Comment connecter SageMaker MLflow aux anciens systèmes via REST API — la solution d'AWS

AWS a publié une solution pour les organisations qui migrent vers le cloud, mais ne veulent pas casser les systèmes ML existants. Le problème est qu'Amazon SageMaker MLflow nécessite un SDK spécial, des mises à jour de dépendances et des modifications d'intégration. La solution est un proxy API REST sur Flask, qui fournit un accès sécurisé à MLflow via HTTPS ordinaire sans SDK.

Comment fonctionne le proxy

L'application Flask se place entre votre système et SageMaker MLflow. Elle écoute les requêtes HTTP entrantes, les convertit en appels d'API MLflow, obtient la réponse et la renvoie via HTTPS. C'est un modèle typique de passerelle API, mais spécialisé pour MLflow. Après le déploiement du proxy, vous n'avez plus besoin du SDK MLflow Python — un client HTTP suffit. Une application en Java, Go, C# ou Node.js peut envoyer des requêtes REST ordinaires, sans dépendances de l'écosystème Python.

Pourquoi c'est pertinent

De nombreuses organisations maintiennent les pipelines ML dans leur propre format : services Java avec logique d'apprentissage automatique intégrée, microservices Golang, vieux scripts Python avec des flux non standard. Réécrire le tout avec les nouveaux outils est coûteux, long et risqué. Le proxy AWS permet de connecter SageMaker sans refonte architecturale globale.

Les principaux avantages :

• Préserve le code existant sans réécriture
• Chiffrement HTTPS et authentification via AWS IAM par défaut
• Support de n'importe quel langage de programmation
• La journalisation des expériences, des métriques et des artefacts fonctionne comme d'habitude
• Simplifie la transformation cloud progressive
• Moins de dépendances dans le système de production

Architecture et sécurité

Le proxy est déployé sur EC2, ECS ou n'importe quel serveur et écoute sur un port (par exemple, :8080). Il chiffre le trafic HTTPS, authentifie les requêtes entrantes via AWS IAM Role, et proxies les appels à SageMaker MLflow. Toutes les opérations MLflow (enregistrement des expériences, journalisation des métriques, sauvegarde des artefacts, versionnage des modèles) fonctionnent comme d'habitude, seulement via REST au lieu du SDK. AWS a même publié un exemple de code complet sur GitHub avec une implémentation Flask complète, une configuration CORS, la gestion des erreurs et la documentation.

Ceci est particulièrement pertinent pour les grands monolithes hérités

avec une logique ML intégrée, lorsqu'il n'est pas possible de changer rapidement le langage ou l'architecture.

Ce que cela signifie

La transformation cloud des systèmes ML devient plus progressive. Au lieu d'une réécriture complète, vous pouvez procéder progressivement : connecter SageMaker MLflow via un proxy séparé, puis migrer graduellement le reste. Pour AWS, c'est un moyen de réduire les barrières à l'entrée et d'attirer davantage de systèmes hérités d'entreprise dans l'écosystème SageMaker.