金絲雀部署（canary deployment，機器學習）

金絲雀部署得名於昔日被帶入礦坑偵測毒氣的金絲雀：它讓新模型暴露於一小段有界的真實流量，比方說百分之一的使用者，其餘人則留在受信任的既有模型上。若金絲雀的線上指標站得住腳，你就分階段擴大它的占比；若指標惡化，你就把它切斷，而幾乎沒有人受影響。與影子不同，金絲雀真的會提供它的預測，因此衡量的是真實結果，而不只是模型本來會說什麼。

其機制是一個流量分流路由器，加上自動化的晉升邏輯。一部分請求會被決定性地導向金絲雀，通常以使用者或工作階段識別碼做雜湊，讓特定使用者有穩定的體驗，系統並持續地在系統指標（延遲、錯誤率、飽和度）與品質指標（預測分布、商業關鍵績效指標，以及陸續到來的標籤）兩方面，比較金絲雀與基準。晉升閘門只在金絲雀於統計上不劣於基準時才推進發布，否則便觸發自動回退。

機器學習特有的棘手之處在於：模型品質指標往往延遲、稀疏或嘈雜——真實標籤可能數小時或數天後才到，因此一小片金絲雀流量可能要很久才達到顯著性。實務上會倚賴快速的領先指標（預測分布偏移、校準度、護欄指標）做即時決策，把較慢的結果指標留給確認完整發布之用。