كيف تربط SageMaker MLflow بالأنظمة القديمة عبر REST API: حل من AWS
نشرت AWS وسيط Flask يوفّر وصولاً آمناً عبر REST إلى SageMaker MLflow دون الحاجة إلى SDK. يخدم الحل الشركات التي تمرّ بمرحلة التحول السحابي: إذ يمكنها ربط MLflow بأنظمة ML القديمة (Java وGo وC#) دون إعادة بناء المعمارية بالكامل. يعتمد الوسيط على HTTPS افتراضياً، وتتم المصادقة عبر AWS IAM.
معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
نشرت AWS حلاً للمؤسسات التي تنتقل إلى السحابة ولا تريد تعطيل أنظمة ML القائمة لديها. تكمن المشكلة في أن Amazon SageMaker MLflow يتطلب SDK خاصاً وتحديث الاعتماديات وتغيير آلية التكامل. أما الحل فهو وسيط REST API مبني على Flask، يتيح وصولاً آمناً إلى MLflow عبر HTTPS عادي دون SDK.
كيف يعمل الوسيط
يقع تطبيق Flask بين نظامك وSageMaker MLflow. يستقبل طلبات HTTP الواردة، ويحوّلها إلى استدعاءات MLflow API، ثم يتلقى الاستجابة ويعيد النتيجة عبر HTTPS. هذا نمط API gateway المعتاد، لكنه مخصص لـ MLflow.
بعد نشر الوسيط لن تحتاج إلى Python MLflow SDK، إذ يكفي عميل HTTP. ويمكن لتطبيق مكتوب بـ Java أو Go أو C# أو Node.js إرسال طلبات REST عادية دون أي اعتماد على منظومة Python.
لماذا يهمّ هذا الحل الآن
تحتفظ مؤسسات كثيرة بمسارات ML الخاصة بها بصيغ مخصصة: خدمات Java تتضمن منطق التعلم الآلي ضمنياً، وخدمات Golang المصغّرة، وسكربتات Python قديمة بتدفق غير قياسي. وإعادة كتابة كل ذلك بأدوات جديدة مكلفة وطويلة ومحفوفة بالمخاطر. ويتيح وسيط AWS ربط SageMaker دون إعادة بناء شاملة للمعمارية.
أبرز المزايا:
- الحفاظ على الشيفرة القائمة دون إعادة كتابتها
- تشفير HTTPS والمصادقة عبر AWS IAM افتراضياً
- دعم أي لغة برمجة
- تسجيل التجارب والمقاييس والآثار (artifacts) يعمل كالمعتاد
- تسهيل التحول السحابي على مراحل
- اعتماديات أقل في نظام الإنتاج
المعمارية والأمان
يُنشر الوسيط على EC2 أو ECS أو أي خادم، ويستمع على منفذ معيّن (مثلاً :8080). يشفّر الحركة عبر HTTPS، ويصادق على الطلبات الواردة عبر AWS IAM Role، ثم يمرّر الاستدعاءات إلى SageMaker MLflow. وتعمل جميع عمليات MLflow (تسجيل التجارب، وتدوين المقاييس، وحفظ الآثار، وإدارة إصدارات النماذج) كالمعتاد، لكن عبر REST بدلاً من SDK.
ونشرت AWS كذلك مثالاً جاهزاً للشيفرة على GitHub، يتضمن تنفيذاً كاملاً بـ Flask وإعدادات CORS ومعالجة الأخطاء والتوثيق.
هذا مهمّ بوجه خاص للأنظمة الأحادية (monoliths) القديمة الكبيرة التي
تتضمن منطق ML مدمجاً، حيث لا يمكن تغيير اللغة أو المعمارية بسرعة.
ماذا يعني ذلك
يصبح التحول السحابي لأنظمة ML أكثر سلاسة. فبدلاً من إعادة الكتابة الكاملة، يمكن العمل تدريجياً: ربط SageMaker MLflow عبر وسيط مستقل، ثم نقل بقية المكونات مع الوقت. وبالنسبة إلى AWS، هذه وسيلة لخفض حاجز الدخول وجذب مزيد من الأنظمة المؤسسية القديمة إلى منظومة SageMaker.
- 24 أكتوبر 2026Vercel تطرح Python للإتاحة العامة (GA) وتطلق Daemons لتشغيل العمليات الخلفية
- 24 أكتوبر 2026Vercel Sandbox يصمد أمام الاختراق: 1285 تقريرًا و$242 000 وثغرة في نواة Linux
- 24 أكتوبر 2026Anthropic تفتتح مكتبها الخامس في آسيا والمحيط الهادئ: سنغافورة في المركز الثاني من بين 121 دولة في استخدام Claude
- 22 أكتوبر 2026Vercel تطلق BYOC على AWS ونسخة بيتا لتفويض الوكلاء: استهلاك توكنات الذكاء الاصطناعي تضاعف أربع مرات
❓ أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف يعمل الوسيط؟
يقع تطبيق Flask بين نظامك وSageMaker MLflow. يستقبل طلبات HTTP الواردة، ويحوّلها إلى استدعاءات MLflow API، ثم يتلقى الاستجابة ويعيد النتيجة عبر HTTPS. هذا نمط API gateway المعتاد، لكنه مخصص لـ MLflow. بعد نشر الوسيط لن تحتاج إلى Python MLflow SDK، إذ يكفي عميل HTTP. ويمكن لتطبيق مكتوب بـ Java أو Go أو C# أو Node.js إرسال طلبات REST عادية دون أي اعتماد على منظومة Python.
ما أبرز التفاصيل حول لماذا يهمّ هذا الحل الآن؟
تحتفظ مؤسسات كثيرة بمسارات ML الخاصة بها بصيغ مخصصة: خدمات Java تتضمن منطق التعلم الآلي ضمنياً، وخدمات Golang المصغّرة، وسكربتات Python قديمة بتدفق غير قياسي. وإعادة كتابة كل ذلك بأدوات جديدة مكلفة وطويلة ومحفوفة بالمخاطر. ويتيح وسيط AWS ربط SageMaker دون إعادة بناء شاملة للمعمارية. أبرز المزايا: الحفاظ على الشيفرة القائمة دون إعادة كتابتها تشفير HTTPS والمصادقة عبر AWS IAM افتراضياً دعم أي لغة برمجة تسجيل التجارب والمقاييس والآثار (artifacts) يعمل كالمعتاد تسهيل التحول السحابي على مراحل اعتماديات أقل في نظام الإنتاج
ما أبرز التفاصيل حول المعمارية والأمان؟
يُنشر الوسيط على EC2 أو ECS أو أي خادم، ويستمع على منفذ معيّن (مثلاً :8080). يشفّر الحركة عبر HTTPS، ويصادق على الطلبات الواردة عبر AWS IAM Role، ثم يمرّر الاستدعاءات إلى SageMaker MLflow. وتعمل جميع عمليات MLflow (تسجيل التجارب، وتدوين المقاييس، وحفظ الآثار، وإدارة إصدارات النماذج) كالمعتاد، لكن عبر REST بدلاً من SDK. ونشرت AWS كذلك مثالاً جاهزاً للشيفرة على GitHub، يتضمن تنفيذاً كاملاً بـ Flask وإعدادات CORS ومعالجة الأخطاء والتوثيق. هذا مهمّ بوجه خاص للأنظمة الأحادية (monoliths) القديمة الكبيرة التي تتضمن منطق ML مدمجاً، حيث لا يمكن تغيير اللغة أو المعمارية بسرعة.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.