Azure OpenAI bei Startkrediten: Deployment-Names, Regionen und .env-Hygiene

Ein Student im Abschlussjahr reichte bei Microsoft für das Programm Startups einen umfangreichen Projektvorschlag ein und erhielt 1.000 US-Dollar an Azure-Krediten. Ohne registriertes Unternehmen waren die höheren Tarife nicht verfügbar, doch die Krediten reichten aus, um RAG-Agenten zu lernen und zu betreiben, ohne eigene Ausgaben tätigen zu müssen. Die kostenlose Rechenleistung machte Azure OpenAI zudem zugänglicher, anstatt es als „nur für Unternehmen“ erscheinen zu lassen.

Falls eine Organisation bereits auf Azure arbeitet, ist Azure OpenAI oft der offensichtliche Weg – nicht ein komplizierter Umweg.

Im Folgenden finden Sie eine praktische Einrichtungsanleitung, einschließlich des häufigen Namensfehlers, der einen Nachmittag kosten kann.

Warum Azure OpenAI und nicht nur die öffentlichen OpenAI-APIs?

Dieselben GPT-Modelle, unterschiedliches Betriebsmodell:

• Konformitätsstatus – läuft innerhalb des Azure-Tenants unter bestehenden Zertifizierungen (SOC 2, HIPAA und ähnliche).

Nativer Anpassungsfaktor – Azure AD, Key Vault, App Service können ohne umständliche Brücken verbunden werden

Einheitliche Kostenverfolgung – Ausgaben werden mit anderen Azure-Rechnungen zusammengeführt

Kredite für Studenten/Startups – echte Möglichkeit zum Ausprobieren

Für auf Azure ausgerichtete Arbeitgeber ist dies der natürliche Weg.

Einrichtung

Voraussetzungen: Azure-Abonnement, Zugang zu Azure OpenAI (Genehmigung erfolgt nicht sofort), Python 3.8+, VS Code oder ähnliches.

1. Erstellen Sie die Ressource. Portal → „Azure OpenAI“ → Erstellen. Wählen Sie Abonnement, Ressourcengruppe und Region aus.

Überprüfen Sie zunächst die Verfügbarkeit der Modelle nach Region. Nicht jedes Modell ist überall verfügbar; dies herauszufinden, nachdem die Bereitstellung erfolgt ist, verschwendet Zeit.

Preisgestaltung: Standard S0 (Kredite decken das Pay-as-you-go-Modell ab).

2. Deployen Sie ein Modell in Azure AI Foundry. Deployments → Erstellen → wählen Sie ein Basismodell (zum Beispiel gpt-4o) → geben Sie einen Deployment-Namen an.

Der Modellname und der Deployment-Namen unterscheiden sich. Der Modellname wählt das Basismodell aus; der Deployment-Namen ist die benutzerdefinierte Bezeichnung, unter der Ihr Code aufrufen muss. Wenn Sie gpt-4o angeben, obwohl der Client den Deployment-Label erwartet, entstehen verwirrende 404-Fehler.

3. Schlüssel und Endpunkt. Ressource → Schlüssel und Endpunkt. Speichern Sie diese in .env, niemals im Quellcode:

AZURE_OPENAI_API_KEY=your-key-here
AZURE_OPENAI_ENDPOINT=https://your-resource-name.openai.azure.com/
AZURE_OPENAI_DEPLOYMENT_NAME=your-deployment-name-here
AZURE_OPENAI_API_VERSION=2024-10-21

Fügen Sie .env umgehend zu .gitignore hinzu.

4. Installieren Sie SDKs

pip install openai python-dotenv azure-identity

5. Grundlegende Chat-Vervollständigung

import os
from dotenv import load_dotenv
from openai import AzureOpenAI

load_dotenv()client = AzureOpenAI(
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
)response = client.chat.completions.create(
    model=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),  # deployment name, not model name
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Explain RAG agents in simple terms."},
    ],
)print(response.choices[0].message.content)

6. Natürliche nächste Schritte. Streaming, Funktionsaufrufe, Azure AI Search „Bring Your Own Data“ sowie Hosting in App Service, sobald der hello-world-Pfad grün ist.

Mehrere Dinge, auf die man achten sollte

• Regionen nicht übereinstimmen – überprüfen Sie die Verfügbarkeit des Modells, bevor Sie die Ressource erstellen
• Modellname vs. Deployment-Name – der Code benötigt den Deployment-Name
• Hartkodierte Geheimnisse – nur .env; niemals commitpen
• API-Version-Abweichungen – festlegen und bei SDK-Updates erneut überprüfen
• Kreditverbrauch – beobachten Sie die Token-Nutzung während der Iterationen in RAG-Schleifen; Embeddings plus Chat summieren sich auch bei „kostenlosen“ Krediten
• Zögern bei der Zugangsfreigabe – beantragen Sie Azure OpenAI frühzeitig im Projektzeitplan

Mit Krediten und einem korrekten Bereitstellungsnamen wirkt Azure OpenAI nicht mehr wie ein gesperrter Unternehmenstresor, sondern wird zu einem praktischen Labor für RAG-Experimente, die dem Vorgehen vieler Unternehmen entsprechen.

Betrachten Sie den ersten erfolgreichen Abschlussaufruf als Meilenstein und führen Sie anschließend sofort einen kleinen RAG-Zyklus durch: Laden Sie ein PDF in Blob oder Search hoch, holen Sie sich drei Abschnitte und verlangen Sie, dass die Antwort diese zitiert. Diese Abfolge bringt regionale, benennungs- und Berechtigungsprobleme schneller ans Licht als das Feinschleifen einer Chatbot-Oberfläche. Aktivieren Sie einen Ausgabenalarm für die Ressourcengruppe, damit explorative Einbettungsprozesse nicht heimlich den Kreditrahmen über Nacht aufbrauchen.