Cómo conectar SageMaker MLflow a sistemas heredados a través de REST API — solución de AWS

AWS publicó una solución para organizaciones que migran a la nube pero no quieren romper sus sistemas de ML existentes. El problema es que Amazon SageMaker MLflow requiere un SDK especial, actualizaciones de dependencias y cambios en la integración. La solución es un proxy de API REST en Flask que proporciona acceso seguro a MLflow a través de HTTPS estándar sin SDK.

Cómo funciona el proxy

La aplicación Flask se interpone entre su sistema y SageMaker MLflow. Escucha las solicitudes HTTP entrantes, las transforma en llamadas de API de MLflow, obtiene la respuesta y devuelve el resultado a través de HTTPS. Este es un patrón típico de puerta de enlace de API, pero especializado para MLflow. Después de desplegar el proxy, ya no necesita el SDK de Python MLflow — un cliente HTTP es suficiente. Las aplicaciones en Java, Go, C# o Node.js pueden enviar solicitudes REST ordinarias sin dependencias del ecosistema de Python.

Por qué es relevante

Muchas organizaciones mantienen canalizaciones de ML en formato propio: servicios Java con lógica de aprendizaje automático integrada, microservicios Golang, scripts Python antiguos con flujos no estándar. Reescribir todo con nuevas herramientas es costoso, prolongado y arriesgado. El proxy de AWS permite conectar SageMaker sin un rediseño global de la arquitectura. Las principales ventajas:

• Preserva el código existente sin reescribir
• Cifrado HTTPS y autenticación a través de AWS IAM de forma predeterminada
• Soporte para cualquier lenguaje de programación
• El registro de experimentos, métricas, artefactos funciona como de costumbre
• Simplifica la transformación en la nube por etapas
• Menos dependencias en el sistema de producción

Arquitectura y seguridad

El proxy se despliega en EC2, ECS o cualquier servidor y escucha en un puerto (por ejemplo, :8080). Cifra el tráfico HTTPS, autentica las solicitudes entrantes a través del rol de AWS IAM y actúa como proxy de llamadas a SageMaker MLflow. Todas las operaciones de MLflow (registro de experimentos, registro de métricas, almacenamiento de artefactos, versionado de modelos) funcionan como de costumbre, solo a través de REST en lugar de SDK. AWS incluso publicó un ejemplo de código listo en GitHub con implementación completa de Flask, configuración de CORS, manejo de errores y documentación.

Esto es especialmente relevante para grandes monolitos heredados con

lógica de ML integrada, cuando no se puede cambiar rápidamente el idioma o la arquitectura.

Qué significa esto

La transformación en la nube de sistemas de ML se vuelve más suave. En lugar de una reescritura completa, puede hacerlo gradualmente: conectar SageMaker MLflow con un proxy separado y luego transferir el resto con el tiempo. Para AWS, es una forma de reducir la barrera de entrada y atraer más sistemas heredados empresariales al ecosistema de SageMaker.