Ein Unternehmen verfügt über ein experimentelles ML-Modell, das im Produktions-Traffic validiert werden muss, ohne das aktuelle Live-Modell zu beeinträchtigen. Nur ein Modell kann Benutzeranfragen gleichzeitig bearbeiten. Welcher Bereitstellungsansatz ermöglicht es Ihnen, die Vorhersagen des neuen Modells in der Produktion zu evaluieren, ohne den Live-Traffic zu beeinflussen?

Shadow Deployment ist die korrekte Methode, da es eine Kopie des Produktions-Traffics an das neue Modell sendet, ohne dass dessen Vorhersagen die Benutzer beeinflussen. Das neue Modell läuft "im Schatten" und generiert Vorhersagen, die mit denen des Live-Modells verglichen werden können, um dessen Leistung und Stabilität zu bewerten, bevor es live geschaltet wird. A/B-Testing würde einen Teil des Live-Traffics an das neue Modell leiten, was die Benutzererfahrung beeinflussen könnte. Canary Release würde ebenfalls einen kleinen Teil des Live-Traffics an das neue Modell senden, um es schrittweise einzuführen, was ebenfalls Auswirkungen hätte. Blue/Green Deployment schaltet den gesamten Live-Traffic auf einmal auf eine neue Version um, was hier nicht gewünscht ist, da das aktuelle Live-Modell nicht beeinträchtigt werden soll.