Shadow deployment

É o padrão de rodar a nova versão em paralelo à atual, sobre o tráfego real, registrando o que ela teria respondido, sem afetar o resultado entregue ao usuário. Permite comparar as duas versões sobre exatamente os mesmos casos: quanto cada uma acerta, quanto custa, quanto demora, antes de expor qualquer usuário à nova. O modelo champion-challenger, comum em crédito e risco, formaliza a ideia: a versão atual (campeã) só é substituída se a desafiante provar ser melhor.

Em Produto, o shadow deployment é o passo mais barato e mais ignorado ao evoluir uma capacidade. Duas semanas em modo sombra sobre o tráfego real dizem, com dados, se a mudança melhora alguma decisão e em quantos casos. Muitas mudanças não sobrevivem à comparação, e descobrir isso em sombra custa quase nada. Descobrir em produção custa reclamações. Por exemplo, uma nova skill de consulta a histórico roda em sombra e muda a decisão em 3% dos casos, todos para melhor: vale promover.

Use shadow deployment antes do canário, para mudanças de modelo, prompt ou nova skill. Use canário depois que a sombra aprovou, para validar com usuários reais. Use teste A/B quando o efeito depende da reação do usuário, que a sombra não captura. Uma forma simples de diferenciar: sombra compara sem expor; canário expõe aos poucos; A/B mede a reação das pessoas.

Padrão de engenharia de ML (Google, Uber, anos 2010); 'champion-challenger' é o equivalente em modelos de crédito e risco.

Google Cloud, MLOps; Microsoft Azure Architecture Center, ML deployment patterns