[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-champion-challenger::ru":3,"gloss-cluster-champion-challenger::ru":26,"gloss-next-champion-challenger::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"champion-challenger","mlops","Чемпион–претендент (A\u002FB-тестирование моделей)","Чемпион–претендент — это паттерн живого тестирования моделей: текущая продакшен-модель, чемпион, продолжает обслуживать основную часть трафика, а одна или несколько моделей-кандидатов, претенденты, получают контролируемую долю. Вы сравниваете их по реальным исходам — конверсии, доле решённых обращений, выручке, жалобам — и повышаете претендента, только когда он убедительно превосходит действующего. Это A\u002FB-тест, применённый к моделям, а не к цвету кнопок. Причина его существования такова: офлайн-оценка на фиксированном наборе данных никогда полностью не предсказывает, как модель поведёт себя на пёстром живом трафике. Чемпион–претендент измеряет реальное влияние на бизнес в реальных условиях. В AI-SaaS это часто означает запуск двух промптов или двух уровней модели бок о бок и наблюдение за тем, какой из них решает больше тикетов поддержки. Практическая заметка: выберите одну защитную метрику, которая не должна ухудшаться никогда, дождитесь статистической значимости, прежде чем объявлять победителя, и держите долю трафика малой, пока претендент не докажет свою безопасность.","Чемпион–претендент оставляет продакшен-модель на основном трафике, а кандидатам даёт контролируемую долю, сравнивая их по реальным исходам, не офлайн-метрикам.",null,[11,14,17,20,23],{"slug":12,"name":13},"canary-deployment","Canary Deployment (канареечное развёртывание)",{"slug":15,"name":16},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":18,"name":19},"model-router","Маршрутизатор моделей (Model Router)",{"slug":21,"name":22},"model-serving","Обслуживание модели (Model Serving)",{"slug":24,"name":25},"shadow-deployment","Теневое развёртывание (Shadow Deployment)",[27,31,35,38,41,44,47,50,53,57,58,61],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Батч-инференс",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Канареечный промпт",{"slug":42,"category":5,"name":43,"updated_at":34},"class-imbalance","Дисбаланс классов",{"slug":45,"category":5,"name":46,"updated_at":34},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":48,"category":5,"name":49,"updated_at":34},"cross-validation","Перекрёстная проверка",{"slug":51,"category":5,"name":52,"updated_at":34},"data-labeling","Разметка данных",{"slug":54,"category":5,"name":55,"updated_at":56},"drift-detection","Обнаружение дрейфа (Drift Detection)","2026-08-24T02:46:37+00:00",{"slug":15,"category":5,"name":16,"updated_at":56},{"slug":59,"category":5,"name":60,"updated_at":56},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)",{"slug":62,"category":5,"name":63,"updated_at":34},"explainability","Объяснимость"]