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 Mistral en tant que Model as a Service (MaaS), ce qui vous permet de consommer les modèles via une API sans gérer de GPU. Cette leçon couvre les deux approches de déploiement disponibles sur Azure et les modèles accessibles.

Deux approches de déploiement

Pay-as-you-go (MaaS)

L’approche pay-as-you-go est la plus courante. Vous déployez un endpoint serverless et êtes facturé uniquement à l’usage (par token consommé). Aucun quota GPU n’est nécessaire.

Avantages :

• Démarrage rapide sans provisionner d’infrastructure
• Facturation à l’usage, pas de coût fixe
• Scaling automatique selon la demande
• Intégration native avec l’écosystème Azure

Real-time endpoints

L’approche real-time endpoints vous permet de choisir l’infrastructure GPU sur laquelle tourne le modèle. Vous êtes facturé par heure d’infrastructure, indépendamment du volume de requêtes.

Avantages :

• Performances prévisibles et constantes
• Latence garantie
• Adapté aux workloads à fort volume continu

Modèles disponibles sur Azure

Azure propose une large gamme de modèles Mistral :

• Mistral Large 3 — le modèle phare, raisonnement avancé
• Mistral Large 24.07 / 24.11 — versions précédentes, encore disponibles
• Mistral Medium 25.05 — bon compromis performance/coût
• Mistral Small 25.03 — léger et rapide
• Mistral Document AI — traitement de documents
• Mistral OCR — reconnaissance optique de caractères
• Ministral 3B — ultra-léger pour les cas edge
• Mistral Nemo — modèle open-weight polyvalent
• Codestral — spécialisé code et génération technique

Déployer un modèle sur Azure

Prérequis

1. Un abonnement Azure actif
2. Accès à Azure AI Studio (portal.azure.com)
3. Un resource group configuré

Étapes de déploiement

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

Configuration des variables d’environnement

Une fois votre endpoint déployé, vous obtenez deux informations essentielles :

# 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"

Stockez ces valeurs dans un gestionnaire de secrets (Azure Key Vault, par exemple) en production.

Premier appel API

Voici un exemple minimal pour tester votre endpoint Azure :

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)

Notez que le paramètre model est toujours "azureai" lorsque vous utilisez un endpoint Azure — le modèle réel est déterminé par l’endpoint que vous avez déployé.

Différences avec l’API Mistral directe

Quand choisir Azure

Azure est particulièrement pertinent si :

• Votre entreprise utilise déjà l’écosystème Microsoft (Azure AD, Key Vault, Monitor)
• Vous avez besoin de connectivité réseau privée (VNet, Private Link)
• Vos politiques de conformité exigent que les données restent chez un cloud provider certifié
• Vous souhaitez consolider votre facturation cloud

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