diff --git a/simple_regression_lab7.py b/simple_regression_lab7.py
index 2703b8f..c12eeec 100644
--- a/simple_regression_lab7.py
+++ b/simple_regression_lab7.py
@@ -4,30 +4,32 @@ from keras.models import save_model
 import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt
+import sys
 from sacred import Experiment
 from sacred.observers import FileStorageObserver
 from sacred.observers import MongoObserver
 
 # Stworzenie obiektu klasy Experiment do śledzenia przebiegu regresji narzędziem Sacred
-ex = Experiment(save_git_info=False)
+ex = Experiment()
 
 # Dodanie obserwatora FileObserver
 ex.observers.append(FileStorageObserver('runs'))
 
 #Dodanie obserwatora Mongo
-#ex.observers.append(MongoObserver(url='mongodb://mongo_user:mongo_password_IUM_2021@localhost:27017', db_name='sacred'))
+ex.observers.append(MongoObserver(url='mongodb://mongo_user:mongo_password_IUM_2021@localhost:27017', db_name='sacred'))
 
 # Przykładowa modyfikowalna z Sacred konfiguracja wybranych parametrów treningu
 @ex.config
 def config():
-    epochs = 100
     units = 1
     learning_rate = 0.1
 
 
 # Reszta kodu wrzucona do udekorowanej funkcji train do wywołania przez Sacred, żeby coś było capture'owane
 @ex.capture
-def train(epochs, units, learning_rate, _run):
+def train(units, learning_rate, _run):
+    # Pobranie przykładowego argumentu trenowania z poziomu Jenkinsa
+    EPOCHS_NUM = int(sys.argv[1])
 
     # Wczytanie danych
     data_train = pd.read_csv('lego_sets_clean_train.csv')
@@ -59,7 +61,7 @@ def train(epochs, units, learning_rate, _run):
     history = model.fit(
         train_piece_counts,
         train_prices,
-        epochs=epochs,
+        epochs=EPOCHS_NUM,
         verbose=0,
         validation_split=0.2
     )
@@ -74,14 +76,15 @@ def train(epochs, units, learning_rate, _run):
 
     # Zapis modelu do pliku standardowo poprzez metodę kerasa i poprzez metodę obiektu Experiment z Sacred
     model.save('lego_reg_model')
-    ex.add_artifact('lego_reg_model/saved_model.pb')
+    ex.add_artifact('lego_reg_model_art')
 
     # Przykładowo zwracamy coś w charakterze wyników, żeby było widoczne w plikach zapisanych przez obserwator
     hist = pd.DataFrame(history.history)
     hist['epoch'] = history.epoch
-    _run.info["train_results"] = str(hist.tail())
-    return hist.tail()
+    _run.log_scalar('final.training.loss', hist['loss'].iloc[-1])
+    print(hist['loss'].iloc[-1])
+    print(type(hist['loss'].iloc[-1]))
 
 @ex.automain
 def main(units, learning_rate):
-    print(train())
\ No newline at end of file
+    train()
\ No newline at end of file