Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Azure AI: Model as a Service

Lezione 4 di 14 Aggiornata il 2 novembre 2026 Avanzato
In questa pagina
  1. Mistral su Azure AI
  2. Due approcci di deployment
  3. Modelli disponibili su Azure
  4. Distribuire un modello su Azure
  5. Prima chiamata API
  6. Differenze rispetto all’API Mistral diretta
  7. Quando scegliere Azure
  8. Punti chiave

Mistral su Azure AI

Microsoft Azure è il partner cloud principale di Mistral AI. L’integrazione con Azure AI offre modelli come Model as a Service (MaaS): li consumi tramite API senza dover gestire nemmeno una GPU. Per molte aziende, il fattore decisivo non è tecnico ma organizzativo: il budget cloud esiste già, l’accesso è governato da Azure AD e aggiungere Mistral al catalogo significa abilitare un servizio in più, invece di negoziare un nuovo contratto. Questa lezione copre i due approcci di deployment disponibili e i modelli accessibili.

Due approcci di deployment

L’approccio pay-as-you-go è il più comune. Distribuisci un endpoint serverless e vieni fatturato solo per l’utilizzo, a token consumato, senza bisogno di una quota GPU. L’avvio è immediato perché non c’è nulla da provisionare, non ci sono costi fissi, lo scaling segue automaticamente la domanda e l’intera configurazione si integra nativamente con l’ecosistema Azure. Questa è l’opzione predefinita finché il tuo traffico è irregolare.

L’approccio endpoint in tempo reale risponde al caso opposto. Qui scegli l’infrastruttura GPU su cui gira il modello e vieni fatturato per le ore di infrastruttura, indipendentemente dal volume delle richieste. Le prestazioni diventano prevedibili e la latenza garantita, il che giustifica il costo fisso una volta che il throughput è continuo e sostenuto. Una piattaforma che elabora diverse centinaia di migliaia di documenti ogni notte ne beneficia; un assistente interno consultato trenta volte al giorno no.

Modelli disponibili su Azure

Azure offre un’ampia gamma di modelli Mistral, sia generici che specializzati.

ModelloProfilo
Mistral Large 3Modello di punta, ragionamento avanzato
Mistral Large 24.07 / 24.11Versioni precedenti, ancora disponibili
Mistral Medium 25.05Buon equilibrio prestazioni/costo
Mistral Small 25.03Leggero e veloce
Mistral Document AIElaborazione documenti
Mistral OCRRiconoscimento ottico dei caratteri
Ministral 3BUltra-leggero per casi d’uso edge
Mistral NemoModello open-weight versatile
CodestralSpecializzato in codice e generazione tecnica

Distribuire un modello su Azure

Tre prerequisiti condizionano tutto il resto: una sottoscrizione Azure attiva, l’accesso ad Azure AI Studio tramite portal.azure.com e un gruppo di risorse configurato per ospitare la risorsa. Una volta pronti questi elementi, il deployment avviene interamente dal portale:

  1. Vai su Azure AI Studio nel portale Azure
  2. Naviga su Catalogo modelli > Mistral AI
  3. Seleziona il modello desiderato
  4. Scegli Pay-as-you-go o Endpoint in tempo reale
  5. Configura il nome dell’endpoint e la regione
  6. Distribuisci e recupera l’URL + la chiave API

Alla fine di quest’ultimo passo, ti ritrovi con due informazioni che guidano tutto il resto: l’URL dell’endpoint e la chiave segreta associata.

# Your Azure endpoint URL
export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com/v1/chat/completions"

# Secret API key
export AZUREAI_API_KEY="your-secret-key"

Questi comandi export funzionano per i test locali. In produzione, questi due valori vanno inseriti in un secrets manager, in questo caso Azure Key Vault, e vedremo nella Lezione 6 come recuperarli da lì senza scriverli mai altrove.

Prima chiamata API

Ecco come verificare che il tuo endpoint risponda effettivamente.

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": "Explain Bayes' theorem in 3 sentences."}
    ]
)
print(response.choices[0].message.content)

Un dettaglio merita la tua attenzione perché manda in tilt quasi tutti gli sviluppatori che arrivano dall’API diretta: il parametro model è sempre "azureai". Il modello effettivo interrogato è determinato dall’endpoint che hai distribuito, non da questa stringa. Se vuoi cambiare modello, distribuisci un altro endpoint: scrivere qui model="mistral-large-latest" non produrrebbe nulla di utile.

Differenze rispetto all’API Mistral diretta

AspettoAPI Mistral direttaAzure MaaS
Client PythonMistral()MistralAzure()
Parametro modelloNome del modello"azureai"
AutenticazioneChiave API MistralChiave API Azure
FatturazioneMistralAzure
ReteInternetPuò essere privata (VNet)

Quando scegliere Azure

Azure diventa la scelta naturale quando la tua azienda vive già nell’ecosistema Microsoft e sfrutta Azure AD, Key Vault o Monitor: l’integrazione costa allora quasi nulla. La necessità di connettività di rete privata, tramite VNet o Private Link, spinge nella stessa direzione, così come le policy di compliance che richiedono che i dati restino presso un cloud provider certificato. Aggiungi a questo un argomento prosaico ma spesso decisivo nei comitati di investimento: consolidare la fatturazione cloud su un’unica voce.

Punti chiave

  • Azure offre Mistral come MaaS (pay-as-you-go) o endpoint in tempo reale (GPU dedicata)
  • Il client Python MistralAzure sostituisce il client standard Mistral
  • Il parametro model è sempre "azureai": il modello dipende dall’endpoint
  • L’integrazione nativa con l’ecosistema Azure (Key Vault, VNet, Monitor) è un vantaggio decisivo