Azure AI : Model as a Service

Mistral sur Azure AI

Microsoft Azure est le premier partenaire cloud de Mistral AI. L’intégration Azure AI propose les modèles en Model as a Service (MaaS), c’est-à-dire consommables via une API sans que vous ayez à gérer le moindre GPU. Pour beaucoup d’entreprises, l’argument décisif n’est pas technique mais organisationnel : le budget cloud existe déjà, les accès sont gouvernés par Azure AD, et ajouter Mistral au catalogue revient à ouvrir 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 est la plus courante. Vous déployez un endpoint serverless et n’êtes facturé qu’à l’usage, par token consommé, sans avoir besoin d’un quota GPU. Le démarrage est immédiat puisqu’il n’y a rien à provisionner, il n’existe aucun coût fixe, le scaling suit automatiquement la demande et l’ensemble s’intègre nativement à l’écosystème Azure. C’est l’option par défaut tant que votre trafic est irrégulier.

L’approche real-time endpoints répond au cas inverse. Vous choisissez ici l’infrastructure GPU sur laquelle tourne le modèle et vous êtes facturé à l’heure d’infrastructure, indépendamment du volume de requêtes. Les performances deviennent prévisibles et la latence garantie, ce qui justifie le coût fixe dès lors que le débit est continu et soutenu. Une plateforme qui traite chaque nuit plusieurs centaines de milliers de documents y gagne ; un assistant interne consulté trente fois par jour y perdrait.

Modèles disponibles sur Azure

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

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 resource group configuré pour accueillir la ressource. Une fois ces éléments réunis, le déploiement se déroule entièrement depuis le portail :

1. Accédez à Azure AI Studio dans le portail Azure
2. Naviguez vers Model catalog > Mistral AI
3. Sélectionnez le modèle souhaité
4. Choisissez Pay-as-you-go ou Real-time endpoint
5. Configurez le nom de l’endpoint et la région
6. Déployez et récupérez l’URL + la clé API

À l’issue de cette dernière étape, vous repartez avec deux informations qui conditionnent tout le reste : l’URL de l’endpoint et la clé secrète associée.

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

# Clé API secrète
export AZUREAI_API_KEY="votre-cle-secrete"

Ces export conviennent pour un test local. En production, ces deux valeurs ont vocation à vivre dans un gestionnaire de secrets — Azure Key Vault en l’occurrence — et nous verrons à la leçon 6 comment les y récupérer sans jamais les écrire ailleurs.

Premier appel API

Voici de quoi vérifier que votre endpoint répond effectivement.

import os
from mistralai import MistralAzure

client = MistralAzure(
    azure_endpoint=os.environ["AZUREAI_ENDPOINT"],
    azure_api_key=os.environ["AZUREAI_API_KEY"]
)

response = client.chat.complete(
    model="azureai",
    messages=[
        {"role": "user", "content": "Explique-moi le théorème de Bayes en 3 phrases."}
    ]
)
print(response.choices[0].message.content)

Un détail mérite votre attention, car il déroute presque tous les développeurs venus de l’API directe : le paramètre model vaut toujours "azureai". Le modèle réellement interrogé est déterminé par l’endpoint que vous avez déployé, pas par cette chaîne de caractères. Si vous voulez changer de modèle, vous déployez un autre endpoint — écrire model="mistral-large-latest" ici ne produirait rien d’utile.

Différences avec l’API Mistral directe

Quand choisir Azure

Azure devient le choix naturel lorsque votre 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 des politiques de conformité imposant que les données restent chez un fournisseur cloud certifié. S’y ajoute un argument prosaïque mais souvent décisif en comité d’investissement : la consolidation de la facturation cloud sur une seule ligne.

Points clés à retenir

• Azure propose Mistral en MaaS (pay-as-you-go) ou real-time endpoints (GPU dédié)
• Le client Python MistralAzure remplace le client standard Mistral
• Le paramètre model est toujours "azureai" — le modèle dépend de l’endpoint
• L’intégration native avec l’écosystème Azure (Key Vault, VNet, Monitor) est un avantage majeur