Как подключить SageMaker MLflow к старым системам через REST API — решение AWS

AWS опубликовала решение для организаций, которые мигрируют на облако, но не хотят ломать существующие ML-системы. Проблема в том, что Amazon SageMaker MLflow требует специального SDK, обновления зависимостей и изменения интеграции. Решение — REST API прокси на Flask, который даёт безопасный доступ к MLflow через обычный HTTPS без SDK.

Как устроен прокси Flask-приложение встаёт между вашей системой и SageMaker MLflow.

Оно слушает входящие HTTP-запросы, преобразует их в вызовы MLflow API, получает ответ, возвращает результат обратно через HTTPS. Это типичный паттерн API gateway, но специализированный для MLflow. После развёртывания прокси вам больше не нужен Python MLflow SDK — достаточно HTTP-клиента. Приложение на Java, Go, C# или Node.js может отправлять запросы обычным REST, без зависимостей от Python-экосистемы.

Почему это актуально

Многие организации держат ML-pipeline в собственном формате: Java-сервисы с встроенной логикой машинного обучения, Golang-микросервисы, старые Python-скрипты с нестандартным flow. Переписать всё на новые инструменты — дорого, долго и рискованно. AWS прокси позволяет подключить SageMaker без глобальной переделки архитектуры.

Основные преимущества: Сохраняет существующий код без переписывания HTTPS-шифрование и аутентификация через AWS IAM по умолчанию Поддержка любых языков программирования Логирование экспериментов, метрик, артефактов работает как обычно Упрощает поэтапную облачную трансформацию Меньше зависимостей в production-системе ## Архитектура и безопасность Прокси развёртывается на EC2, ECS или любом сервере и слушает на порту (например, :8080). Он шифрует трафик HTTPS, аутентифицирует входящие запросы через AWS IAM Role, проксирует вызовы к SageMaker MLflow. Все операции MLflow (регистрация экспериментов, логирование метрик, сохранение артефактов, версионирование моделей) работают как обычно, только через REST вместо SDK.

AWS даже опубликовала готовый пример кода на GitHub с полной Flask-реализацией, CORS-конфигурацией, обработкой ошибок и документацией.

Это особенно актуально для больших legacy-монолитов с встроенной

ML-логикой, когда нельзя быстро поменять язык или архитектуру.

Что это значит Облачная трансформация ML-систем становится мягче.

Вместо полной переписи можно делать постепенно: подключить SageMaker MLflow отдельным прокси, потом со временем переносить остальное. Для AWS это способ снизить входной барьер и втянуть больше корпоративных legacy-систем в экосистему SageMaker.