Firma posiada eksperymentalny model ML, który musi zostać zweryfikowany w oparciu o ruch produkcyjny bez wpływu na aktualnie działający model. Tylko jeden model może obsługiwać żądania użytkowników w danym momencie. Które podejście do wdrożenia pozwala ocenić przewidywania nowego modelu w środowisku produkcyjnym bez wpływu na ruch na żywo?

Wdrożenie Shadow (Shadow Deployment) jest prawidłową odpowiedzią, ponieważ pozwala na testowanie nowego modelu w środowisku produkcyjnym, kierując do niego kopię ruchu produkcyjnego, bez wpływu na odpowiedzi zwracane użytkownikom. Aktualnie działający model nadal obsługuje wszystkie żądania i zwraca wyniki, podczas gdy nowy model przetwarza te same żądania "w tle". Dzięki temu można ocenić wydajność, stabilność i poprawność predykcji nowego modelu w realistycznych warunkach, zanim zostanie on w pełni wdrożony. Testy A/B (A/B Testing) kierują część ruchu produkcyjnego do nowego modelu, co wpływa na użytkowników. Wydanie Canary (Canary Release) stopniowo zwiększa ruch kierowany do nowego modelu, również wpływając na użytkowników. Wdrożenie blue/green (Blue/Green Deployment) polega na przełączeniu całego ruchu na nowy model po jego wdrożeniu, co nie pozwala na jednoczesną weryfikację bez wpływu na użytkowników.