कैनरी और छाया परिनियोजन प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. कैनरी परिनियोजन क्या परिभाषित करता है?
   • इसकी निगरानी करते हुए लाइव ट्रैफ़िक के एक छोटे प्रतिशत को नए संस्करण में रूट करना
   • सभी ट्रैफ़िक को एक ही बार में नए संस्करण में भेजना
   • नया संस्करण केवल सप्ताहांत पर चल रहा है
   • बिना किसी निगरानी के तैनाती
2. छाया परिनियोजन की प्रमुख विशेषता क्या है?
   • इसके रिस्पॉन्स आधे यूजर्स को सर्व किए जाते हैं
   • यह प्रतिबिंबित ट्रैफ़िक प्राप्त करता है लेकिन इसकी प्रतिक्रियाओं को हटा दिया जाता है, उपयोगकर्ताओं को नहीं दिखाया जाता है
   • यह केवल विकास परिवेश में चलता है
   • यह उत्पादन मॉडल को तुरंत बदल देता है
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. कैनरी और छाया परिनियोजन एक दूसरे के पूरक कैसे हैं?
   • वे अलग-अलग नामों के साथ एक ही चीज़ हैं
   • शैडो उपयोगकर्ता जोखिम के बिना लाइव ट्रैफ़िक पर व्यवहार को मान्य करता है; कैनरी एक छोटे टुकड़े पर वास्तविक उपयोगकर्ता प्रभाव को मान्य करता है
   • कैनरी प्रतिक्रियाओं को त्याग देता है जबकि छाया उन्हें परोसती है
   • न ही उत्पादन यातायात शामिल है
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