[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-shadow-deployment::ru":3,"gloss-cluster-shadow-deployment::ru":26,"gloss-next-shadow-deployment::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"shadow-deployment","mlops","Теневое развёртывание (Shadow Deployment)","Теневое развёртывание запускает новую модель рядом с рабочей, подавая ей ровно тот же продакшен-трафик, но её ответы записываются для анализа, а не показываются пользователям. Текущая модель по-прежнему отвечает на каждый реальный запрос, поэтому пользователи никогда не сталкиваются с кандидатом — и всё же вы видите, как он повёл бы себя на настоящих, неотфильтрованных входах. Это самый безопасный способ снизить риск смены модели. Вы можете измерить задержку новой версии, частоту ошибок, стоимость инфраструктуры и различия в ответах по сравнению с действующей моделью до того, как её увидит хоть один клиент. Это отличается от canary-релиза, где новая модель реально обслуживает небольшую долю пользователей. Для AI-разработчиков теневой прогон кандидата-LLM или промпта в течение дня реального трафика вскрывает странные краевые случаи, которые пропускают синтетические тесты. Практическая заметка: записывайте оба выхода рядом, автоматически сравнивайте их и переходите к canary, только когда теневые метрики выглядят скучно-хорошо.","Теневое развёртывание подаёт кандидату тот же живой трафик, но его ответы только логируются: проверка на реальных данных без риска для пользователей.",null,[11,14,17,20,23],{"slug":12,"name":13},"blue-green-deployment","Blue-Green Deployment (сине-зелёное развёртывание)",{"slug":15,"name":16},"canary-deployment","Canary Deployment (канареечное развёртывание)",{"slug":18,"name":19},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)",{"slug":21,"name":22},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":24,"name":25},"model-serving","Обслуживание модели (Model Serving)",[27,31,35,38,41,43,46,49,52,55,56,59],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Батч-инференс",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Канареечный промпт",{"slug":18,"category":5,"name":19,"updated_at":42},"2026-08-24T02:46:37+00:00",{"slug":44,"category":5,"name":45,"updated_at":34},"class-imbalance","Дисбаланс классов",{"slug":47,"category":5,"name":48,"updated_at":34},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":50,"category":5,"name":51,"updated_at":34},"cross-validation","Перекрёстная проверка",{"slug":53,"category":5,"name":54,"updated_at":34},"data-labeling","Разметка данных",{"slug":21,"category":5,"name":22,"updated_at":42},{"slug":57,"category":5,"name":58,"updated_at":42},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":60,"category":5,"name":61,"updated_at":42},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)"]