diff --git a/IUM_08.MLFlow.ipynb b/IUM_08.MLFlow.ipynb
index 77cb6fd..97e6ec6 100644
--- a/IUM_08.MLFlow.ipynb
+++ b/IUM_08.MLFlow.ipynb
@@ -12,7 +12,7 @@
     "<div class=\"alert alert-block alert-info\">\n",
     "<h1> Inżynieria uczenia maszynowego </h1>\n",
     "<h2> 8. <i>MLFlow</i>  [laboratoria]</h2> \n",
-    "<h3> Tomasz Ziętkiewicz (2021)</h3>\n",
+    "<h3> Tomasz Ziętkiewicz (2022)</h3>\n",
     "</div>\n",
     "\n",
     "![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)"
@@ -35,7 +35,9 @@
     "  - Bardziej kompleksowe rozwiązanie: 4 komponenty, pierwszy z nich ma funkcjonalność podobną do Sacred\n",
     "  - Działa \"z każdym\" językiem. A tak naprawdę: Python, R, Java + CLI API + REST API\n",
     "  - Popularna wśród pracodawców - wyniki wyszukiwania ofert pracy: 20 ofert (https://pl.indeed.com/), 36 ofert (linkedin). Sacred: 0\n",
-    "  - Integracja z licznymi bibliotekami / chmurami\n"
+    "  - Integracja z licznymi bibliotekami / chmurami\n",
+    "  - Rozwiązanie OpenSource, stworzone przez firmę Databricks\n",
+    "  - Dostępna [odpłatna wersja \"Managed\"](https://databricks.com/product/managed-mlflow) (w ordóżnieniu od \"self-hosted\")\n"
    ]
   },
   {
@@ -676,6 +678,13 @@
     "! cd IUM_08/examples/; mlflow ui"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Instancja na naszym serwerze: http://tzietkiewicz.vm.wmi.amu.edu.pl:5000/#/"
+   ]
+  },
   {
    "cell_type": "markdown",
    "metadata": {
@@ -898,7 +907,8 @@
     " - domyślnie zostanie uruchomione polecenie zdefiniowane w \"entry point\" `main`. Żeby uruchomić inny \"entry point\", możemy użyć parametru `-e`, np:\n",
     " ```bash\n",
     " mlflow run sklearn_elasticnet_wine -e test\n",
-    " ```"
+    " ```\n",
+    " - Parametry do naszego polecenia możemy przekazywać przy pomocy flagi `-P`"
    ]
   },
   {
@@ -1009,7 +1019,7 @@
     "     - *conda.yaml* - opis środowiska potrzebnego do załadowania modelu\n",
     "     - *model.pkl* - plik z zserializowanym modelem\n",
     "\n",
-    "Tylko plik *MLmodel* jest specjalnym plikiem MLflow - reszta zależy od konkrentego \"falovor\"\n"
+    "Tylko plik *MLmodel* jest specjalnym plikiem MLflow - reszta zależy od konkrentego \"flavour\"\n"
    ]
   },
   {
@@ -1381,17 +1391,17 @@
    },
    "source": [
     "## Zadania\n",
-    "1. [2 pkt] Dodaj do joba treningowego wywołania MLflow, tak, żeby przy każdym uruchomieniu stworzyć i zarchiwizować katalog z modelem. Plik MLmodel powinien on zawierać pola:\n",
+    "1. [2 pkt] Dodaj do joba treningowego wywołania MLflow, tak, żeby przy każdym uruchomieniu stworzyć i zarchiwizować katalog z modelem. Plik MLmodel powinien zawierać pola:\n",
     " - signature\n",
     " - input_example\n",
     "\n",
-    "   Folder powinien również zawierać środowisko - conda lub docker, umożliwiająceo uruchomienie projektu.\n",
+    "   Folder powinien również zawierać definicję środowiska - conda lub docker, umożliwiającego uruchomienie projektu.\n",
     "\n",
     "2. [6 pkt] Wybierz jedną osobę z grupy. Załóżmy, że Twoje ID to s123456 a jej s654321. Stwórz na Jenkinsie projekt `s123456-predict-s654321`, w którym:\n",
     " - pobierzesz artefakt z zapisanym modelem z joba osoby s654321\n",
-    " - dokonasz na nim predykcji danych wejściowych podanych w formacie json jako parametr zadania Jenkinsowego. Domyślną wartością tego parametry niech będą przykładowe dane wejściowe z `input_example`\n",
+    " - dokonasz na nim predykcji danych wejściowych podanych w formacie json jako parametr zadania Jenkinsowego. Domyślną wartością tego parametru niech będą przykładowe dane wejściowe z `input_example`\n",
     " \n",
-    "3. [1 pkt] Zarejestruj swój model w MLflow registry (dan do połączenia z rejstrem podam po jego pomyślnym skonfigurowaniu, nie później niż w środę 19.05.2021\n",
+    "3. [1 pkt] Zarejestruj swój model w MLflow registry\n",
     "\n",
     "4. [6 pkt] Stwórz na Jenkinsie projekt `s123456-predict-s654321-from-registry`, który zrealizuje to samo zadanie co `s123456-predict-s654321`, ale tym razem pobierze model z rejestru MLflow zamiast z artefaktów Jenkinsa"
    ]
@@ -1408,13 +1418,13 @@
     "\n",
     "- Podgląd w przeglądarce: http://tzietkiewicz.vm.wmi.amu.edu.pl/#/\n",
     "   - user: `student`\n",
-    "   - hasło: Podane na MS Teams\n",
+    "   - hasło: IUM@2021\n",
     "\n",
     "- Tracking URI:\n",
     "   - Python: `mlflow.set_tracking_uri(\"http://172.17.0.1:5000\")`\n",
     "   - CLI: `export MLFLOW_TRACKING_URI=http://172.17.0.1:5000`\n",
     "   \n",
-    "- Żeby klient MLflow działający w kontenerze docker mógł zapisywać i pdczytywać artefakty, muszą Państwo podmonotwać katalog /tmp/mlrunsMożna to zrobić za pomocą flagi `-v`, którą można przekazać tak, jak pokazano tutaj: https://www.jenkins.io/doc/book/pipeline/docker/#caching-data-for-containers\n",
+    "- Żeby klient MLflow działający w kontenerze docker mógł zapisywać i pdczytywać artefakty, muszą Państwo podmonotwać katalog `/tmp/mlruns`. Można to zrobić za pomocą flagi `-v`, którą można przekazać tak, jak pokazano tutaj: https://www.jenkins.io/doc/book/pipeline/docker/#caching-data-for-containers\n",
     "- Proszę ustawić nazwę eksperymentu na numer indeksu, dzięki temu każdy z Państwa będzie widział swoje eksperymenty oddzielnie:\n",
     "`mlflow.set_experiment(\"s123456\")`"
    ]