Créer mon projet et appeler l’API

Un projet à vous, un modèle déployé dedans, un endpoint : c’est tout ce qu’il faut pour appeler l’IA depuis votre code. Le projet se crée dans la ressource Foundry existante, jamais dans une nouvelle ressource — celle-là serait un lab Azure à part entière, avec son Resource Group, ses tags et sa déclaration.

Créer le projet

1. Ouvrez le projet Foundry des labs, puis créez un projet depuis le sélecteur de projet. La ressource proposée doit être aif-azurefoundry-lab-szn : c’est elle qui porte les quotas et la facture du lab.

2. Nommez le projet de façon identifiable, votre trigramme suivi du sujet : proj-qro-extraction-factures. La ressource est partagée, et personne ne doit avoir à demander à qui appartient ce projet. Même esprit que le nommage des labs.

3. Déployez un modèle depuis le catalogue de modèles. Le nom du déploiement est celui que votre code utilisera : gardez le nom du modèle, sans le décorer.

4. Choisissez le type de déploiement en connaissance de cause : c’est là que se décident le coût et le lieu de traitement, voir juste en dessous.

5. Copiez l’endpoint du projet, affiché sur l’accueil du projet. Il a cette forme :

   https://aif-azurefoundry-lab-szn.services.ai.azure.com/api/projects/<votre-projet>

Le type de déploiement décide du coût et du lieu

Le type	Comment il se facture	Où vos invites sont traitées
Global Standard	Au jeton, rien sans appel. Le plus large catalogue et le tarif le plus bas.	N’importe quelle géographie où le modèle est déployé, donc hors de Suisse et hors d’Europe.
Data zone Standard	Au jeton, rien sans appel.	Dans la zone de données de la ressource, sans en sortir.
Standard (régional)	Au jeton, rien sans appel.	Dans la géographie de la ressource. Le catalogue y est le plus étroit.
Provisionné	À l’heure, appel ou pas, tant que le déploiement existe.	Selon la variante choisie.
Batch	Au jeton, environ moitié prix, en asynchrone.	Traitement global.

Pour un test, Global Standard est le choix par défaut : rien à payer tant que vous n’appelez pas. Un déploiement provisionné est un engagement horaire, à ne pas créer sans accord préalable de lab@qiminfo.ch.

« Global » veut dire hors de Suisse

La ressource est en Suisse, ce qui ne dit rien du trajet de vos invites : un déploiement Global les fait traiter là où le modèle tourne. Sans donnée client, personnelle ni sensible dans les invites, ce n’est pas un problème — c’est précisément pourquoi cette règle vaut aussi ici. Si le sujet de votre test est la localisation du traitement, prenez un déploiement régional et vérifiez le catalogue.

Appeler depuis votre code

L’authentification se fait avec votre compte Qim info, via Azure CLI : aucune clé à stocker, aucune clé à faire fuir.

1. Connectez-vous. Si votre session Azure CLI est ouverte sur un autre tenant, ajoutez --tenant avec celui des labs.

   az login

2. Installez le client et déclarez l’endpoint.

   pip install "azure-ai-projects>=2.3.0" azure-identity
   export AZURE_AI_PROJECT_ENDPOINT="https://aif-azurefoundry-lab-szn.services.ai.azure.com/api/projects/proj-qro-extraction-factures"

3. Appelez le modèle. Le paramètre model attend le nom de votre déploiement, pas celui du modèle du catalogue — ils se ressemblent, et c’est la première cause de 404.

   import os
   
   from azure.ai.projects import AIProjectClient
   from azure.identity import DefaultAzureCredential
   
   project = AIProjectClient(
       endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
       credential=DefaultAzureCredential(),
   )
   
   client = project.get_openai_client()
   
   response = client.responses.create(
       model="gpt-5-mini",
       input="Résume en trois phrases ce qu’est un Resource Group Azure.",
   )
   
   print(response.output_text)

Pour vérifier l’accès sans écrire de code, un jeton et une requête suffisent.

TOKEN=$(az account get-access-token --scope https://ai.azure.com/.default --query accessToken -o tsv)

curl -X POST "$AZURE_AI_PROJECT_ENDPOINT/openai/v1/responses" \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"model": "gpt-5-mini", "input": "Bonjour"}'

La clé d’API est un secret, le jeton n’en est pas un

Le portail propose aussi une clé pour appeler la ressource. Elle ouvre l’accès aux modèles à qui la détient, et elle ne porte le nom de personne : impossible de savoir qui a consommé quoi. Si vous en prenez une, elle va dans une variable d’environnement ou un fichier ignoré par Git, jamais dans le code, jamais dans un ticket, jamais dans un message. Le jeton obtenu par az login expire tout seul et reste attaché à votre compte : préférez-le.

Les SDK Foundry ont changé d’API entre leurs versions 1.x et 2.x, et les exemples qui traînent sur le web mélangent les deux. Le playground de votre projet affiche le code correspondant à ce qui est déployé, dans le langage de votre choix : c’est la seule référence qui ne se périme pas.

Ce qui coince

Le symptôme	Ce qui se passe
Le portail veut créer une nouvelle ressource	Vous êtes dans le parcours de création complet, pas dans celui d’un projet. Repartez de la ressource aif-azurefoundry-lab-szn et créez le projet dedans.
404 sur le nom du modèle	model attend le nom du déploiement tel qu’il apparaît dans votre projet, et le déploiement doit être dans le projet visé par l’endpoint.
401 malgré az login	Votre session est ouverte sur un autre tenant ou un autre compte : az account show le dit. Rejouez az login avec --tenant.
403 alors que le playground fonctionne	Le portail et le SDK ne passent pas par les mêmes droits. Écrivez à lab@qiminfo.ch avec le nom du projet.
Le déploiement échoue faute de quota	Le quota de jetons par minute de la ressource est déjà distribué entre les déploiements existants. Réduisez le quota demandé, ou demandez un arbitrage à lab@qiminfo.ch.
Le modèle voulu n’est pas proposé	Il n’existe pas dans la région de la ressource, ou pas dans le type de déploiement choisi. Un type Global élargit souvent le catalogue.
La facture monte sans que rien tourne	Un déploiement provisionné, un modèle affiné hébergé, ou une boucle de test laissée en marche. Regardez la liste des déploiements du projet avant de chercher ailleurs.

Quand j’ai fini

Rien n’expire tout seul. Supprimez d’abord les déploiements, puis le projet : c’est ce qui arrête la facturation et libère du quota pour les collègues.

Ce qui compte se conserve ailleurs : vos invites, vos jeux d’essai et vos scripts ont leur place dans un dépôt Git. Aucune sauvegarde n’est garantie dans le lab, et le projet supprimé emporte ses conversations.

Règles applicables

Aucune donnée sensible

À ma charge

Aucune donnée client réelle, personnelle ou sensible ne doit être déposée dans un lab.

ObligatoirePR-GOVCLOUDLAB-A-01 / PR-GOVLABONPREM-A-01

Budget indicatif

Recommandation

Budget indicatif d’environ 200 CHF par mois et par lab.

Non bloquantPR-GOVCLOUDLAB-A-01

Nettoyage et documentation

À ma charge

Arrêter ou supprimer les ressources inutiles et documenter le lab au fil de l’eau.

Non bloquantPR-GOVCLOUDLAB-A-01

Un besoin qui dépasse le libre-service — un modèle absent, un quota plus large, un déploiement provisionné, un affinage, une connexion vers des données internes : écrivez à lab@qiminfo.ch en décrivant le test et sa durée.