Una empresa tiene un modelo de ML experimental que debe validarse con tráfico de producción sin afectar al modelo activo actual. Solo un modelo puede manejar las solicitudes de los usuarios a la vez. ¿Qué enfoque de despliegue le permite evaluar las predicciones del nuevo modelo en producción sin afectar el tráfico en vivo?

El despliegue en la sombra (shadow deployment) es la opción correcta porque permite que el nuevo modelo procese las solicitudes de producción en paralelo con el modelo activo, pero sus predicciones no se utilizan para las respuestas reales al usuario. Esto permite recopilar métricas de rendimiento y evaluar el comportamiento del modelo experimental con tráfico real sin ningún impacto en los usuarios finales. Las pruebas A/B comparan dos versiones del modelo sirviendo a diferentes subconjuntos de usuarios, lo cual afectaría el tráfico en vivo. El lanzamiento Canary introduce gradualmente el nuevo modelo a un pequeño porcentaje de usuarios, lo que también afectaría a un subconjunto de usuarios. El despliegue azul/verde implica tener dos entornos idénticos (uno activo y otro inactivo) y cambiar todo el tráfico al nuevo entorno de una vez, lo que conlleva un riesgo mayor si el nuevo modelo falla.