Uma empresa tem um modelo de ML experimental que deve ser validado no tráfego de produção sem impactar o modelo ativo atual. Apenas um modelo pode lidar com as solicitações do usuário por vez. Qual abordagem de implantação permite avaliar as previsões do novo modelo em produção sem afetar o tráfego ativo?

A implantação shadow (ou "shadow deployment") é a abordagem correta porque permite que o novo modelo processe uma cópia do tráfego de produção em paralelo com o modelo ativo, sem que suas previsões afetem as respostas enviadas aos usuários. Isso é ideal para validação, pois você pode comparar o desempenho do novo modelo com o modelo atual usando dados reais de produção, sem risco de impactar a experiência do usuário. Teste A/B é usado para direcionar uma parte do tráfego real para o novo modelo e outra parte para o modelo antigo, impactando diretamente os usuários. Lançamento canário também direciona uma pequena porcentagem do tráfego real para o novo modelo, liberando-o gradualmente. Implantação blue/green envolve ter dois ambientes idênticos (um ativo, um inativo) e alternar o tráfego de uma vez, o que também impactaria os usuários.