# Śledzenie eksperymentów (parametry, metryki, artefakty)

EN: **Experiment tracking** · id `experimenttracking` · aliases: experiment tracking, ML metadata store, śledzenie eksperymentów, MLflow Tracking, Weights & Biases

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Inferencja i infrastruktura](https://aiatlasgraph.com/t/systems.md) › [MLOps i LLMOps](https://aiatlasgraph.com/t/mlops.md) › Śledzenie eksperymentów (parametry, metryki, artefakty)

## Description

- PL: Zapisywanie uruchomień treningu — hiperparametrów, metryk, artefaktów oraz wersji kodu i danych — aby ułatwić porównywanie wyników, śledzenie pochodzenia i odtwarzanie warunków eksperymentu.
- EN: Logging training runs — hyperparameters, metrics, artefacts, and code and data versions — to support result comparison, lineage and reconstruction of experiment conditions.

## In one sentence

- PL: To zapisywanie ustawień, wyników i plików każdego eksperymentu z modelem.
- EN: This records the settings, results and files of each model experiment.

## Problem it solves

- PL: Dobry wynik znika wśród prób, bo nie pamiętasz, jakich danych i ustawień użyłeś.
- EN: A good result gets lost among attempts because you cannot remember the data and settings used.

## What it does

- PL: Każde uruchomienie wiąże parametry, pomiary, pliki oraz wersje kodu i danych, ułatwiając porównanie i odtworzenie warunków.
- EN: Each run links parameters, measurements, files and code and data versions, making comparison and reconstruction of conditions easier.

## Everyday example

- PL: Po kilku treningach rozpoznawania usterek znajdujesz najlepszy wynik razem z dokładnym zestawem danych i ustawień.
- EN: After several defect-recognition training runs, you find the best result alongside its exact dataset and settings.

## This concerns you if you…

- PL: wykonujesz wiele prób treningu
- PL: chcesz porównywać i odtwarzać warunki eksperymentów
- EN: run many training experiments
- EN: want to compare and reproduce experiment conditions

## Keywords

MLflow Tracking · run IDs · parameter logging · metric logging · artifact lineage · experiment comparison

## How it works

- PL: Każde uruchomienie zapisuje identyfikator, parametry, wersje wejść i metryki wraz z artefaktami. Powiązanie wyników z konfiguracją i śladem wykonania umożliwia porównywanie prób oraz odtworzenie warunków, które stworzyły wybraną wersję.
- EN: Each run records an identifier, parameters, input versions, metrics and artifacts. Linking results to configuration and execution traces enables trial comparisons and reconstruction of conditions producing a selected version.

## Limits

- PL: Nieuchwycone zależności i zmienione dane ograniczają odtwarzalność. Metryki z różnych podziałów lub procedur nie są bezpośrednio porównywalne; samo zapisanie ziarna losowości nie gwarantuje identycznego wykonania.
- EN: Uncaptured dependencies and changed data limit reproducibility. Metrics from different splits or procedures are not directly comparable; recording seeds alone cannot guarantee identical execution.

## Key terms

- PL: **run**: Jedno uruchomienie eksperymentu powiązane z parametrami i wynikami.
- PL: **lineage artefaktu**: Powiązanie wyniku z danymi, kodem i uruchomieniem, które go utworzyło.
- EN: **run**: One experiment execution linked to parameters and results.
- EN: **artifact lineage**: Linking outputs to the data, code and execution producing them.

## Know first

- [Wersjonowanie zbiorów danych (Dataset versioning)](https://aiatlasgraph.com/t/dataversioning.md)
- [Strojenie hiperparametrów (Hyperparameter tuning)](https://aiatlasgraph.com/t/hptuning.md)

## Examples

- PL: logowanie parametrów i metryk · artefakty (wagi, wykresy) · grupowanie uruchomień w eksperymenty · porównywanie przebiegów
- EN: logging parameters and metrics · artefacts (weights, plots) · grouping runs into experiments · comparing runs

## Related topics

Untyped, symmetric "see also" links.

- [Strojenie hiperparametrów (Hyperparameter tuning)](https://aiatlasgraph.com/t/hptuning.md)

## Sources

- [MLOps: Continuous delivery and automation pipelines in machine learning](<https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning#mlops-level-1-ml-pipeline-automation>) `google-mlops-levels` · by Jarek Kazmierczak, Khalid Salama, Valentín Huerta (Google Cloud) · sponsored
- [MLflow Tracking: ML Experiment Tracking](<https://mlflow.org/docs/latest/ml/tracking/>) `mlflow-tracking` · by Projekt MLflow (Linux Foundation; pierwotnie Databricks) · sponsored

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/experimenttracking · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30