Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Mistral su Azure AI

Lezione 11 di 14 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Perché usare Mistral tramite Azure?
  2. Scegliere tra serverless e GPU dedicata
  3. Modelli disponibili su Azure
  4. Ottenere le tue credenziali
  5. Chiamare il modello in Python
  6. La stessa chiamata in TypeScript
  7. Sfruttare il resto della piattaforma
  8. Punti chiave

Aggiornato il 3 novembre 2026: L’esempio TypeScript passava precedentemente process.env.AZUREAI_API_KEY e process.env.AZUREAI_ENDPOINT direttamente a MistralAzure. Poiché entrambe le opzioni sono obbligatorie, TypeScript 7 in modalità strict si rifiutava di compilare (verificato con @mistralai/mistralai-azure 2.1.0). Le variabili d’ambiente vengono ora validate prima di costruire il client. Fonte: SDK @mistralai/mistralai-azure.

Perché usare Mistral tramite Azure?

Questa domanda sorge raramente per motivi tecnici: le API dirette di Mistral funzionano perfettamente. Sorge invece per ragioni contrattuali e organizzative. Un’azienda già integrata nell’ecosistema Microsoft consuma un impegno Azure negoziato, dispone di processi di approvvigionamento consolidati e non ha alcun desiderio di aprire un nuovo contratto con un fornitore per poche migliaia di euro di token.

L’utilizzo di Azure AI consolida la fatturazione sul tuo contratto Azure esistente, garantisce la conformità al GDPR tramite le regioni europee, offre un’integrazione nativa con altri servizi Azure (Azure Functions, Cosmos DB, Azure ML) e fornisce il supporto enterprise Microsoft con i relativi accordi sul livello di servizio (SLA). In breve: lo stesso modello, all’interno del perimetro di governance che il tuo dipartimento IT ha già approvato.

Scegliere tra serverless e GPU dedicata

Azure offre due approcci e la scelta dipende dalla regolarità del tuo carico di lavoro. La modalità pay-as-you-go, nota anche come MaaS (Model as a Service), espone un’API serverless: nessuna GPU da provisioning, paghi solo i token consumati e Azure gestisce lo scaling autonomamente. Questa è la modalità consigliata per la maggior parte dei casi d’uso, specialmente mentre il tuo traffico è irregolare o imprevedibile.

Gli endpoint in tempo reale rispondono all’esigenza opposta. Scegli il tipo e il numero di GPU, l’infrastruttura è dedicata a te e la fatturazione avviene per ora di calcolo, che il modello stia lavorando o sia inattivo. Un’API interna colpita continuamente da diverse migliaia di utenti si adatta a questo modello; un prototipo accessibile tre volte al giorno sprecherà molti soldi qui. Ricorda la regola: questa modalità è consigliata per carichi di lavoro prevedibili e ad alto throughput.

Modelli disponibili su Azure

La documentazione di Mistral elenca i seguenti modelli su Azure (lista recuperata il 2 novembre 2026). Il catalogo evolve regolarmente: consulta la pagina ufficiale per l’elenco attuale.

ModelloPosizionamento
Mistral Medium 3.5Buon equilibrio prestazioni/costo
Mistral Large 3 (25.12)Modello di punta per compiti complessi
Mistral Small (25.06)Veloce ed economico
Codestral (25.01)Specializzato nella generazione di codice
Ministral 3B (24.10)Modello compatto per compiti leggeri
Document AI (OCR 4)Estrazione di testo e struttura nei documenti

Ottenere le tue credenziali

Il recupero delle credenziali avviene tramite l’interfaccia Azure e richiede pochi minuti:

  1. Vai su Microsoft Foundry
  2. Crea un progetto o selezionane uno esistente
  3. Distribuisci un modello Mistral dal catalogo modelli
  4. Recupera il tuo endpoint e la tua chiave API dalla pagina di distribuzione

Inserisci questi due valori nelle variabili d’ambiente, esattamente come faresti con la chiave diretta di Mistral. La differenza risiede nell’endpoint: ogni distribuzione Azure ha il proprio; non esiste un URL comune.

export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com"
export AZUREAI_API_KEY="your-azure-secret-key"

Chiamare il modello in Python

L’SDK di Mistral fornisce un client Azure dedicato, MistralAzure, incluso nel pacchetto mistralai: gli passi l’URL di distribuzione e la chiave, e il resto del codice è identico a quello che scrivi per le API dirette. Dalla versione 2.0 dell’SDK (marzo 2026), si importa da mistralai.azure.client.

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",  # Identificatore atteso dagli endpoint Azure
    messages=[
        {"role": "user", "content": "Quali sono i vantaggi del cloud sovrano in Europa?"}
    ]
)

print(response.choices[0].message.content)

Il punto più confuso risiede nel parametro model. Ti aspetti di scrivere mistral-large-latest; invece, devi inserire azureai. Il motivo è semplice: il modello è già determinato dalla distribuzione che hai creato lato Azure; l’endpoint punta a esso e solo a esso. Cambiare modello significa quindi cambiare endpoint, non cambiare una stringa nel codice.

Lo streaming, tuttavia, non cambia di una virgola rispetto alle API dirette: stesso metodo, stesso livello .data per raggiungere il contenuto del chunk. Questo è proprio il senso di un SDK unificato: il codice che hai scritto nelle lezioni precedenti funziona così com’è.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Descrivi l'architettura di un data lake su Azure."}
    ]
)

for chunk in stream:
    content = chunk.data.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

La stessa chiamata in TypeScript

Lato TypeScript, il client Azure è pubblicato in un pacchetto separato, @mistralai/mistralai-azure, installato con npm add @mistralai/mistralai-azure. Le sue opzioni seguono la convenzione di denominazione JavaScript: apiKey ed endpoint, entrambe obbligatorie. Da qui la necessità di validare le variabili d’ambiente, senza la quale la modalità strict si rifiuta di compilare, poiché una variabile d’ambiente potrebbe mancare:

import { MistralAzure } from '@mistralai/mistralai-azure';

const apiKey = process.env.AZUREAI_API_KEY;
const endpoint = process.env.AZUREAI_ENDPOINT;
if (!apiKey || !endpoint) {
  throw new Error('Set AZUREAI_API_KEY and AZUREAI_ENDPOINT.');
}

const client = new MistralAzure({ apiKey, endpoint });

const response = await client.chat.complete({
  model: 'azureai',
  messages: [
    { role: 'user', content: 'Come proteggere un Azure Key Vault?' },
  ],
});

console.log(response.choices[0]?.message?.content);

Fonti: Mistral su Azure (documentazione Mistral) · TypeScript SDK @mistralai/mistralai-azure

Sfruttare il resto della piattaforma

Una volta che la chiamata funziona, sfrutta i servizi per cui stai già pagando. Archivia le tue chiavi in Azure Key Vault invece che nelle variabili d’ambiente: la rotazione diventa un’operazione amministrativa, non una ridistribuzione. Abilita i log di diagnostica sul tuo endpoint per monitorare latenza ed errori, l’unico modo per distinguere la lentezza del modello dalla lentezza del codice. Scegli una regione europea, West Europe o France Central, per rimanere conforme al GDPR: questa è spesso la ragione stessa per scegliere Azure. Infine, configura gli avvisi di Azure Monitor sul consumo di token: un ciclo mal chiuso in un job notturno appare in fattura molto più tardi rispetto a un avviso.

Punti chiave

  • Azure AI offre Mistral in modalità serverless (MaaS) o GPU dedicata
  • Il modello è identificato da "azureai" nelle chiamate API
  • Il client MistralAzure riceve l’endpoint tramite server_url (Python, mistralai.azure.client) o endpoint (TypeScript, @mistralai/mistralai-azure)
  • L’integrazione con l’ecosistema Azure (Key Vault, Monitor, Functions) è un asset importante per le imprese
  • Scegli una regione europea per rimanere conforme al GDPR