가이드 연계 퀴즈 · 중간 레벨

카나리아 및 섀도우 배포 퀴즈

카나리아 및 섀도우 릴리스, 트래픽 처리, 모니터링, 워크로드 비용, 개인정보 보호 제어, 안전한 출시 준비를 비교하세요.

관련 가이드 경로카나리아 및 섀도우 배포
질문 1 의 8

카나리아 배포를 정의하는 것은 무엇입니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. 카나리아 배포를 정의하는 것은 무엇입니까?
    • 모니터링하면서 실시간 트래픽의 일부를 새 버전으로 라우팅
    • 모든 트래픽을 새 버전으로 한꺼번에 전송
    • 주말에만 새 버전 실행
    • 모니터링 없이 배포
  2. 섀도우 배포의 주요 특징은 무엇입니까?
    • 응답은 절반의 사용자에게 제공됩니다.
    • 미러링된 트래픽을 수신하지만 해당 응답은 삭제되고 사용자에게 표시되지 않습니다.
    • 개발 환경에서만 실행됩니다.
    • 즉시 생산 모델을 교체합니다.
  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. 카나리아 배포와 섀도우 배포는 어떻게 서로를 보완하나요?
    • 이름만 다르고 똑같은 물건이에요
    • Shadow는 사용자 위험 없이 실시간 트래픽의 동작을 검증합니다. Canary는 작은 조각에 대한 실제 사용자 영향을 검증합니다.
    • 카나리아는 섀도우가 응답을 제공하는 동안 응답을 삭제합니다.
    • 프로덕션 트래픽도 포함되지 않음
  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