Como Microsoft usa Weights & Biases
Microsoft's Journal team uses Weights & Biases Artifacts to version and track the lineage of single-stroke ink data, and runs all its experiments through W&B, which it found a major upgrade over Tensorboard. The models help Microsoft Journal understand the structure of handwritten notes and drawings.
Ver a prova capturadaO caso de uso: como Microsoft implanta Weights & Biases
Microsoft's Journal team uses Weights & Biases Artifacts to version and track the lineage of single-stroke ink data, and runs all their model experiments through W&B instead of Tensorboard, to train the models that interpret handwriting and drawing structure in Microsoft Journal.
Nas palavras do cliente
O W&B é um lugar muito melhor para guardar os resultados dos nossos experimentos. Além disso, é super fácil de usar.Tradução automática do inglêsVer o original
W&B is a much better home for our experimentation results. Plus it’s super easy to use.Outras ferramentas de IA usadas por Microsoft
Outras relações públicas registradas no usedby.
ListenConfirmado
PersadoConfirmado
SprinklrConfirmado
WellSaidConfirmado
AdCreative.aiObservado
Adobe FireflyObservadoUsuários de Weights & Biases no setor Serviços de TI e integração de sistemas
Empresas do mesmo setor, com evidências públicas.
Ver todos os clientes de Weights & BiasesIr direto à fonte
Com base no estudo de caso publicado por Weights & Biases. Verificamos as evidências públicas; os resultados são informados pelo fornecedor.
wandb.ai- Fonte publicada em
- 13 de out. de 2023
- Última verificação
- 11 de nov. de 2026
Abrir a captura da fonte O que o estudo de caso afirma e o que verificamos
O que comparamos com a página.
- A data de publicaçãoVerificado
Lida nos próprios metadados da página, nunca adivinhada.
- Microsoft usa Weights & BiasesVerificado
Linha de nível Confirmado.
- O resultado em siNão verificado
Nós o citamos; não o medimos.
Instead of knowing just where the data came from, W&B made it easy to see if things were overfitting so they could stop training runs earlier instead of later, saving valuable compute and valuable iteration time.

