Como conectar o SageMaker MLflow a sistemas legados através da REST API — solução da AWS

A AWS publicou uma solução para organizações que estão migrando para a nuvem, mas não querem quebrar seus sistemas ML existentes. O problema é que o Amazon SageMaker MLflow requer um SDK especial, atualização de dependências e mudanças na integração. A solução é um proxy REST em Flask, que fornece acesso seguro ao MLflow através de HTTPS comum, sem SDK.

Como funciona o proxy

A aplicação Flask fica entre seu sistema e o SageMaker MLflow. Ela escuta requisições HTTP recebidas, as converte em chamadas da API MLflow, obtém a resposta e a retorna através de HTTPS. Este é um padrão típico de API gateway, mas especializado para MLflow. Após implementar o proxy, você não precisa mais do SDK Python MLflow — um cliente HTTP é suficiente. Aplicações em Java, Go, C# ou Node.js podem enviar requisições REST comuns, sem dependências do ecossistema Python.

Por que isso é relevante

Muitas organizações mantêm seus pipelines de ML em formato próprio: serviços Java com lógica de aprendizado de máquina incorporada, microsserviços Golang, scripts Python antigos com fluxo não padrão. Reescrever tudo com novas ferramentas é caro, demorado e arriscado. O proxy da AWS permite conectar o SageMaker sem uma reformulação global da arquitetura. Os principais benefícios são:

• Preserva o código existente sem reescrita
• Criptografia HTTPS e autenticação via AWS IAM por padrão
• Suporte para qualquer linguagem de programação
• Registro de experimentos, métricas e artefatos funciona normalmente
• Simplifica a transformação em nuvem por etapas
• Menos dependências no sistema de produção

Arquitetura e segurança

O proxy é implementado em EC2, ECS ou qualquer servidor e escuta em uma porta (por exemplo, :8080). Ele criptografa o tráfego com HTTPS, autentica requisições recebidas através da AWS IAM Role, e faz proxy das chamadas para o SageMaker MLflow. Todas as operações MLflow (registro de experimentos, registro de métricas, salvamento de artefatos, versionamento de modelos) funcionam normalmente, apenas através de REST em vez de SDK. A AWS até publicou um exemplo de código pronto no GitHub com implementação completa em Flask, configuração CORS, tratamento de erros e documentação.

Isso é especialmente relevante para grandes monólitos legados com

lógica de ML incorporada, quando não é possível mudar rapidamente a linguagem ou a arquitetura.

O que isso significa

A transformação em nuvem de sistemas de ML se torna mais suave. Em vez de uma reescrita completa, é possível fazer gradualmente: conectar o SageMaker MLflow com um proxy separado, depois ao longo do tempo migrar o resto. Para a AWS, é uma forma de reduzir a barreira de entrada e atrair mais sistemas legados corporativos para o ecossistema SageMaker.