Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Azure AI: Model as a Service

Lektion 4 av 14 Uppdaterad 2 november 2026 Avancerad
På denna sida
  1. Mistral sur Azure AI
  2. Deux approches de déploiement
  3. Modèles disponibles sur Azure
  4. Déployer un modèle sur Azure
  5. Premier appel API
  6. Différences avec l’API Mistral directe
  7. Quand choisir Azure
  8. Viktiga punkter

Mistral sur Azure AI

Microsoft Azure est le partenaire cloud principal de Mistral AI. L’intégration Azure AI propose des modèles sous forme de Model as a Service (MaaS), ce qui signifie que tu les consommes via une API sans avoir à gérer le moindre GPU. Pour de nombreuses entreprises, le facteur décisif n’est pas technique mais organisationnel : le budget cloud existe déjà, l’accès est régi par Azure AD, et ajouter Mistral au catalogue revient à activer un service de plus plutôt qu’à négocier un nouveau contrat. Cette leçon couvre les deux approches de déploiement disponibles et les modèles accessibles.

Deux approches de déploiement

L’approche pay-as-you-go (paiement à l’usage) est la plus courante. Tu déploies un point de terminaison serverless et es facturé uniquement pour l’usage, par jeton consommé, sans besoin de quota GPU. Le démarrage est immédiat car rien n’est à provisionner, il n’y a pas de coûts fixes, la mise à l’échelle suit automatiquement la demande et toute la configuration s’intègre nativement à l’écosystème Azure. C’est l’option par défaut tant que ton trafic est irrégulier.

L’approche des points de terminaison en temps réel répond au cas opposé. Ici, tu choisis l’infrastructure GPU sur laquelle le modèle s’exécute et es facturé pour les heures d’infrastructure, quel que soit le volume de requêtes. Les performances deviennent prévisibles et la latence garantie, ce qui justifie le coût fixe une fois que le débit est continu et soutenu. Une plateforme traitant plusieurs centaines de milliers de documents chaque nuit en bénéficie ; un assistant interne consulté trente fois par jour, non.

Modèles disponibles sur Azure

Azure propose une large gamme de modèles Mistral, tant généralistes que spécialisés.

ModèleProfil
Mistral Large 3Modèle phare, raisonnement avancé
Mistral Large 24.07 / 24.11Versions précédentes, toujours disponibles
Mistral Medium 25.05Bon équilibre performance/coût
Mistral Small 25.03Léger et rapide
Mistral Document AITraitement de documents
Mistral OCRReconnaissance optique de caractères
Ministral 3BUltra-léger pour les cas limites
Mistral NemoModèle open-weight polyvalent
CodestralSpécialisé dans le code et la génération technique

Déployer un modèle sur Azure

Trois prérequis conditionnent la suite : un abonnement Azure actif, un accès à Azure AI Studio via portal.azure.com et un groupe de ressources configuré pour héberger la ressource. Une fois ces éléments en place, le déploiement s’effectue entièrement depuis le portail :

  1. Accède à Azure AI Studio dans le portail Azure
  2. Navigue vers Model catalog > Mistral AI
  3. Sélectionne le modèle souhaité
  4. Choisis Pay-as-you-go ou Real-time endpoint
  5. Configure le nom du point de terminaison et la région
  6. Déploie et récupère l’URL + la clé API

À l’issue de cette dernière étape, tu repars avec deux informations qui pilotent tout le reste : l’URL du point de terminaison et la clé secrète associée.

# 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"

Ces commandes export fonctionnent pour les tests locaux. En production, ces deux valeurs appartiennent à un gestionnaire de secrets — Azure Key Vault dans ce cas — et nous verrons dans la leçon 6 comment les récupérer depuis là sans jamais les écrire ailleurs.

Premier appel API

Voici comment vérifier que ton point de terminaison répond bien.

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 détail mérite ton attention car il piège presque tous les développeurs venant de l’API directe : le paramètre model est toujours "azureai". Le modèle réellement interrogé est déterminé par le point de terminaison que tu as déployé, pas par cette chaîne. Si tu veux changer de modèle, tu déploies un autre point de terminaison ; écrire model="mistral-large-latest" ici ne produirait rien d’utile.

Différences avec l’API Mistral directe

AspectAPI Mistral directeAzure MaaS
Client PythonMistral()MistralAzure()
Paramètre modelNom du modèle"azureai"
AuthentificationClé API MistralClé API Azure
FacturationMistralAzure
RéseauInternetPeut être privé (VNet)

Quand choisir Azure

Azure devient le choix naturel lorsque ton entreprise vit déjà dans l’écosystème Microsoft et exploite Azure AD, Key Vault ou Monitor : l’intégration ne coûte alors presque rien. Le besoin de connectivité réseau privée, via VNet ou Private Link, pousse dans la même direction, tout comme les politiques de conformité exigeant que les données restent chez un fournisseur cloud certifié. Ajoute à cela un argument prosaïque mais souvent décisif dans les comités d’investissement : consolider la facturation cloud sur une seule ligne.

Viktiga punkter

  • Azure propose Mistral en MaaS (paiement à l’usage) ou via des points de terminaison en temps réel (GPU dédié)
  • Le client Python MistralAzure remplace le client standard Mistral
  • Le paramètre model est toujours "azureai" — le modèle dépend du point de terminaison
  • L’intégration native avec l’écosystème Azure (Key Vault, VNet, Monitor) est un avantage majeur