Der Anwendungsfall: wie Shell Weights & Biases einsetzt
Shell's NLP research team uses Weights & Biases to log experiments, build custom dashboards, run hyperparameter sweeps, and track evaluations and user feedback while adapting large language models to its internal technical reports. The resulting models power a research assistant that acts as an institutional memory for researchers.
Zahlen in der Quelle
Zahlen aus der Fallstudie von Weights & Biases. usedby hat sie nicht unabhängig gemessen.
The DAPT + instruction-tuning models led to a 26% increase in accuracy compared to non-fine-tuned Llama models, and a 30% improvement in domain-specific understanding on Shell benchmarks.
In den Worten des Kunden
We built a custom dashboard using Weights & Biases for all our experiment logging, and a lot of critical hyperparameter tuning using W&B Sweeps to explore impact and sensitivity.Weitere KI-Tools von Shell
Weitere öffentliche Beziehungen, die auf usedby erfasst sind.
Den KI-Stack von Shell ansehen
Nutzer von Weights & Biases in der Branche Energie, Versorger & Cleantech
Unternehmen derselben Branche, mit öffentlichen Belegen.
Alle Kunden von Weights & Biases ansehen
Direkt zur Quelle
Auf Basis der veröffentlichten Fallstudie von Weights & Biases. Wir prüfen die öffentlichen Belege; die Ergebnisse gibt der Anbieter an.
wandb.ai- Quelle veröffentlicht
- 24. Nov. 2025
- Zuletzt geprüft
- 8. Okt. 2026
Screenshot der Quelle öffnen Was die Fallstudie behauptet und was wir geprüft haben
Was wir mit der Seite verglichen haben.
- Die oben zitierte PassageGeprüft
Wörtlich von der Seite übernommen, nahe dem Namen Shell.
- Das VeröffentlichungsdatumGeprüft
Aus den eigenen Metadaten der Seite gelesen, nie geschätzt.
- Shell nutzt Weights & BiasesGeprüft
Eintrag mit Stufe Bestätigt.
- Das Ergebnis selbstNicht geprüft
Wir zitieren es; wir haben es nicht gemessen.
At the core of this scalable infrastructure is Weights & Biases, which plays critical roles in supporting experiment tracking and logging, building custom dashboards for increased visibility into training dynamics, robust hyperparameter optimization, and evaluation and feedback through both W&B Models and W&B Weave.