ক্যানারি এবং শ্যাডো ডিপ্লয়মেন্ট ক্যুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি ক্যানারি স্থাপনার সংজ্ঞা কি?
   • এটি পর্যবেক্ষণ করার সময় নতুন সংস্করণে লাইভ ট্রাফিকের একটি ছোট শতাংশ রুট করা
   • একযোগে নতুন সংস্করণে সমস্ত ট্রাফিক পাঠানো হচ্ছে
   • শুধুমাত্র সপ্তাহান্তে নতুন সংস্করণ চলছে
   • কোনো ধরনের মনিটরিং ছাড়াই মোতায়েন করা হচ্ছে
2. ছায়া স্থাপনের মূল বৈশিষ্ট্য কী?
   • এর প্রতিক্রিয়া অর্ধেক ব্যবহারকারীদের কাছে পরিবেশিত হয়
   • এটি মিররড ট্রাফিক পায় কিন্তু এর প্রতিক্রিয়া বাতিল করা হয়, ব্যবহারকারীদের দেখানো হয় না
   • এটি শুধুমাত্র উন্নয়ন পরিবেশে চলে
   • এটি অবিলম্বে উত্পাদন মডেল প্রতিস্থাপন
3. What does a shadow deployment protect users from, and what can it still cost?
   • It uses no extra resources and cannot access user data
   • Its predictions are returned to every user
   • Candidate responses are withheld, but mirrored inference still consumes compute and needs side-effect controls
   • It guarantees the candidate has no production impact of any kind
4. How does user-facing traffic differ between a canary and a shadow?
   • Both always send candidate output to every user
   • A shadow deployment never uses production inputs
   • A canary is only an offline test
   • A canary serves candidate responses to a defined live-traffic segment; a shadow typically does not
5. What should a team define before starting a canary or shadow rollout?
   • Traffic rules, monitoring thresholds, rollout duration, and a rollback owner
   • A promise that the candidate will outperform production
   • A fixed traffic percentage that must never change
   • A requirement to expose every user to the candidate
6. কিভাবে ক্যানারি এবং ছায়া স্থাপনা একে অপরের পরিপূরক?
   • তারা বিভিন্ন নামে একই জিনিস
   • ছায়া ব্যবহারকারীর ঝুঁকি ছাড়াই লাইভ ট্র্যাফিকের আচরণ যাচাই করে; ক্যানারি একটি ছোট স্লাইসে প্রকৃত ব্যবহারকারীর প্রভাব যাচাই করে
   • ছায়া তাদের পরিবেশন করার সময় ক্যানারি প্রতিক্রিয়া বাতিল করে
   • উত্পাদন ট্র্যাফিক জড়িত না
7. What should an operator do before mirroring production requests to a shadow model?
   • Allow the shadow model to execute writes twice
   • Assume copied requests contain no sensitive data
   • Isolate side effects and protect the handling of copied request data
   • Disable all monitoring of the candidate
8. What does a canary reveal that a shadow deployment does not directly measure?
   • Whether candidate inference consumes compute
   • How its predictions compare offline
   • Whether a model can load in the serving stack
   • How the candidate affects users who are actually served by it