某公司有一个实验性的机器学习模型，必须在生产流量上进行验证，同时不影响当前的实时模型。一次只能有一个模型处理用户请求。哪种部署方法可以在不影响实时流量的情况下评估新模型在生产环境中的预测？

Shadow deployment（影子部署）是正确的选择，因为它允许新模型在生产流量的副本上运行，而不会实际影响用户请求。这意味着新模型可以处理与实时模型相同的输入，但其输出不会返回给用户。这使得公司能够在不中断现有服务的情况下，评估新模型在生产环境中的性能和行为。 A/B testing（A/B测试）涉及将用户流量分割到不同的模型版本，这会直接影响一部分用户，不符合“不影响当前的实时模型”的要求。Canary release（金丝雀发布）也涉及将少量真实用户流量路由到新模型，同样不符合要求。Blue/green deployment（蓝绿部署）涉及在两个独立但相同的环境中部署新旧版本，并通过切换路由来转换流量，这在切换时会直接影响所有用户，也不符合在不影响实时模型的情况下评估新模型的要求。