GroovyMorning_RLAC

Suivi d’Expériences et Monitoring avec Weights & Biases (WandB)

L’entraînement de modèles d’intelligence artificielle est un processus itératif nécessitant une analyse fine des métriques. Pour assurer la transparence et la reproductibilité des résultats, GroovyMorning utilise Weights & Biases (WandB) comme plateforme de monitoring centralisée.

Pourquoi WandB ?

Dans le cadre de la R&D sur la détection de chroniques, nous testons quotidiennement des dizaines de configurations (hyperparamètres, architectures de modèles, tailles de datasets). WandB permet de :

  1. Visualiser en temps réel : Suivre l’évolution de la Loss, de la Precision, du Recall et du F1-Score pendant l’entraînement.
  2. Comparer les runs : Superposer les courbes de différentes expériences pour identifier instantanément quel modèle converge le mieux.
  3. Debugger les entraînements : Identifier rapidement les problèmes de sur-apprentissage (overfitting) ou de gradients instables.
  4. Organiser par Tags : Utiliser des tags (ex: wavlm, cnn, jingle) pour filtrer les expériences par type d’architecture.

w-and-b.png

Intégration Technique

Le monitoring est directement intégré dans les scripts d’entraînement du module 4.rd/1.IAChronicleDetector.

Initialisation

Chaque session d’entraînement commence par une initialisation liée au projet global RLAC ou IAChronicleDetection :

import wandb
wandb.init(
    project="IAChronicleDetection",
    config={
        "learning_rate": 2e-5,
        "architecture": "CamemBERT",
        "dataset": "RadioFrance-V2"
    }
)

Reporting Automatique

Grâce à l’intégration avec les librairies transformers et accelerate, les métriques sont envoyées automatiquement à chaque étape (logging_steps). Le paramètre report_to="wandb" dans les TrainingArguments suffit à activer cette liaison.

Tableaux de Bord (Dashboards)

L’interface de WandB sert de tour de contrôle et permet de générer des rapports de performance qui servent de base à la sélection du modèle final qui sera déployé en production sur Hugging Face.

Cette rigueur dans le suivi permet de garantir que chaque amélioration apportée au moteur de détection de GroovyMorning est scientifiquement validée et documentée.

This site is open source. Improve this page.