Our main use case for W&B is tracking experiments and sharing them in the team. It's super easy to set up and share experiments.

Me gusta que W&B ofrezca una solución local (en nuestro entorno en la nube) que nos permite gestionar nuestros datos completamente de manera interna. Su biblioteca de Python es fácil de usar y se puede integrar rápidamente con nuestros flujos de trabajo existentes para la investigación de ML. Específicamente, podemos recopilar automáticamente datos relevantes de ML y mostrar visualizaciones apropiadas para ayudarnos a encontrar los mejores modelos. Más en general, W&B nos permite llevar un mejor seguimiento de nuestros modelos y probar varios experimentos fácilmente. También tienen una gran función de informes, donde podemos crear y compartir fácilmente informes relacionados con nuestros experimentos de ML. Las visualizaciones también son flexibles, y básicamente podemos crear los visuales que queramos (aunque con algo de esfuerzo). También me gusta que sigan añadiendo más funciones para ayudarnos a acelerar y gestionar todas nuestras operaciones de ML fácilmente. Hasta donde sé, no hemos utilizado todas estas funciones aún (al menos Artifacts y Tables), pero definitivamente nos ayudarán con nuestros flujos de trabajo a medida que crezcamos y maduremos nuestros equipos.

Wandb permite que mi equipo colabore y comparta información. Tan pronto como nos convertimos en usuarios de la herramienta, noté que pasábamos tiempo analizando los gráficos de pérdida de entrenamiento para las ejecuciones de modelos y pidiéndonos ayuda mutuamente. Estas ejecuciones solían estar escondidas en las máquinas de escritorio de las personas y eran casi imposibles de reconstruir. Ahora podemos ver ejecuciones anteriores muy fácilmente y nuestro equipo puede colaborar en los resultados de los experimentos. El apoyo del equipo de wandb también ha sido increíble.