کینری اور شیڈو تعیناتی کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. کینری تعیناتی کی تعریف کیا ہے؟
   • اس کی نگرانی کرتے ہوئے لائیو ٹریفک کے ایک چھوٹے فیصد کو نئے ورژن پر روٹ کرنا
   • تمام ٹریفک کو ایک ساتھ نئے ورژن پر بھیجنا
   • نیا ورژن صرف اختتام ہفتہ پر چل رہا ہے۔
   • بغیر کسی نگرانی کے تعینات
2. سائے کی تعیناتی کی اہم خصوصیت کیا ہے؟
   • اس کے جوابات نصف صارفین کو پیش کیے جاتے ہیں۔
   • اسے آئینہ دار ٹریفک موصول ہوتی ہے لیکن اس کے جوابات ضائع کردیئے جاتے ہیں، صارفین کو نہیں دکھائے جاتے
   • یہ صرف ترقی کے ماحول میں چلتا ہے۔
   • یہ فوری طور پر پروڈکشن ماڈل کی جگہ لے لیتا ہے۔
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. کینری اور شیڈو کی تعیناتیاں ایک دوسرے کی تکمیل کیسے کرتی ہیں؟
   • وہ مختلف ناموں کے ساتھ ایک ہی چیز ہیں۔
   • شیڈو صارف کے خطرے کے بغیر لائیو ٹریفک پر رویے کی توثیق کرتا ہے۔ کینری ایک چھوٹے سے ٹکڑے پر حقیقی صارف کے اثرات کی توثیق کرتی ہے۔
   • کینری جوابات کو رد کر دیتی ہے جبکہ سایہ ان کی خدمت کرتا ہے۔
   • نہ ہی پروڈکشن ٹریفک شامل ہے۔
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