Weights & Biases 플랫폼은 처음부터 끝까지 ML 워크플로를 간소화하여 효율을 높여줍니다.
.png)
빠르게 통합하고, 추적 및 버전 관리를 자동화하세요
- 단 5줄의 코드로 추적, 버전 관리 및 시각화
- 모든 모델 체크포인트 재현
- CPU 및 GPU 사용량 실시간 모니터링
“이제 전보다 50배 또는 100배 더 많은 ML 실험을 진행하고 있습니다.”
Phil Brown, 애플리케이션 디렉터
Graphcore
import wandb
# 1. Start a W&B run
run = wandb.init(project="my_first_project")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
for i in range(10):
run.log({"loss": loss})
# 1. Start a W&B run
run = wandb.init(project="my_first_project")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
for i in range(10):
run.log({"loss": loss})
import wandb
# 1. Start a new run
run = wandb.init(project="gpt4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
with tf.Session() as sess:
# ...
wandb.tensorflow.log(tf.summary.merge_all())
# 1. Start a new run
run = wandb.init(project="gpt4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
# Model training here
# 3. Log metrics to visualize performance over time
with tf.Session() as sess:
# ...
wandb.tensorflow.log(tf.summary.merge_all())
import wandb
# 1. Start a new run
run = wandb.init(project="gpt5")
run = wandb.init(project="gpt5")
# 2. Save model inputs and hyperparameters
config = run.config
config.dropout = 0.01
config = run.config
config.dropout = 0.01
# 3. Log gradients and model parameters
run.watch(model)
for batch_idx, (data, target) in enumerate(train_loader):
...
if batch_idx % args.log_interval == 0:
# 4. Log metrics to visualize performance
run.log({"loss": loss})
run.watch(model)
for batch_idx, (data, target) in enumerate(train_loader):
...
if batch_idx % args.log_interval == 0:
# 4. Log metrics to visualize performance
run.log({"loss": loss})
import wandb
from wandb.keras import (
WandbMetricsLogger,
WandbModelCheckpoint,
)
# 1. Start a new run
run = wandb.init(project="gpt-4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
... # Define a model
# 3. Log layer dimensions and metrics
wandb_callbacks = [
WandbMetricsLogger(log_freq=5),
WandbModelCheckpoint("models"),
]
model.fit(
X_train, y_train, validation_data=(X_test, y_test),
callbacks=wandb_callbacks,
)
from wandb.keras import (
WandbMetricsLogger,
WandbModelCheckpoint,
)
# 1. Start a new run
run = wandb.init(project="gpt-4")
# 2. Save model inputs and hyperparameters
config = wandb.config
config.learning_rate = 0.01
... # Define a model
# 3. Log layer dimensions and metrics
wandb_callbacks = [
WandbMetricsLogger(log_freq=5),
WandbModelCheckpoint("models"),
]
model.fit(
X_train, y_train, validation_data=(X_test, y_test),
callbacks=wandb_callbacks,
)
import wandb
wandb.init(project="visualize-sklearn")
# Model training here
# Log classifier visualizations
wandb.sklearn.plot_classifier(clf, X_train, X_test, y_train, y_test, y_pred, y_probas, labels,
model_name="SVC", feature_names=None)
# Log regression visualizations
wandb.sklearn.plot_regressor(reg, X_train, X_test, y_train, y_test, model_name="Ridge")
# Log clustering visualizations
wandb.sklearn.plot_clusterer(kmeans, X_train, cluster_labels, labels=None, model_name="KMeans")
wandb.init(project="visualize-sklearn")
# Model training here
# Log classifier visualizations
wandb.sklearn.plot_classifier(clf, X_train, X_test, y_train, y_test, y_pred, y_probas, labels,
model_name="SVC", feature_names=None)
# Log regression visualizations
wandb.sklearn.plot_regressor(reg, X_train, X_test, y_train, y_test, model_name="Ridge")
# Log clustering visualizations
wandb.sklearn.plot_clusterer(kmeans, X_train, cluster_labels, labels=None, model_name="KMeans")
import wandb
# 1. Define which wandb project to log to and name your run
run = wandb.init(project="gpt-5", run_name="gpt-5-base-high-lr")
# 2. Add wandb in your `TrainingArguments`
args = TrainingArguments(..., report_to="wandb")
# 3. W&B logging will begin automatically when your start training your Trainer
trainer = Trainer(..., args=args)
trainer.train()
# 1. Define which wandb project to log to and name your run
run = wandb.init(project="gpt-5", run_name="gpt-5-base-high-lr")
# 2. Add wandb in your `TrainingArguments`
args = TrainingArguments(..., report_to="wandb")
# 3. W&B logging will begin automatically when your start training your Trainer
trainer = Trainer(..., args=args)
trainer.train()
import wandb
from wandb.xgboost import wandb_callback
# 1. Start a new run
run = wandb.init(project="visualize-models")
# 2. Add the callback
bst = xgboost.train(param, xg_train, num_round, watchlist, callbacks=[wandb_callback()])
# Get predictions
pred = bst.predict(xg_test)
from wandb.xgboost import wandb_callback
# 1. Start a new run
run = wandb.init(project="visualize-models")
# 2. Add the callback
bst = xgboost.train(param, xg_train, num_round, watchlist, callbacks=[wandb_callback()])
# Get predictions
pred = bst.predict(xg_test)
데이터를 시각화하여
결정적인 인사이트를 발견하세요
- 라이브 메트릭, 데이터세트, 로그, 코드 및 시스템 통계를 한곳에서 시각화
- 팀 전체가 함께 분석하여 핵심 인사이트를 발견
- 나란히 비교하여 쉽게 디버깅하고 반복적으로 빌드
“모델 파이프라인의 모든 것을 저장하는 것은: 디버깅, 프로버넌스, 재현성. 등 본격적인 머신 러닝에 있어서 필수적이죠. W&B는 이를 위한 훌륭한 도구입니다.”
Richard Socher, 전 수석 데이터 과학자
Salesforce
성능을 향상하여
확신에 찬 평가 및 배포를 수행하세요
- 협업을 통한 실험으로 최상의 모델 찾기
- 모델 평가, 버그 논의 및 진행 상황 시연
- 구성 가능한 리포트로 이해관계자에게 정보 제공
W&B를 통해 한 명의 연구원에서 전체 팀으로, 하나의 시스템에서 수천으로 인사이트를 확장할 수 있습니다.
Wojciech Zaremba, 공동 창립자
OpenAI
Weights & Biases 생태계
모든 ML 인프라에 대한 통합 인터페이스로 전체 ML 수명 주기 관리
Integrations with 19,000+ ML Libraries & Repos
Pytorch
XGBoost
HuggingFace
TensorFlow
OpenAI Models
OpenCV
학습 환경
Sagemaker
Azure ML
Run.ai
Vertex AI
NVIDIA DGX
Anyscale
워크플로 오케스트레이션
Airflow
Github Actions
Metaflow
Kubeflow
Jenkins
Flyte
Astronomer
추론 환경
Sagemaker
Azure ML
Run.ai
Vertex AI
NVIDIA DGX
OctoML
팀 전체에 가치를 제공하는 선도적인 ML 플랫폼
ML 프렉티셔너용
중복 작업 없는 사용자 경험
ML 파이프라인의 모든 세부 사항을 자동으로 추적하세요. 관련 콘텍스트로 결과를 시각화합니다. 드래그 앤드 드롭 분석으로 인사이트를 발견하세요 - 단 몇 번의 클릭으로 차선의 모델을 찾을 수 있습니다
ML 프렉티셔너용
ML 엔지니어들과 공동 설계한 ML 워크플로
간소화된 ML 워크플로를 증분 빌드하세요. 모든 단계를 구성하고 사용자 지정할 수 있습니다. 지능형 기본값을 활용하므로 쓸데없는 시간을 낭비할 필요가 없습니다.
ML 프렉티셔너용
모든 기록을 재현하고 검색할 수 있는 기록 시스템
어떤 실험이든 즉시 재현하세요. 그 과정에서 설명된 변경 사항과 함께 모델 진화를 추적합니다. 팀의 작업을 쉽게 찾아보고 이를 기반으로 구축합니다.
MLOps용
유연한 배포,
손쉬운 통합
W&B 관리형 인프라 또는 자체 관리형 인프라, 어디든 원하는 곳에 W&B를 배포하세요. 공급업체에 종속되지 않고 ML 스택 및 도구와 쉽게 통합할 수 있습니다.
모든 배포 옵션 보기 →
W&B 파트너 & 통합 보기 →
MLOps용
ML 프렉티셔너와
MLOps를 중계하세요
하나의 협업 인터페이스에서 ML 워크로드를 자동화하고 확장하세요 - ML 프렉티셔너는 단순성을, MLOps는 가시성을 얻을 수 있습니다.
MLOps용
거버넌스를 통한 ML 프로덕션 확장
모든 ML 프로젝트에 대한 중앙 집중식 기록 시스템. 모델 생명 주기 및 CI/CD를 관리하여 프로덕션을 가속하세요. 모델 진화를 이해하고 비즈니스에 미치는 영향을 경영진에게 설명할 수 있습니다.
W&B MLOps 백서 읽기 →
ML 리더용
실제 비즈니스에서 ROI 실현
시장 혁신을 가속화하고 비즈니스에 지속적인 영향을 제공합니다. W&B는 수천 번의 실험 실행을 반복 및 협업하고, 시간이 지남에 따라 ML 시스템의 모든 부분을 지속적으로 최적화할 수 있게 해줍니다.
ML 리더용
모든 산업 분야, 모든 사용 사례
다양한 산업 분야의 고객이 갖가지 ML 사용 사례를 통해 W&B를 신뢰하고 있습니다. 자율 주행 차량에서 신약 개발, 고객 지원 자동화에서 생성형 AI에 이르기까지 W&B의 유연한 워크플로는 고객에게 맞는 모든 필요를 충족합니다.
ML 리더용
팀을 지원하여
부가가치 활동에 집중
핵심 ML 활동에만 집중하세요 - 재현성, 감사 가능성, 인프라 관리, 보안 및 거버넌스와 같은 지루한 작업은 W&B가 자동으로 처리합니다.
재사용 가능한 ML 워크플로 – W&B는 OpenAI 및 기타 혁신가들과의 공동 설계를 통해 그들의 숨은 노하우를 인코딩하므로 전부 처음부터 시작할 필요가 없습니다.
700개 이상의 기업 및 연구 기관에서 50만 명 이상의 머신 러닝 실무자가 신뢰하는 솔루션
사례 연구 보기 →
"W&B는 다양한 팀 간의 협업을 가능하게 하기 때문에, 내부 머신 러닝 시스템을 시작하는 데 핵심 역할을 했습니다."
Hamel Husain
GitHub
"W&B는 빠르게 진행되는 최첨단 대규모 리서치 워크플로의 핵심 요소로, 뛰어난 유연성, 성능 및 사용자 경험을 제공합니다."
Adrien Gaidon
Toyota Research Institute
"W&B를 통해 한 명의 연구원에서 전체 팀으로, 하나의 머신에서 수천으로 인사이트를 확장할 수 있습니다."
Wojciech Zaremba
Cofounder of OpenAI
특별 콘텐츠
AlphaFold-ed proteins in W&B Tables
Emmy-nominated Visual FX with W&B
A Deep Dive Into OpenCLIP from OpenAI
Making My Kid a Jedi Master With Stable Diffusion and Dreambooth
Lyft's High-Capacity End-to-End Camera-Lidar Fusion for 3D Detection
How To Build an Efficient NLP Model
Jensen Huang — NVIDIA's CEO on the Next Generation of AI and MLOps
Emad Mostaque — Stable Diffusion, Stability AI, and What’s Next
Boris Dayma — The Story Behind DALL-E mini, the Viral Phenomenon
MLOps 백서
머신 러닝 팀에 적합한 기술 스택을 구축하여 핵심 비즈니스 활동을 지원하고 IP를 보호하는 방법을 읽어보세요
Oops! Something went wrong while submitting the form.
ML 커뮤니티와 지속적인 소통
머신 러닝 프로젝트를 작업 중이신가요? 업계와 학계 전반의 ML 전문가들이 모였습니다.
