#!/bin/bash
# ============================================================
#  Запуск MLflow Tracking Server
#  Откройте в браузере: http://localhost:5555
#
#  Backend store = SQLite (mlflow.db) — recommended MLflow backend.
#  Скрипты в src/ логируют на этот сервер (http://localhost:5555) через
#  mlflow.set_tracking_uri(...) — поэтому UI и скрипты работают с одной
#  базой, и эксперименты сразу видны в UI.
#
#  ⚠️ file-store как tracking backend в новых MLflow (3.x) переведён в
#  maintenance mode и запрещён (ошибка и на сервере, и у клиента-скрипта).
#  Поэтому используем sqlite. Артефакты при этом лежат на локальном диске
#  в ./artifacts (file-based artifact repository — он НЕ в maintenance mode).
#
#  Запустите сервер ДО запуска скриптов обучения:
#    ./start_ui.sh          # в одном терминале
#    python src/train_simple.py ...   # в другом (нужен работающий сервер)
# ============================================================
set -e
cd "$(dirname "$0")"

PORT="${MLFLOW_PORT:-5555}"

echo "🚀 Запускаем MLflow Tracking Server..."
echo "   UI:        http://localhost:${PORT}"
echo "   Backend:   sqlite:///${PWD}/mlflow.db"
echo "   Artifacts: file://${PWD}/artifacts"
echo ""
echo "   Скрипты логируют сюда через MLFLOW_TRACKING_URI=http://localhost:${PORT}"
echo "   (можно переопределить: export MLFLOW_TRACKING_URI=http://<host>:${PORT})"
echo ""
echo "   Нажмите Ctrl+C для остановки"
echo ""

mlflow server \
    --backend-store-uri "sqlite:///${PWD}/mlflow.db" \
    --default-artifact-root "file://${PWD}/artifacts" \
    --host 0.0.0.0 \
    --port "${PORT}"