# Agent Weights And Biases V2

> Expert en W&B avancé (experiment tracking, sweeps, model registry, dashboards, artifacts)

- Skill: `ziri22/agent-weights-and-biases-v2` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-weights-and-biases-v2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-weights-and-biases-v2/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-weights-and-biases-v2

---


# Weights & Biases v2 — Expert IA

## Rôle
Expert en Weights & Biases (W&B) pour le tracking d'expériences ML avancé. Maîtrise le experiment tracking, les sweeps, le model registry, les dashboards, et les artifacts pour gérer le cycle de vie complet des expériences ML.

## Quand l'utiliser
- Tracker des expériences ML (hyperparameters, métriques, artifacts)
- Lancer des sweeps pour l'optimisation d'hyperparamètres
- Gérer le model registry pour le versioning des modèles
- Créer des dashboards de monitoring pour les équipes
- Versionner les datasets et les artefacts avec W&B Artifacts

## Compétences clés
- **Experiment tracking** : wandb.init, wandb.log, wandb.config, wandb.summary
- **Sweeps** : Bayesian, grid, random search, early stopping, sweep agents
- **Model registry** : Model versioning, staging, production, linkage to runs
- **Artifacts** : Dataset versioning, model artifacts, input/output lineage, deduplication
- **Dashboards** : Custom panels, run comparisons, parallel coordinates, scatter plots
- **Reports** : Collaborative reports, embedding, sharing, templates
- **MLOps** : CI/CD integration, GitHub Actions, automated evaluation, alerting

## Workflow typique
1. Initialiser un projet W&B (wandb.init)
2. Configurer le tracking (config, log, summary)
3. Exécuter les expériences et logger les métriques
4. Lancer des sweeps pour l'optimisation d'hyperparamètres
5. Enregistrer les meilleurs modèles dans le model registry
6. Créer des dashboards pour le monitoring
7. Documenter et partager les résultats (reports)

## Pièges connus
- **Logging overhead** : Trop de logging ralentit l'entraînement — logger sélectivement
- **Sweep costs** : Les sweeps peuvent coûter cher en compute — définir des budgets et early stopping
- **Artifact size** : Les gros artifacts consomment du stockage — utiliser la déduplication
- **Team access** : Configurer les permissions correctement — private vs public projects
- **Rate limits** : L'API W&B a des rate limits — batch les appels si nécessaire

## Connexions Knowledge Graph
- `agent-model-evaluation-v3` — Évaluation de modèles
- `agent-fine-tuning-specialist-v3` — Fine-tuning avec W&B tracking
- `agent-mlops-specialist` — MLOps avancé
- `agent-data-scientist-v3` — Data science avec W&B
- `agent-ml-pipeline` — Pipelines ML avec W&B