Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Mistral sur Azure AI

Lektion 11 av 14 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Pourquoi utiliser Mistral via Azure ?
  2. Choisir entre serverless et GPU dédié
  3. Modèles disponibles sur Azure
  4. Récupérer vos identifiants
  5. Appeler le modèle en Python
  6. Le même appel en TypeScript
  7. Tirer parti du reste de la plateforme
  8. Viktiga punkter

Mis à jour le 3 novembre 2026 : L’exemple TypeScript passait précédemment process.env.AZUREAI_API_KEY et process.env.AZUREAI_ENDPOINT directement à MistralAzure. Comme ces deux options sont obligatoires, TypeScript 7 en mode strict refusait la compilation (vérifié avec @mistralai/mistralai-azure 2.1.0). Les variables d’environnement sont désormais validées avant la construction du client. Source : SDK @mistralai/mistralai-azure.

Pourquoi utiliser Mistral via Azure ?

Cette question se pose rarement pour des raisons techniques : l’API directe de Mistral fonctionne parfaitement. Elle surgit pour des raisons contractuelles et organisationnelles. Une entreprise déjà intégrée dans l’écosystème Microsoft consomme un engagement Azure négocié, dispose de processus d’achat établis et n’a aucune envie d’ouvrir un nouveau contrat fournisseur pour quelques milliers d’euros de tokens.

Utiliser Azure AI consolide la facturation sur votre contrat Azure existant, garantit la conformité RGPD grâce aux régions européennes, offre une intégration native avec d’autres services Azure (Azure Functions, Cosmos DB, Azure ML) et propose un support entreprise Microsoft avec des accords de niveau de service correspondants. En bref : le même modèle, mais dans le périmètre de gouvernance que votre DSI a déjà approuvé.

Choisir entre serverless et GPU dédié

Azure propose deux approches, et le choix dépend de la régularité de votre charge de travail. Le mode à la demande, aussi appelé MaaS (Model as a Service), expose une API serverless : aucun GPU à provisionner, vous ne payez que les tokens consommés et Azure gère seul la mise à l’échelle. C’est le mode recommandé pour la plupart des cas d’usage, surtout tant que votre trafic est irrégulier ou imprévisible.

Les endpoints temps réel répondent au besoin opposé. Vous choisissez le type et le nombre de GPU, l’infrastructure vous est dédiée et la facturation s’effectue à l’heure de calcul, que le modèle travaille ou reste inactif. Une API interne sollicitée en continu par plusieurs milliers d’utilisateurs correspond à ce modèle ; un prototype consulté trois fois par jour y gaspillera beaucoup d’argent. Retenez la règle : ce mode est recommandé pour les charges de travail prévisibles à haut débit.

Modèles disponibles sur Azure

La documentation de Mistral liste les modèles suivants sur Azure (liste récupérée le 2 novembre 2026). Le catalogue évolue régulièrement : consultez la page officielle pour la liste à jour.

ModèlePositionnement
Mistral Medium 3.5Bon rapport performance/coût
Mistral Large 3 (25.12)Modèle phare pour les tâches complexes
Mistral Small (25.06)Rapide et économique
Codestral (25.01)Spécialisé dans la génération de code
Ministral 3B (24.10)Modèle compact pour les tâches légères
Document AI (OCR 4)Extraction de texte et de structure dans les documents

Récupérer vos identifiants

La récupération des identifiants se fait via l’interface Azure et prend quelques minutes :

  1. Rendez-vous sur Microsoft Foundry
  2. Créez un projet ou sélectionnez-en un existant
  3. Déployez un modèle Mistral depuis le catalogue de modèles
  4. Récupérez votre endpoint et votre clé API depuis la page de déploiement

Placez ces deux valeurs dans des variables d’environnement, exactement comme pour la clé Mistral directe. La différence réside dans l’endpoint : chaque déploiement Azure possède le sien ; il n’existe pas d’URL commune.

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

Appeler le modèle en Python

Le SDK Mistral fournit un client Azure dédié, MistralAzure, inclus dans le paquet mistralai : vous lui passez l’URL de votre déploiement et votre clé, et le reste du code est identique à celui que vous écrivez pour l’API directe. Depuis la version 2.0 du SDK (mars 2026), l’importation se fait depuis 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",  # Identifiant attendu par les endpoints Azure
    messages=[
        {"role": "user", "content": "Quels sont les avantages du cloud souverain en Europe ?"}
    ]
)

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

Le point le plus déroutant réside dans le paramètre model. Vous vous attendez à écrire mistral-large-latest ; vous devez pourtant mettre azureai. La raison est simple : le modèle est déjà déterminé par le déploiement que vous avez créé côté Azure ; l’endpoint pointe vers lui et lui seul. Changer de modèle signifie donc changer d’endpoint, et non modifier une chaîne de caractères dans le code.

Le streaming, en revanche, ne change pas d’un iota par rapport à l’API directe : même méthode, même niveau .data pour atteindre le contenu du chunk. C’est tout l’intérêt d’un SDK unifié : le code que vous avez écrit dans les leçons précédentes fonctionne tel quel.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Décrivez l'architecture d'un data lake sur Azure."}
    ]
)

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

Le même appel en TypeScript

Côté TypeScript, le client Azure est publié dans un paquet séparé, @mistralai/mistralai-azure, installé avec npm add @mistralai/mistralai-azure. Ses options suivent la convention de nommage JavaScript : apiKey et endpoint, toutes deux obligatoires. D’où la validation des variables d’environnement, sans laquelle le mode strict refuse la compilation, car une variable d’environnement pourrait être manquante :

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);

Sources : Mistral sur Azure (documentation Mistral) · SDK TypeScript @mistralai/mistralai-azure

Tirer parti du reste de la plateforme

Une fois l’appel fonctionnel, exploitez les services que vous payez déjà. Stockez vos clés dans Azure Key Vault plutôt que dans des variables d’environnement : la rotation devient une opération administrative, et non un redéploiement. Activez les journaux de diagnostic sur votre endpoint pour surveiller la latence et les erreurs, seul moyen de distinguer la lenteur du modèle de celle du code. Choisissez une région européenne, Europe de l’Ouest ou France Centre, pour rester conforme au RGPD — c’est souvent la raison même du choix d’Azure. Enfin, configurez des alertes Azure Monitor sur la consommation de tokens : une boucle mal fermée dans un job nocturne apparaît sur la facture bien plus tard que sur une alerte.

Viktiga punkter

  • Azure AI propose Mistral en modes serverless (MaaS) ou GPU dédié
  • Le modèle est identifié par "azureai" dans les appels API
  • Le client MistralAzure reçoit l’endpoint via server_url (Python, mistralai.azure.client) ou endpoint (TypeScript, @mistralai/mistralai-azure)
  • L’intégration avec l’écosystème Azure (Key Vault, Monitor, Functions) est un atout majeur pour les entreprises
  • Choisissez une région européenne pour rester conforme au RGPD