Weights & Biases 활용 완벽 가이드

머신러닝 실험 관리 플랫폼 Weights & Biases의 핵심 기능을 초보자도 쉽게 이해할 수 있도록 설명합니다. 계정 설정부터 팀 협업까지, 실무에서 바로 활용할 수 있는 내용을 담았습니다.

---

목차

1. W&B_계정_설정
2. wandb.init과_기본_로깅
3. 차트와_대시보드
4. 하이퍼파라미터_Sweep
5. 아티팩트_관리
6. 팀_협업_기능

---

1. W&B 계정 설정

어느 날 김개발 씨는 머신러닝 프로젝트를 진행하면서 큰 고민에 빠졌습니다. 수십 번의 실험을 진행했는데, 어떤 설정에서 가장 좋은 결과가 나왔는지 도무지 기억이 나지 않는 것입니다.

엑셀에 기록해 두었지만, 그마저도 뒤죽박죽이었습니다.

Weights & Biases(줄여서 W&B)는 머신러닝 실험을 체계적으로 관리해주는 플랫폼입니다. 마치 실험 노트를 자동으로 작성해주는 비서와 같습니다.

계정을 설정하고 API 키를 연동하면, 여러분의 모든 실험이 클라우드에 자동으로 기록됩니다.

다음 코드를 살펴봅시다.

# W&B 설치 및 계정 설정
# 터미널에서 pip로 설치합니다
# pip install wandb

import wandb

# 최초 한 번만 로그인하면 됩니다
# API 키는 wandb.ai/authorize에서 확인 가능
wandb.login()

# 로그인 성공 여부 확인
print("W&B 계정 연동 완료!")

# 환경변수로 API 키 설정 (선택사항)
# export WANDB_API_KEY="your-api-key"

김개발 씨는 입사 6개월 차 머신러닝 엔지니어입니다. 처음에는 모델 학습 결과를 메모장에 적어두었습니다.

"learning_rate 0.01일 때 accuracy 85%", "batch_size 32로 바꾸니까 87%"... 이런 식으로요.

그런데 실험이 50번을 넘어가자, 메모장은 더 이상 감당할 수 없었습니다. 어떤 실험에서 어떤 결과가 나왔는지, 그때 코드는 어떤 상태였는지 전혀 추적할 수가 없었습니다.

선배 박시니어 씨가 김개발 씨의 고민을 듣고 말했습니다. "W&B 써봤어요?

실험 관리가 정말 편해져요." Weights & Biases란 무엇일까요? 쉽게 비유하자면, 실험실의 연구 노트와 같습니다.

과학자들이 실험할 때마다 날짜, 조건, 결과를 꼼꼼히 기록하듯이, W&B는 여러분의 머신러닝 실험을 자동으로 기록해줍니다. W&B가 없던 시절에는 어땠을까요?

개발자들은 텐서보드 로그 파일을 일일이 관리하거나, 스프레드시트에 수동으로 결과를 입력해야 했습니다. 실험 조건이 조금만 바뀌어도 새 폴더를 만들고, 파일명에 날짜와 설정값을 적어넣는 번거로운 작업이 필요했습니다.

더 큰 문제는 팀 협업이었습니다. 동료에게 "지난주 실험 결과 좀 공유해줘"라고 하면, 압축 파일을 이메일로 보내야 했습니다.

파일 버전이 꼬이는 것은 일상다반사였습니다. W&B는 이런 모든 문제를 해결해줍니다.

계정을 만들고 로그인만 하면, 여러분의 실험 결과가 클라우드에 자동으로 저장됩니다. 계정 설정은 정말 간단합니다.

먼저 wandb.ai에 접속하여 무료 계정을 만듭니다. 개인 프로젝트라면 무료 플랜으로도 충분합니다.

계정을 만들었다면 Settings 페이지에서 API 키를 복사합니다. 터미널에서 pip install wandb로 패키지를 설치한 뒤, Python 코드에서 wandb.login()을 실행하면 API 키를 입력하라는 안내가 나옵니다.

복사해둔 키를 붙여넣으면 끝입니다. 한 번 로그인하면 해당 컴퓨터에 인증 정보가 저장되어, 다음부터는 자동으로 로그인됩니다.

서버 환경이라면 환경변수 WANDB_API_KEY에 키를 설정해두면 편리합니다. 다시 김개발 씨의 이야기로 돌아가 봅시다.

W&B 계정을 설정한 김개발 씨는 더 이상 메모장을 열 필요가 없어졌습니다. 이제 본격적으로 실험을 기록하는 방법을 알아볼 차례입니다.

실전 팁

💡 - API 키는 절대 코드에 직접 하드코딩하지 마세요. 환경변수나 비밀 관리 도구를 사용하세요.

• 팀 프로젝트라면 처음부터 Team 계정으로 시작하는 것이 좋습니다.

---

2. wandb.init과 기본 로깅

계정 설정을 마친 김개발 씨는 이제 실제로 실험을 기록해보고 싶었습니다. 하지만 어디서부터 시작해야 할지 막막했습니다.

박시니어 씨가 다가와 말했습니다. "wandb.init부터 시작해봐요.

모든 것은 거기서 출발하거든요."

wandb.init은 W&B 실험의 시작점입니다. 마치 새 실험 노트의 첫 페이지를 펼치는 것과 같습니다.

프로젝트 이름과 실험 설정을 지정하면, 이후의 모든 기록이 해당 실험에 자동으로 연결됩니다. wandb.log로 학습 과정을 기록하고, wandb.finish로 실험을 마무리합니다.

다음 코드를 살펴봅시다.

import wandb

# 새로운 실험 시작
# project: 프로젝트명, config: 하이퍼파라미터
run = wandb.init(
    project="my-first-project",
    config={
        "learning_rate": 0.01,
        "epochs": 100,
        "batch_size": 32
    }
)

# 학습 루프에서 메트릭 기록
for epoch in range(100):
    loss = 1.0 / (epoch + 1)  # 예시 손실값
    accuracy = epoch / 100    # 예시 정확도

    # 핵심: wandb.log로 메트릭 기록
    wandb.log({"loss": loss, "accuracy": accuracy})

# 실험 종료
wandb.finish()

김개발 씨가 첫 번째로 배운 것은 wandb.init 함수입니다. 이 함수는 모든 W&B 실험의 출발점입니다.

쉽게 비유하자면, wandb.init은 마치 도서관에서 새 책을 대출 등록하는 것과 같습니다. 어떤 프로젝트의 책인지(project), 이 책의 특징은 무엇인지(config)를 등록하면, 이후에 어떤 내용을 기록하든 그 책에 자동으로 철해집니다.

가장 중요한 매개변수는 project입니다. 같은 프로젝트 이름을 가진 실험들은 하나의 그룹으로 묶여서 관리됩니다.

예를 들어 "이미지 분류" 프로젝트의 모든 실험을 한눈에 비교할 수 있게 됩니다. config 매개변수는 실험의 하이퍼파라미터를 기록합니다.

learning_rate, batch_size, epochs 같은 설정값을 딕셔너리로 전달하면, 나중에 "어떤 설정에서 가장 좋은 결과가 나왔지?"라는 질문에 쉽게 답할 수 있습니다. wandb.init을 호출하면 run 객체가 반환됩니다.

이 객체는 현재 실험을 대표하며, 웹 대시보드에서 확인할 수 있는 고유한 URL을 가집니다. 이제 학습 루프 안에서 wandb.log를 사용해봅시다.

이 함수는 실험 과정의 스냅샷을 찍는 것과 같습니다. 매 에폭마다 loss와 accuracy를 기록하면, W&B가 자동으로 그래프를 그려줍니다.

wandb.log는 딕셔너리를 인자로 받습니다. 키는 메트릭의 이름이고, 값은 해당 시점의 측정값입니다.

여러 메트릭을 한 번에 기록할 수도 있습니다. 주의할 점이 있습니다.

wandb.log를 너무 자주 호출하면 오버헤드가 생길 수 있습니다. 매 배치마다 호출하기보다는, 에폭 단위로 호출하는 것이 일반적입니다.

실험이 끝나면 wandb.finish를 호출합니다. 이 함수는 모든 데이터를 서버에 동기화하고 실험을 종료합니다.

Jupyter 노트북에서 특히 중요한데, 이 함수를 호출하지 않으면 다음 실험과 데이터가 섞일 수 있습니다. 김개발 씨는 코드를 실행하고 터미널에 출력된 URL을 클릭했습니다.

웹 브라우저에 아름다운 대시보드가 펼쳐졌습니다. 방금 기록한 loss와 accuracy가 실시간으로 그래프에 그려지고 있었습니다.

"와, 이렇게 간단하다니!" 김개발 씨의 눈이 반짝였습니다.

실전 팁

💡 - config에는 재현에 필요한 모든 설정값을 기록하세요. 나중에 최고 성능을 낸 설정을 찾기 쉬워집니다.

• wandb.init에 name 매개변수를 추가하면 실험에 알아보기 쉬운 이름을 붙일 수 있습니다.

---

3. 차트와 대시보드

김개발 씨가 W&B 대시보드에 접속하자, 화려한 그래프들이 눈앞에 펼쳐졌습니다. 하지만 어떤 그래프를 어떻게 활용해야 할지 막막했습니다.

박시니어 씨가 웃으며 말했습니다. "대시보드를 제대로 활용하면, 실험 결과를 한눈에 파악할 수 있어요."

W&B 대시보드는 실험 결과를 시각적으로 보여주는 컨트롤 타워입니다. 마치 비행기 조종석의 계기판처럼, 여러분의 모델 학습 상태를 한눈에 파악할 수 있습니다.

자동으로 생성되는 기본 차트 외에도, 다양한 커스텀 차트를 추가할 수 있습니다.

다음 코드를 살펴봅시다.

import wandb
import random

wandb.init(project="chart-demo")

# 다양한 유형의 데이터 로깅
for step in range(100):
    # 기본 스칼라 메트릭
    wandb.log({
        "train/loss": 1.0 / (step + 1),
        "train/accuracy": step / 100,
        "val/loss": 1.2 / (step + 1),
        "val/accuracy": step / 105
    })

# 히스토그램 로깅
wandb.log({"predictions": wandb.Histogram([random.gauss(0, 1) for _ in range(1000)])})

# 이미지 로깅 (PIL 또는 numpy 배열)
# wandb.log({"examples": wandb.Image(image_array)})

# 테이블 로깅
table = wandb.Table(columns=["input", "prediction", "label"])
table.add_data("고양이 이미지", "고양이", "고양이")
wandb.log({"results": table})

wandb.finish()

W&B 대시보드는 여러분의 실험 데이터를 아름다운 차트로 바꿔주는 마법사입니다. 쉽게 비유하자면, 대시보드는 자동차의 계기판과 같습니다.

속도계, 연료계, 엔진 온도계가 운전에 필요한 정보를 한눈에 보여주듯이, W&B 대시보드는 loss, accuracy, learning rate 등 학습에 필요한 모든 정보를 시각적으로 보여줍니다. 대시보드에 접속하면 가장 먼저 Runs 테이블이 보입니다.

이 테이블에는 지금까지 실행한 모든 실험이 나열됩니다. 각 실험의 상태, 걸린 시간, 최종 메트릭 값을 한눈에 확인할 수 있습니다.

테이블 위에는 차트 패널이 있습니다. W&B는 여러분이 기록한 메트릭을 자동으로 분석하여 적절한 차트를 생성합니다.

시계열 데이터는 꺾은선 그래프로, 분포 데이터는 히스토그램으로 보여줍니다. 코드에서 "train/loss", "val/loss"처럼 슬래시로 메트릭 이름을 구분한 것을 눈치채셨나요?

이렇게 하면 대시보드에서 train과 val 메트릭이 각각 그룹으로 묶여서 표시됩니다. 시각적으로 훨씬 정리되어 보입니다.

wandb.Histogram은 데이터의 분포를 시각화합니다. 모델의 예측값이나 가중치 분포를 확인할 때 유용합니다.

학습이 진행되면서 분포가 어떻게 변하는지 추적할 수 있습니다. wandb.Image로 이미지를 기록할 수도 있습니다.

컴퓨터 비전 프로젝트에서 특히 유용합니다. 에폭마다 샘플 예측 결과를 기록해두면, 모델이 어떻게 개선되는지 눈으로 확인할 수 있습니다.

wandb.Table은 구조화된 데이터를 표로 보여줍니다. 예측 결과와 정답을 비교하거나, 오분류된 샘플을 분석할 때 활용합니다.

대시보드에서는 여러 실험을 동시에 선택하여 비교할 수 있습니다. learning_rate 0.01과 0.001 중 어떤 것이 더 나은지, 그래프를 겹쳐서 한눈에 비교해볼 수 있습니다.

Report 기능을 사용하면 차트와 설명을 조합하여 보고서를 만들 수 있습니다. 팀원들에게 실험 결과를 공유하거나, 나중에 참고할 문서를 만들 때 유용합니다.

김개발 씨는 대시보드에서 이리저리 클릭하며 다양한 기능을 탐색했습니다. "이거 정말 편하네요.

텐서보드보다 훨씬 직관적이에요."

실전 팁

💡 - 메트릭 이름에 슬래시(/)를 사용하여 논리적으로 그룹화하세요. 예: "train/loss", "val/loss"

• 중요한 차트는 Report에 저장해두면 나중에 쉽게 찾을 수 있습니다.

---

4. 하이퍼파라미터 Sweep

김개발 씨의 모델 정확도가 85%에서 멈춰버렸습니다. learning_rate를 바꿔볼까, batch_size를 조정해볼까, 고민이 깊어졌습니다.

일일이 다 해보려면 시간이 너무 오래 걸릴 것 같았습니다. 박시니어 씨가 힌트를 주었습니다.

"Sweep을 써봐요. 자동으로 최적의 하이퍼파라미터를 찾아줘요."

Sweep은 하이퍼파라미터 탐색을 자동화해주는 기능입니다. 마치 금속 탐지기처럼, 넓은 파라미터 공간에서 최적의 조합을 찾아줍니다.

Grid Search, Random Search, Bayesian Optimization 등 다양한 탐색 전략을 지원합니다.

다음 코드를 살펴봅시다.

import wandb

# Sweep 설정 정의
sweep_config = {
    "method": "bayes",  # 베이지안 최적화 사용
    "metric": {
        "name": "val_accuracy",
        "goal": "maximize"  # 최대화할 메트릭
    },
    "parameters": {
        "learning_rate": {
            "min": 0.0001,
            "max": 0.1
        },
        "batch_size": {
            "values": [16, 32, 64, 128]
        },
        "epochs": {
            "value": 50  # 고정값
        }
    }
}

# Sweep 생성
sweep_id = wandb.sweep(sweep_config, project="sweep-demo")

# 학습 함수 정의
def train():
    run = wandb.init()
    config = wandb.config  # Sweep이 선택한 파라미터

    # 실제 학습 코드 (예시)
    for epoch in range(config.epochs):
        val_accuracy = config.learning_rate * 100  # 예시
        wandb.log({"val_accuracy": val_accuracy})

# Sweep 실행 (최대 20회 실험)
wandb.agent(sweep_id, train, count=20)

하이퍼파라미터 튜닝은 머신러닝에서 가장 지루하면서도 중요한 작업입니다. 쉽게 비유하자면, 하이퍼파라미터 튜닝은 마치 요리의 간을 맞추는 것과 같습니다.

소금을 얼마나 넣을지, 불의 세기는 어떻게 할지, 조리 시간은 얼마로 할지... 이 모든 조합을 시도해봐야 최고의 맛을 찾을 수 있습니다.

W&B Sweep은 이 과정을 자동화해줍니다. 여러분은 탐색할 파라미터의 범위만 정해주면 됩니다.

나머지는 Sweep이 알아서 처리합니다. sweep_config 딕셔너리를 살펴봅시다.

method는 탐색 전략을 지정합니다. "grid"는 모든 조합을 시도하고, "random"은 무작위로 선택하며, "bayes"는 이전 결과를 바탕으로 유망한 영역을 집중 탐색합니다.

metric은 최적화할 대상을 지정합니다. "val_accuracy"를 "maximize"하거나, "val_loss"를 "minimize"하는 식입니다.

Sweep은 이 메트릭을 기준으로 최적의 파라미터를 찾습니다. parameters에는 탐색할 하이퍼파라미터를 정의합니다.

min/max로 연속 범위를 지정하거나, values로 이산적인 선택지를 나열할 수 있습니다. value는 고정값을 의미합니다.

wandb.sweep 함수로 Sweep을 생성하면 sweep_id가 반환됩니다. 이 ID는 여러 컴퓨터에서 동시에 실험을 실행할 때 사용됩니다.

train 함수 안에서 wandb.config를 사용하면, Sweep이 선택한 파라미터를 받아올 수 있습니다. 매 실험마다 다른 파라미터 조합이 자동으로 주입됩니다.

wandb.agent 함수가 실제로 Sweep을 실행합니다. count 매개변수로 최대 실험 횟수를 지정할 수 있습니다.

에이전트는 중앙 서버로부터 파라미터를 받아 실험을 실행하고, 결과를 다시 서버에 보고합니다. Sweep의 진정한 힘은 병렬 실행에 있습니다.

여러 컴퓨터에서 동시에 wandb.agent를 실행하면, 탐색 속도가 크게 빨라집니다. GPU 클러스터가 있다면 활용해보세요.

대시보드의 Sweep 페이지에서는 파라미터별 성능 분포를 확인할 수 있습니다. 어떤 learning_rate 범위가 좋은지, batch_size와 성능의 상관관계는 어떤지 한눈에 파악됩니다.

김개발 씨는 Sweep을 실행해두고 점심을 먹으러 갔습니다. 돌아와보니 최적의 하이퍼파라미터 조합이 찾아져 있었습니다.

정확도가 85%에서 92%로 뛰어올랐습니다.

실전 팁

💡 - Bayesian 최적화는 적은 실험 횟수로도 좋은 결과를 찾아줍니다. 시간이 부족할 때 추천합니다.

• Early termination 옵션을 활성화하면, 가망 없는 실험을 조기에 중단하여 시간을 절약할 수 있습니다.

---

5. 아티팩트 관리

김개발 씨가 3주 전에 학습한 모델이 가장 성능이 좋았다는 것을 뒤늦게 알게 되었습니다. 그런데 그 모델 파일을 어디에 저장해뒀는지 기억이 나지 않았습니다.

로컬 폴더 어딘가에 있을 텐데... 박시니어 씨가 한숨을 쉬며 말했습니다.

"Artifact를 썼어야죠. 모델 버전 관리가 얼마나 중요한데요."

Artifact는 모델, 데이터셋, 코드 등 ML 파이프라인의 산출물을 버전 관리해주는 기능입니다. 마치 Git이 코드를 관리하듯이, Artifact는 바이너리 파일을 체계적으로 관리합니다.

각 Artifact는 고유한 버전을 가지며, 어떤 실험에서 생성되었는지 추적할 수 있습니다.

다음 코드를 살펴봅시다.

import wandb

run = wandb.init(project="artifact-demo")

# 모델 저장을 위한 Artifact 생성
model_artifact = wandb.Artifact(
    name="trained-model",
    type="model",
    description="ResNet50 이미지 분류 모델"
)

# 파일 추가
model_artifact.add_file("model.pth")
# 폴더 전체 추가도 가능
# model_artifact.add_dir("checkpoints/")

# Artifact 업로드
run.log_artifact(model_artifact)

# 다른 실험에서 Artifact 불러오기
# artifact = run.use_artifact("trained-model:latest")
# artifact_dir = artifact.download()

# 데이터셋 Artifact 예시
dataset_artifact = wandb.Artifact("training-data", type="dataset")
dataset_artifact.add_reference("s3://my-bucket/data/")
run.log_artifact(dataset_artifact)

wandb.finish()

머신러닝 프로젝트에서 코드만큼 중요한 것이 바로 모델 파일과 데이터셋입니다. 쉽게 비유하자면, Artifact는 마치 박물관의 수장고와 같습니다.

소중한 유물들을 체계적으로 분류하고, 라벨을 붙여 보관합니다. 언제든 원하는 유물을 찾아서 꺼내볼 수 있습니다.

Git은 코드를 버전 관리하지만, 대용량 바이너리 파일은 잘 다루지 못합니다. 모델 파일은 수백 메가바이트에서 수 기가바이트까지 커질 수 있는데, 이런 파일을 Git에 올리면 저장소가 금세 비대해집니다.

W&B Artifact는 이 문제를 해결합니다. 대용량 파일도 효율적으로 저장하고, 버전별로 관리할 수 있습니다.

wandb.Artifact 생성자를 살펴봅시다. name은 Artifact의 이름이고, type은 종류를 나타냅니다.

type에는 "model", "dataset", "code" 등을 사용합니다. description은 선택사항이지만, 나중에 무엇인지 알아보기 쉽게 적어두는 것이 좋습니다.

add_file 메서드로 개별 파일을 추가합니다. 여러 파일을 추가하려면 add_file을 여러 번 호출하거나, add_dir로 폴더 전체를 추가할 수 있습니다.

run.log_artifact를 호출하면 Artifact가 W&B 서버에 업로드됩니다. 같은 이름의 Artifact를 다시 업로드하면 자동으로 새 버전이 생성됩니다.

v0, v1, v2... 이런 식으로요.

다른 실험에서 Artifact를 사용하려면 run.use_artifact를 호출합니다. "trained-model:latest"는 가장 최신 버전을, "trained-model:v3"은 특정 버전을 가져옵니다.

add_reference는 실제 파일을 업로드하지 않고 참조만 저장합니다. 이미 S3나 GCS에 데이터가 있다면, 중복 저장 없이 링크만 기록할 수 있습니다.

Artifact의 진정한 가치는 계보 추적입니다. 어떤 데이터셋으로 어떤 모델을 만들었는지, 그 모델이 어떤 실험에서 사용되었는지, 전체 흐름을 시각적으로 확인할 수 있습니다.

대시보드의 Artifacts 탭에서는 모든 Artifact의 버전 히스토리를 확인할 수 있습니다. 언제 생성되었는지, 어떤 실험과 연결되어 있는지 한눈에 파악됩니다.

김개발 씨는 이제 모든 모델을 Artifact로 관리하기 시작했습니다. 3주 전 모델?

Artifact에서 쉽게 찾아서 다운로드받을 수 있게 되었습니다.

실전 팁

💡 - 중요한 모델은 alias를 붙여두세요. "trained-model:best"처럼 의미 있는 태그를 달면 찾기 쉽습니다.

• 데이터셋 Artifact를 만들 때는 전처리 스크립트도 함께 저장하면 재현성이 높아집니다.

---

6. 팀 협업 기능

김개발 씨의 프로젝트가 잘 진행되어, 이제 동료 두 명이 합류하게 되었습니다. 그런데 각자 다른 실험을 진행하다 보니, 누가 어떤 시도를 했는지 파악하기 어려워졌습니다.

회의 시간에 실험 결과를 공유하려면 스크린샷을 찍어서 슬랙에 올려야 했습니다. 박시니어 씨가 말했습니다.

"W&B 팀 기능을 활용해보세요."

W&B는 개인용 도구가 아니라 팀 협업 플랫폼입니다. 마치 구글 드라이브처럼, 팀원들이 같은 프로젝트에서 실험을 공유하고 협업할 수 있습니다.

Report 기능으로 인사이트를 문서화하고, 댓글로 토론할 수 있습니다.

다음 코드를 살펴봅시다.

import wandb

# 팀 프로젝트에 실험 기록
# entity: 팀 또는 사용자 이름
run = wandb.init(
    entity="my-team",           # 팀 이름
    project="team-project",
    config={"model": "resnet50"},
    notes="배치 정규화 추가 실험",  # 실험 메모
    tags=["baseline", "v2"]     # 태그로 분류
)

# 팀원이 볼 수 있도록 요약 정보 기록
run.summary["best_accuracy"] = 0.95
run.summary["model_size_mb"] = 123.4

# 실험에 알림 추가
wandb.alert(
    title="학습 완료",
    text="ResNet50 모델 학습이 완료되었습니다. 정확도: 95%"
)

# 실험 결과를 팀과 공유
# run.url로 대시보드 링크 확인 가능
print(f"실험 결과 확인: {run.url}")

wandb.finish()

머신러닝 프로젝트는 혼자 하기 어렵습니다. 팀원들과 실험 결과를 공유하고, 서로의 시도에서 배우는 것이 중요합니다.

쉽게 비유하자면, W&B 팀 기능은 마치 공동 연구실과 같습니다. 각자 실험대에서 실험을 하지만, 결과는 공동 노트에 기록합니다.

누구나 다른 사람의 실험 노트를 열어볼 수 있고, 거기에 질문이나 코멘트를 남길 수 있습니다. 팀 프로젝트를 사용하려면 wandb.ai에서 팀을 먼저 생성해야 합니다.

팀을 만들고 동료를 초대하면, 모두가 같은 프로젝트를 볼 수 있게 됩니다. 코드에서 entity 매개변수가 핵심입니다.

개인 계정 이름 대신 팀 이름을 넣으면, 해당 실험이 팀 프로젝트에 기록됩니다. 팀원 누구나 대시보드에서 확인할 수 있습니다.

notes와 tags는 실험을 정리하는 데 유용합니다. notes에는 이 실험의 목적이나 가설을 적습니다.

나중에 "이 실험 왜 했더라?"라는 질문에 답이 됩니다. tags로는 실험을 분류합니다.

"baseline", "ablation", "final" 같은 태그를 달면 필터링하기 쉽습니다. run.summary는 실험의 최종 결과를 저장합니다.

학습 과정의 모든 로그가 아니라, 최종 정확도나 모델 크기 같은 핵심 지표만 요약해서 보여줍니다. 팀원들이 실험 목록을 볼 때 바로 확인할 수 있습니다.

wandb.alert는 Slack이나 이메일로 알림을 보냅니다. 오래 걸리는 학습이 끝났을 때, 팀원들에게 자동으로 알려줄 수 있습니다.

설정에서 알림 채널을 연동해두면 됩니다. Report 기능은 팀 협업의 꽃입니다.

여러 실험의 차트를 모아서 인사이트를 정리할 수 있습니다. 마크다운으로 설명을 추가하고, 팀원들과 공유할 수 있습니다.

주간 회의 때 Report 링크만 공유하면 됩니다. Report에는 댓글 기능도 있습니다.

특정 차트나 문단에 질문을 남기면, 비동기적으로 토론할 수 있습니다. 회의 시간을 줄이고, 기록을 남길 수 있어서 효율적입니다.

권한 관리도 세밀하게 할 수 있습니다. 프로젝트별로 누가 읽기만 할 수 있고, 누가 쓰기도 할 수 있는지 설정할 수 있습니다.

민감한 프로젝트는 비공개로 유지하면서, 필요한 사람에게만 접근 권한을 부여합니다. 김개발 씨 팀은 이제 매주 금요일 W&B Report로 실험 결과를 공유합니다.

더 이상 스크린샷을 찍어서 슬랙에 올릴 필요가 없어졌습니다. 모두가 같은 대시보드를 보면서 토론하니, 의사소통도 훨씬 명확해졌습니다.

실전 팁

💡 - 실험을 시작할 때 notes에 가설을 적어두세요. 나중에 결과를 분석할 때 큰 도움이 됩니다.

• Slack 연동을 설정해두면, 중요한 실험이 끝났을 때 팀 채널에 자동으로 알림이 갑니다.
• Report는 정기적으로 작성하여 팀의 지식 베이스로 활용하세요.

---

이상으로 학습을 마칩니다. 위 내용을 직접 코드로 작성해보면서 익혀보세요!