Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Mistral op Azure AI

Les 11 van 14 Bijgewerkt op 3 november 2026 Ontwikkelaar
Op deze pagina
  1. Waarom Mistral via Azure gebruiken?
  2. Keuze tussen serverless en dedicated GPU
  3. Beschikbare modellen op Azure
  4. Uw referenties ophalen
  5. Het model aanroepen in Python
  6. Dezelfde aanroep in TypeScript
  7. De rest van het platform benutten
  8. Belangrijkste punten

Bijgewerkt op 3 november 2026: Het TypeScript-voorbeeld gaf eerder process.env.AZUREAI_API_KEY en process.env.AZUREAI_ENDPOINT direct door aan MistralAzure. Omdat beide opties verplicht zijn, weigerde TypeScript 7 in de strikte modus te compileren (geverifieerd met @mistralai/mistralai-azure 2.1.0). Omgevingsvariabelen worden nu gevalideerd voordat de client wordt gemaakt. Bron: @mistralai/mistralai-azure SDK.

Waarom Mistral via Azure gebruiken?

Deze vraag rijst zelden om technische redenen: de directe Mistral API werkt perfect. De vraag komt voort uit contractuele en organisatorische overwegingen. Een bedrijf dat al diep verankerd is in het Microsoft-ecosysteem, put uit een onderhandeld Azure-commitment, heeft gevestigde inkoopprocessen en heeft geen zin om een nieuw leverancierscontract af te sluiten voor een paar duizend euro aan tokens.

Het gebruik van Azure AI consolideert de facturatie op uw bestaande Azure-contract, garandeert AVG-compliance via Europese regio’s, biedt native integratie met andere Azure-diensten—Azure Functions, Cosmos DB, Azure ML—en biedt Microsoft enterprise-ondersteuning met bijbehorende service level agreements. Kortom: hetzelfde model, binnen het governance-perimeter dat uw IT-afdeling reeds heeft goedgekeurd.

Keuze tussen serverless en dedicated GPU

Azure biedt twee benaderingen en de keuze hangt af van de regulariteit van uw werklast. De pay-as-you-go-modus, ook wel MaaS (Model as a Service) genoemd, exposeert een serverless API: geen GPU’s om te provisioneren, u betaalt alleen voor verbruikte tokens en Azure regelt de schaling volledig. Dit is de aanbevolen modus voor de meeste use cases, vooral zolang uw verkeer onregelmatig of onvoorspelbaar is.

Real-time endpoints spelen in op de tegenovergestelde behoefte. U kiest het GPU-type en -aantal, de infrastructuur is exclusief voor u gereserveerd en de facturatie gebeurt per compute-uur—of het model nu werkt of niet. Een interne API die continu door enkele duizenden gebruikers wordt aangesproken, past in dit model; een prototype dat drie keer per dag wordt bezocht, zal hier veel geld verspillen. Onthoud de regel: deze modus is aanbevolen voor voorspelbare werklasten met een hoge doorvoer.

Beschikbare modellen op Azure

De Mistral-documentatie vermeldt de volgende modellen op Azure (lijst opgehaald op 2 november 2026). De catalogus evolueert regelmatig: raadpleeg de officiële pagina voor de actuele lijst.

ModelPositionering
Mistral Medium 3.5Goede balans tussen prestaties en kosten
Mistral Large 3 (25.12)Vlaggenschipmodel voor complexe taken
Mistral Small (25.06)Snel en economisch
Codestral (25.01)Gespecialiseerd in codegeneratie
Ministral 3B (24.10)Compact model voor lichtgewicht taken
Document AI (OCR 4)Tekst- en structuurextractie in documenten

Uw referenties ophalen

Het ophalen van referenties gebeurt via de Azure-interface en duurt enkele minuten:

  1. Ga naar Microsoft Foundry
  2. Maak een project aan of selecteer een bestaand project
  3. Implementeer een Mistral-model vanuit de modelcatalogus
  4. Haal uw endpoint en API-sleutel op van de implementatiepagina

Plaats deze twee waarden in omgevingsvariabelen, precies zoals bij de directe Mistral-sleutel. Het verschil zit in het endpoint: elke Azure-implementatie heeft zijn eigen endpoint; er is geen gemeenschappelijke URL.

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

Het model aanroepen in Python

De Mistral SDK biedt een speciale Azure-client, MistralAzure, opgenomen in het mistralai-pakket: u geeft uw implementatie-URL en sleutel door en de rest van de code is identiek aan wat u voor de directe API schrijft. Sinds SDK-versie 2.0 (maart 2026) wordt dit geïmporteerd vanuit 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",  # Identifier verwacht door Azure endpoints
    messages=[
        {"role": "user", "content": "What are the benefits of sovereign cloud in Europe?"}
    ]
)

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

Het meest verwarrende punt ligt bij de parameter model. U verwacht mistral-large-latest te schrijven; in plaats daarvan moet u azureai invullen. De reden is eenvoudig: het model is reeds bepaald door de implementatie die u aan de Azure-kant heeft gemaakt; het endpoint wijst daarop en alleen daarop. Modellen wijzigen betekent dus endpoints wijzigen, niet een string in de code aanpassen.

Streaming verandert echter geen jota ten opzichte van de directe API—dezelfde methode, hetzelfde .data-niveau om de chunk-inhoud te bereiken. Dat is nu juist het hele punt van een unified SDK: de code die u in eerdere lessen heeft geschreven, werkt zoals hij is.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Describe the architecture of a data lake on Azure."}
    ]
)

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

Dezelfde aanroep in TypeScript

Aan de TypeScript-kant wordt de Azure-client gepubliceerd in een apart pakket, @mistralai/mistralai-azure, te installeren met npm add @mistralai/mistralai-azure. De opties volgen de JavaScript-casing: apiKey en endpoint, beide verplicht. Vandaar de validatie van omgevingsvariabelen; zonder deze weigert de strikte modus te compileren, aangezien een omgevingsvariabele zou kunnen ontbreken:

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: 'How to secure an Azure Key Vault?' },
  ],
});

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

Bronnen: Mistral op Azure (Mistral-documentatie) · TypeScript SDK @mistralai/mistralai-azure

De rest van het platform benutten

Zodra de aanroep werkt, benut u de diensten waarvoor u al betaalt. Sla uw sleutels op in Azure Key Vault in plaats van in omgevingsvariabelen: rotatie wordt dan een administratieve handeling in plaats van een nieuwe implementatie. Schakel diagnostische logs in op uw endpoint om latentie en fouten te monitoren; dit is de enige manier om traagheid van het model te onderscheiden van traagheid in de code. Kies een Europese regio, West Europe of France Central, om AVG-compliant te blijven—dit is vaak de hoofdreden om voor Azure te kiezen. Configureer tot slot Azure Monitor-alerts op tokenverbruik: een slecht afgesloten lus in een nachtelijke job duikt veel later op de factuur op dan in een alert.

Belangrijkste punten

  • Azure AI biedt Mistral in modi serverless (MaaS) of dedicated GPU
  • Het model wordt geïdentificeerd door "azureai" in API-aanroepen
  • De MistralAzure-client ontvangt het endpoint via server_url (Python, mistralai.azure.client) of endpoint (TypeScript, @mistralai/mistralai-azure)
  • Integratie met het Azure-ecosysteem (Key Vault, Monitor, Functions) is een groot voordeel voor ondernemingen
  • Kies een Europese regio om AVG-compliant te blijven