Une entreprise dispose d'un modèle ML expérimental qui doit être validé sur le trafic de production sans impacter le modèle en ligne actuel. Un seul modèle peut gérer les requêtes utilisateur à la fois. Quelle approche de déploiement vous permet d'évaluer les prédictions du nouveau modèle en production sans affecter le trafic en direct ?

Le déploiement fantôme (shadow deployment) est la bonne approche car il permet d'acheminer une copie du trafic de production vers le nouveau modèle expérimental sans que ses prédictions n'affectent les réponses en direct aux utilisateurs. Le modèle en ligne actuel continue de gérer tout le trafic réel. Cela permet de valider la performance et la stabilité du nouveau modèle en conditions réelles sans risque pour l'expérience utilisateur. Les tests A/B et le déploiement canary impliquent tous deux de diriger une partie du trafic réel vers le nouveau modèle, ce qui pourrait impacter les utilisateurs. Le déploiement bleu/vert remplace complètement l'ancien modèle par le nouveau, ce qui est trop risqué pour un modèle expérimental.