Quiz dotyczący wdrożeń Canary i Shadow

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co definiuje wdrożenie kanarek?
   • Kierowanie niewielkiego procentu ruchu na żywo do nowej wersji przy jednoczesnym jej monitorowaniu
   • Wysyłanie całego ruchu do nowej wersji jednocześnie
   • Uruchamianie nowej wersji tylko w weekendy
   • Wdrażanie bez żadnego monitorowania
2. Jaka jest kluczowa cecha wdrożenia w tle?
   • Jego odpowiedzi trafiają do połowy użytkowników
   • Otrzymuje ruch lustrzany, ale jego odpowiedzi są odrzucane i nie są pokazywane użytkownikom
   • Działa tylko w środowisku programistycznym
   • Zastępuje natychmiast model produkcyjny
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. W jaki sposób wdrożenia Canary i Shadow uzupełniają się?
   • Są to te same rzeczy pod różnymi nazwami
   • Shadow sprawdza zachowanie na bieżącym ruchu bez ryzyka dla użytkownika; canary sprawdza rzeczywisty wpływ użytkownika na mały wycinek
   • Kanarek odrzuca odpowiedzi, podczas gdy cień je obsługuje
   • Żadne z nich nie obejmuje ruchu produkcyjnego
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