Vault, VNet, Monitor) es una gran ventaja