Cómo conectar SageMaker MLflow a sistemas heredados mediante REST API: la solución de AWS

AWS ha publicado 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 exige un SDK específico, actualizar dependencias y modificar la integración. La solución es un proxy de REST API basado en Flask, que da acceso seguro a MLflow mediante HTTPS corriente y sin SDK.

Cómo funciona el proxy

La aplicación Flask se sitúa entre su sistema y SageMaker MLflow. Escucha las solicitudes HTTP entrantes, las convierte en llamadas a la API de MLflow, recibe la respuesta y devuelve el resultado por HTTPS. Es un patrón típico de API gateway, pero especializado en MLflow.

Una vez desplegado el proxy, ya no se necesita el SDK de Python de MLflow: basta con un cliente HTTP. Una aplicación en Java, Go, C# o Node.js puede enviar solicitudes por REST convencional, sin depender del ecosistema Python.

Por qué importa

Muchas organizaciones mantienen sus pipelines de ML en un formato propio: servicios Java con lógica de aprendizaje automático integrada, microservicios en Golang, scripts antiguos de Python con un flujo no estándar. Reescribirlo todo con herramientas nuevas es caro, lento y arriesgado. El proxy de AWS permite conectar SageMaker sin una reforma global de la arquitectura.

Principales ventajas:

• Conserva el código existente sin reescribirlo
• Cifrado HTTPS y autenticación mediante AWS IAM por defecto
• Compatible con cualquier lenguaje de programación
• El registro de experimentos, métricas y artefactos funciona como siempre
• Facilita una transformación gradual a la nube
• 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 con HTTPS, autentica las solicitudes entrantes mediante un AWS IAM Role y redirige las llamadas a SageMaker MLflow. Todas las operaciones de MLflow (registro de experimentos, métricas, almacenamiento de artefactos, versionado de modelos) funcionan igual, solo que por REST en lugar del SDK.

AWS incluso ha publicado en GitHub un ejemplo de código listo para usar, con la implementación completa en Flask, configuración de CORS, gestión de errores y documentación.

Esto es especialmente relevante para grandes monolitos heredados con

lógica de ML integrada, donde no se puede cambiar rápidamente el lenguaje ni la arquitectura.

Qué significa

La transformación a la nube de los sistemas de ML se vuelve más suave. En lugar de reescribir todo, se puede avanzar poco a poco: conectar SageMaker MLflow mediante un proxy independiente y trasladar el resto con el tiempo. Para AWS, es una forma de rebajar la barrera de entrada y atraer más sistemas heredados corporativos al ecosistema SageMaker.