Azure AI: Model as a Service
Nesta página
Mistral na Azure AI
A Microsoft Azure é o principal parceiro de nuvem da Mistral AI. A integração com a Azure AI disponibiliza modelos sob a forma de Model as a Service (MaaS), o que significa que os consome através de uma API sem precisar de gerir qualquer GPU. Para muitas empresas, o fator decisivo não é técnico, mas organizacional: o orçamento de nuvem já existe, o acesso é governado pelo Azure AD e adicionar a Mistral ao catálogo significa ativar mais um serviço em vez de negociar um novo contrato. Esta lição aborda as duas abordagens de implementação disponíveis e os modelos acessíveis.
Duas abordagens de implementação
A abordagem pay-as-you-go (pagamento conforme o uso) é a mais comum. Implementa um endpoint sem servidor e é faturado apenas pelo uso, por token consumido, sem necessidade de quota de GPU. O arranque é imediato, pois não há nada para aprovisionar, não existem custos fixos, a escalabilidade segue a procura automaticamente e toda a configuração integra-se nativamente no ecossistema Azure. Esta é a opção predefinida enquanto o seu tráfego for irregular.
A abordagem de endpoints em tempo real resolve o caso oposto. Aqui, escolhe a infraestrutura GPU na qual o modelo é executado e é faturado pelas horas de infraestrutura, independentemente do volume de pedidos. O desempenho torna-se previsível e a latência garantida, o que justifica o custo fixo assim que o throughput é contínuo e sustentado. Uma plataforma que processa várias centenas de milhares de documentos todas as noites beneficia disto; um assistente interno consultado trinta vezes por dia, não.
Modelos disponíveis na Azure
A Azure oferece uma vasta gama de modelos Mistral, tanto de propósito geral como especializados.
| Modelo | Perfil |
|---|---|
| Mistral Large 3 | Modelo principal, raciocínio avançado |
| Mistral Large 24.07 / 24.11 | Versões anteriores, ainda disponíveis |
| Mistral Medium 25.05 | Bom equilíbrio desempenho/custo |
| Mistral Small 25.03 | Leve e rápido |
| Mistral Document AI | Processamento de documentos |
| Mistral OCR | Reconhecimento ótico de carateres |
| Ministral 3B | Ultra-leve para casos extremos |
| Mistral Nemo | Modelo de pesos abertos versátil |
| Codestral | Especializado em código e geração técnica |
Implementar um modelo na Azure
Três pré-requisitos condicionam o restante: uma subscrição Azure ativa, acesso ao Azure AI Studio através de portal.azure.com e um grupo de recursos configurado para alojar o recurso. Uma vez estes elementos no lugar, a implementação ocorre inteiramente a partir do portal:
- Aceda ao Azure AI Studio no portal Azure
- Navegue até Catálogo de modelos > Mistral AI
- Selecione o modelo pretendido
- Escolha Pay-as-you-go ou Endpoint em tempo real
- Configure o nome do endpoint e a região
- Implemente e recupere o URL + chave da API
No final deste último passo, fica com duas informações que conduzem todo o resto: o URL do endpoint e a chave secreta associada.
# 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"
Estes comandos export funcionam para testes locais. Em produção, estes dois valores devem estar num gestor de segredos — neste caso, o Azure Key Vault — e veremos na Lição 6 como recuperá-los a partir daí sem nunca os escrever noutro local.
Primeira chamada à API
Eis como verificar se o seu endpoint está realmente a responder.
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)
Um detalhe merece a sua atenção, pois confunde quase todos os programadores vindos da API direta: o parâmetro model é sempre "azureai". O modelo real que está a ser consultado é determinado pelo endpoint que implementou, e não por esta cadeia de carateres. Se quiser mudar de modelo, implemente outro endpoint; escrever model="mistral-large-latest" aqui não produziria nada de útil.
Diferenças em relação à API direta da Mistral
| Aspeto | API direta da Mistral | Azure MaaS |
|---|---|---|
| Cliente Python | Mistral() | MistralAzure() |
| Parâmetro do modelo | Nome do modelo | "azureai" |
| Autenticação | Chave da API Mistral | Chave da API Azure |
| Faturação | Mistral | Azure |
| Rede | Internet | Pode ser privada (VNet) |
Quando escolher a Azure
A Azure torna-se a escolha natural quando a sua empresa já vive no ecossistema Microsoft e aproveita o Azure AD, o Key Vault ou o Monitor: a integração custa então quase nada. A necessidade de conectividade de rede privada, via VNet ou Private Link, empurra na mesma direção, tal como as políticas de conformidade que exigem que os dados permaneçam num fornecedor de nuvem certificado. Some-se a isto um argumento prosaico, mas frequentemente decisivo nos comités de investimento: consolidar a faturação da nuvem numa única linha.
Pontos-chave
- A Azure oferece a Mistral como MaaS (pay-as-you-go) ou endpoints em tempo real (GPU dedicada)
- O cliente Python
MistralAzuresubstitui o cliente padrãoMistral - O parâmetro
modelé sempre"azureai"— o modelo depende do endpoint - A integração nativa com o ecossistema Azure (Key Vault, VNet, Monitor) é uma grande vantagem