Crédits de démarrage d’Azure OpenAI : noms de déploiement, régions et propreté du fichier .env

Un étudiant en dernière année a soumis une demande à Microsoft pour le programme Startups avec un projet majeur et a reçu 1 000 dollars en crédits Azure. Sans entreprise enregistrée, les niveaux supérieurs n’étaient pas disponibles, mais ces crédits suffisaient pour apprendre et exécuter des agents RAG sans dépenses personnelles. Les ressources informatiques gratuites rendaient également Azure OpenAI plus accessible, plutôt que réservé uniquement aux entreprises.

Si une organisation utilise déjà Azure, Azure OpenAI représente souvent le chemin le plus logique — et non un détour compliqué.

Ce qui suit est un guide pratique de mise en place, y compris l’erreur de nommage qui coûte souvent un après-midi entier.

Pourquoi Azure OpenAI et non seulement les API publiques d’OpenAI ?

Mêmes modèles de type GPT, modèle opérationnel différent :

• Conformité — fonctionne au sein du tenant Azure sous les certifications existantes (SOC 2, HIPAA et similaires)

Intégration native — Connexion à Azure AD, Key Vault et App Service sans solutions intermédiaires complexes

Suivi unifié des coûts — Regroupement des dépenses avec les autres factures Azure

Crédits pour étudiants et startups — Possibilité réelle d’expérimenter

Pour les employeurs axés sur Azure, c’est la solution naturelle.

Mise en place

Prérequis : Abonnement Azure, accès à Azure OpenAI (l’approbation n’est pas immédiate), Python 3.8+, VS Code ou un équivalent.

1. Créer la ressource. Portail → “Azure OpenAI” → Créer. Sélectionner l’abonnement, le groupe de ressources et la région.

Vérifiez d’abord la disponibilité des modèles par région. Tous les modèles ne sont pas disponibles partout ; s’en apercevoir après déploiement est une perte de temps.

Prix : Standard S0 (les crédits couvrent le mode pay-as-you-go).

2. Déployer un modèle dans Azure AI Foundry. Déploiements → Créer → choisir un modèle de base (par exemple gpt-4o) → sélectionner un nom de déploiement.

Le nom du modèle et le nom de déploiement sont différents. Le nom du modèle permet de choisir le modèle de base ; le nom de déploiement est l’étiquette personnalisée que votre code doit utiliser. Si vous saisissez gpt-4o à l’endroit où le client attend l’étiquette de déploiement, cela provoque des erreurs 404 confuses.

3. Clés et point de terminaison. Ressource → Clés et Point de terminaison. Stockez-les dans un fichier .env, jamais dans le code source :

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

Ajoutez immédiatement .env à .gitignore.

4. Installer les SDKs

pip install openai python-dotenv azure-identity

5. Complétion de chat de base

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. Prochaines étapes naturelles. Diffusion en continu, appels de fonctions, fonctionnalité « apportez vos propres données » d’Azure AI Search, ainsi que l’hébergement via App Service une fois que le chemin « hello-world » est opérationnel.

Points à surveiller

• Désaccords de région — vérifiez la disponibilité du modèle avant de créer le ressource
• Nom du modèle vs nom de déploiement — le code a besoin du nom de déploiement
• Sécrets codés en dur — uniquement dans .env ; ne les committez jamais
• Dérive de la version API — fixez-la et réexaminez-la lors des mises à jour des SDK
• Consommation des crédits — surveillez l’utilisation des tokens pendant les itérations sur les boucles RAG ; les embeddings et les conversations augmentent la consommation même avec des crédits « gratuits »
• Délai d’approbation de l’accès — demandez Azure OpenAI tôt dans le calendrier du projet

Avec des crédits et un nom de déploiement correct, Azure OpenAI cesse d’avoir l’air d’un coffre-fort d’entreprise verrouillé pour devenir un laboratoire pratique pour des expériences RAG qui reflètent la manière dont de nombreuses entreprises fonctionnent déjà.

Considérez la première appel de finition réussie comme un point de contrôle, puis exécutez immédiatement une petite boucle RAG : téléchargez un PDF dans Blob ou Search, récupérez trois extraits, et exigez que la réponse les cite. Cette séquence met en évidence plus rapidement les problèmes de région, de nommage et de permissions que la mise au point d’une interface utilisateur de chatbot. Activez une alerte de dépenses sur le groupe de ressources afin que les analyses exploratoires d’embedding ne vident pas silencieusement le solde de crédits pendant la nuit.