Si no lo registras, no sucedió: la anatomía de un run

Un run es una ejecución con memoria: lo que le cuelgas queda unido a ella para siempre, y lo que no, se pierde cuando el proceso termina. MLflow no observa tu código ni adivina nada — guarda exactamente lo que le pasas. Por eso la habilidad no es la API, que son cuatro funciones, sino decidir en qué categoría cae cada cosa antes de escribirla.

01 — El vocabulario

Cuatro categorías, y ninguna es intercambiable

	Qué es	Cuándo se fija	¿Cambia dentro del run?
Parámetro	Una entrada: la configuración que elegiste	Antes de ejecutar	No. Se escribe una vez
Métrica	Una salida: el resultado de medir	Después de ejecutar	Sí: tiene serie temporal (`step`)
Artefacto	Un fichero: modelo, gráfica, CSV, config	En cualquier momento	Se añaden, no se sobrescriben
Tag	Un metadato para organizar y buscar	En cualquier momento	Sí, es mutable

mlflow.log_param("n_estimators", 100)        # entrada
mlflow.log_metric("f1", 0.87)                # salida
mlflow.log_artifact("matriz_confusion.png")  # fichero
mlflow.set_tag("responsable", "nico")        # metadato

La pregunta que resuelve casi todas las dudas: ¿lo elegí yo o lo midió el código? Lo que elegiste es parámetro; lo que salió es métrica. Cualquier cosa que sea un fichero es artefacto, y lo que sirve para encontrar la ejecución meses después es tag.

02 — La asimetría

Parámetro y métrica no son lo mismo con distinto nombre

Parámetro · entrada

Inmutable dentro del run. Escribirlo dos veces con valores distintos es un error, porque una entrada no cambia a mitad de una ejecución. Se guarda como cadena de texto.

Métrica · salida

Cada log_metric añade un punto a una serie. Por eso llamarlo dentro de un bucle con step=i produce una curva. Se guarda como número.

La consecuencia es práctica y llega tarde: si registras la accuracy final como parámetro, has perdido la posibilidad de ordenar y filtrar por ella, porque el filtro comparará textos. Y al revés: un learning rate que va cambiando durante el entrenamiento está bien registrado como métrica, aunque suene a configuración.

// la duda «¿esto es param o metric?» se resuelve mirando quién decidió el valor

03 — El almacén

Dónde acaba todo eso, y por qué la UI aparece vacía

Sin configurar nada, MLflow escribe en una carpeta mlruns/ relativa al directorio de trabajo. Ese detalle explica el fallo más habitual de la primera sesión: lanzas mlflow ui desde otra carpeta y la interfaz sale vacía. No se ha perdido nada — estás mirando otro almacén.

Pieza	Para qué
`mlflow.set_experiment(nombre)`	Agrupa runs. Sin él, todo cae en `Default`
`with mlflow.start_run():`	Abre y cierra el run
`mlflow ui`	Lee `mlruns/` del directorio actual

El with no es cuestión de estilo. Si el run no se cierra, la siguiente llamada a start_run() falla con Run ... is already active — el error que aparece al reejecutar una celda de notebook y que desconcierta porque el código «no ha cambiado».

Auditoría

El primer ejemplo del módulo registra esto como métrica:

accuracy = (alpha * 0.5) + (l1_ratio * 0.2) + random.uniform(0, 0.1)

Eso no es una accuracy: es una función lineal de los hiperparámetros más ruido. El «mejor» modelo será siempre el de alpha más alto, por construcción, y nada acota el resultado a [0, 1]. Además alpha y l1_ratio son parámetros de ElasticNet, un modelo que no aparece en ninguna otra parte del módulo.

Como demostración de la API funciona perfectamente. La pregunta es otra: el ejercicio te pide después abrir la UI y comparar las dos ejecuciones. Si nadie te dice que la métrica está inventada, ¿qué habrías concluido de esa comparación? ¿Y cómo distinguirías, en una tabla real, una métrica que mide algo de una que solo repite tus propias entradas?

Para hacer

Provoca la asimetría en tu propia terminal

Dentro de un mismo run, llama dos veces a log_param("k", 1) y log_param("k", 2). Después dos veces a log_metric("m", 1) y log_metric("m", 2). Mira qué hace cada caso y qué enseña la UI.

Uno de los dos protesta y el otro no. Esa asimetría no es una rareza de implementación: es la diferencia entre una entrada y una salida, y una vez que la has visto ya no vuelves a dudar dónde va cada cosa.