Base de Datos

DashAI usa SQLite como base de datos (almacenada en ~/.DashAI/db.sqlite) con SQLAlchemy como ORM y Alembic para las migraciones de esquema.

Tablas Principales

Tabla	Propósito
Dataset	Dataset cargado — nombre, ruta del archivo Arrow, estado de carga y marcas de tiempo.
ModelSession	Configuración del experimento — dataset, nombre de la tarea, columnas de entrada/salida, proporciones de división train/validación/test y métricas seleccionadas por división.
Run	Ejecución individual de entrenamiento dentro de una ModelSession — nombre del modelo, parámetros, configuración del optimizador, métrica objetivo, artefactos de la ejecución, estado y tiempos de ejecución, y rutas a los gráficos de optimización (historial, slice, contorno, importancia).
Metric	Medición de una única métrica — nombre, valor, división (TRAIN/VALIDATION/TEST), nivel (LAST/STEP/BATCH/TRIAL) e índice de paso. Vinculada a una ejecución.
Prediction	Trabajo de predicción — vincula una ejecución entrenada a un Dataset de entrada, rastrea el estado y tiempos de ejecución, y almacena la ruta a los resultados de salida.
GenerativeSession	Sesión de modelo generativo — tipo de tarea, nombre del modelo, parámetros actuales, y un nombre y descripción legibles. Posee un historial de instantáneas de parámetros y todos los registros de GenerativeProcess asociados.
GenerativeProcess	Una invocación individual de una GenerativeSession — rastrea el estado y tiempos de ejecución. Vinculado a registros ProcessData que contienen las cargas útiles de entrada y salida.
ProcessData	Carga útil de entrada o salida para un GenerativeProcess — valor de datos serializado, tipo de datos (texto, imagen, etc.) y un indicador is_input para distinguir entradas de salidas.
GenerativeSessionParameterHistory	Instantánea inmutable de los parámetros de una GenerativeSession capturada en cada cambio, proporcionando un registro completo de la evolución de los parámetros a lo largo del tiempo.
Notebook	Sesión de trabajo con un dataset — una copia mutable de un Dataset fuente sobre la que se pueden aplicar Exploradores y Converters. Los cambios pueden revertirse; el resultado puede guardarse como un nuevo Dataset para el entrenamiento de modelos.
Explorer	Registro de visualización dentro de un Notebook — tipo de explorador, columnas seleccionadas, parámetros, ruta a los resultados guardados y estado de ejecución.
Converter	Paso individual de converter aplicado al dataset mutable de un Notebook — tipo de converter, parámetros, estado de ejecución y tiempos. Múltiples registros forman una pipeline de transformación ordenada sobre el Notebook.
Plugin	Plugin instalado — nombre, autor, versiones instalada y más reciente, estado, resumen y descripción completa. Posee registros Tag para clasificación.
Tag	Etiqueta de clasificación para un Plugin (p. ej., Model, Task, Metric), utilizada para filtrado y descubrimiento.
GlobalExplainer	Explicación global del modelo — tipo de explicador, ejecución vinculada, parámetros, rutas a los datos de explicación y al gráfico, y estado de ejecución. Cubre el modelo en su totalidad.
LocalExplainer	Explicación local (por instancia) — tipo de explicador, ejecución y Dataset vinculados, parámetros, parámetros de ajuste, alcance, rutas de resultados y estado de ejecución.

Enumeraciones Importantes

• RunStatus: NOT_STARTED → DELIVERED → STARTED → FINISHED | ERROR
• SplitEnum: TRAIN, VALIDATION, TEST
• LevelEnum: LAST (valor final), STEP, BATCH, TRIAL (para optimización)

Almacenamiento de Datos

• Los datasets se almacenan en formato Apache Arrow IPC (columnar, eficiente para cargas de trabajo de ML).
• Los modelos entrenados se guardan como archivos pickle/joblib en ~/.DashAI/runs/{run_id}/.
• Los gráficos generados durante la optimización de hiperparámetros se almacenan como objetos Plotly serializados.
• Las series temporales de métricas (por paso, lote o prueba) se almacenan en la tabla Metric para rastrear el progreso del entrenamiento.