Como conectar o SageMaker MLflow a sistemas legados via REST API: a solução da AWS

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

Como funciona o proxy

O aplicativo Flask fica entre o seu sistema e o SageMaker MLflow. Ele escuta as requisições HTTP recebidas, converte-as em chamadas da API do MLflow, recebe a resposta e devolve o resultado por HTTPS. É um padrão típico de API gateway, mas especializado em MLflow.

Depois de implantar o proxy, você não precisa mais do SDK Python do MLflow: basta um cliente HTTP. Uma aplicação em Java, Go, C# ou Node.js pode enviar requisições por REST comum, sem depender do ecossistema Python.

Por que isso importa

Muitas organizações mantêm seus pipelines de ML em formato próprio: serviços Java com lógica de machine learning embutida, microsserviços em Golang, scripts Python antigos com fluxo fora do padrão. Reescrever tudo com ferramentas novas é caro, demorado e arriscado. O proxy da AWS permite conectar o SageMaker sem uma reformulação global da arquitetura.

Principais vantagens:

• Mantém o código existente sem reescrevê-lo
• Criptografia HTTPS e autenticação via AWS IAM por padrão
• Suporte a qualquer linguagem de programação
• O registro de experimentos, métricas e artefatos funciona como de costume
• Facilita uma transformação gradual para a nuvem
• Menos dependências no sistema de produção

Arquitetura e segurança

O proxy é implantado em EC2, ECS ou qualquer servidor e escuta em uma porta (por exemplo, :8080). Ele criptografa o tráfego com HTTPS, autentica as requisições recebidas por meio de um AWS IAM Role e repassa as chamadas ao SageMaker MLflow. Todas as operações do MLflow (registro de experimentos, log de métricas, armazenamento de artefatos, versionamento de modelos) funcionam normalmente, só que via REST em vez do SDK.

A AWS até publicou no GitHub um exemplo de código pronto, com a implementação completa em Flask, configuração de CORS, tratamento de erros e documentação.

Isso é especialmente relevante para grandes monolitos legados com

lógica de ML embutida, em que não é possível trocar rapidamente a linguagem ou a arquitetura.

O que isso significa

A transformação de sistemas de ML para a nuvem fica mais suave. Em vez de uma reescrita completa, dá para ir aos poucos: conectar o SageMaker MLflow por um proxy separado e migrar o restante com o tempo. Para a AWS, é uma forma de reduzir a barreira de entrada e atrair mais sistemas legados corporativos para o ecossistema SageMaker.