Een bedrijf heeft een experimenteel ML-model dat gevalideerd moet worden op productieverkeer zonder het huidige live model te beïnvloeden. Slechts één model kan tegelijkertijd gebruikersverzoeken afhandelen. Welke implementatiebenadering stelt u in staat om de voorspellingen van het nieuwe model in productie te evalueren zonder het live verkeer te beïnvloeden?

Shadow deployment is de juiste aanpak omdat het de mogelijkheid biedt om een nieuw model te testen met productieverkeer zonder dat het daadwerkelijk antwoorden terugstuurt naar de gebruikers. Het nieuwe model ontvangt een kopie van de inkomende verzoeken, verwerkt deze en genereert voorspellingen die kunnen worden vergeleken met die van het live model. Dit gebeurt op de achtergrond, waardoor het live model ongestoord blijft en de gebruikerservaring niet wordt beïnvloed. A/B testing en Canary release zijn onjuist omdat deze methoden een deel van het live verkeer naar het nieuwe model routeren, wat het huidige live model zou beïnvloeden. Blue/green deployment is ook onjuist omdat dit een volledige overschakeling naar een nieuwe omgeving inhoudt, wat niet voldoet aan de eis om het huidige live model niet te beïnvloeden tijdens de validatie.